环氧乙烷反应器工况模拟

收稿日期 :2002 - 03 - 08 作者简介 :李翠清 (1964 - ) ,女 ,山西大同 ,副教授 ,在读博
士。
1 环氧乙烷反应器模型
1. 1 确定模型结构 对于环氧乙烷反应器 ,影响反应的因素有 :反应 温度 、反应压力 、原料杂质 、反应物配比 、抑制剂浓
第 4 期 李翠清等. 环氧乙烷反应器工况模拟
[ 8 ] ZHOU Ji - cheng ,et (周继成) ,等. 人工神经网络 - 第六代计算机的实现[ M ] . 北京 : 科学普及出版社 ,1993. 17 - 18 ;47
- 53.
The Simulation of t he Oxirane Reactor by Using Artificial Neural Network
∑ S h ( n) = W ih ( n) x i i
ΔW ih ( n + 1) = W ih ( n + 1) - W ih ( n) 式中 , n 为迭代次数 , l 为样本个数 ,动量系数 α经 过试算取 0. 89 。学习速率自适应调整 ,调整规律如 下:
η+ a ΔE < 0 η′= η - bη Δ E > 0
[ 2 ] Da Silva , Ivan N. ; de Souia , Andre N. ; Hossri , Jose H. C , et al. Identification of t he level of contamination and degradation of oil by artificial neural network[J ] . Conf . rec. FEEE int . symp . electr. insul. 2000 ,275 - 279 ( Eng) .
∑ E ( W )
=
1 2
( Ti -
kj
yi) 2
权值采用附加动量项的加权调节公式 ,其调节量为 :
(1) 对隐含层和输出层间的连接权 W hj ,迭代
过程中权值按如下关系调整
∑ ΔW hj ( n + 1) = αΔW hj ( n) + η δj ( n) yj ( n) l F′( S j ( n) ) = yj ( n) [1 - yj ( n) ] δj ( n) = [ F′( S j ( n) ) + C ] ( Tj - yj) ΔW kj ( n + 1) = W kj ( n + 1) - W kj ( n)
79
度 、循环气量 、触媒特性 。在诸多影响因素中 ,触媒 特性在反应器设计中已经确定 。反应压力 、原料杂
质 、抑制剂浓度在整个生产操作中基本保持不变 。
反应温度主要由热油控制 ,在热油流量不变的情况 下 ,主要取决于热油进口温度 。反应物配比主要取 决于反应物乙烯和氧气的流量 。通过以上分析 ,确 定输入层节点为 :热油进口温度 、原料乙烯流量 、原 料氧气流量 ;根据实际需要确定乙烯转化率 、氧气转 化率和产物中环氧乙烷体积分数为输出层节点 。根
文章编号 :1006 - 396X(2002) 04 - 0078 - 03
环氧乙烷反应器工况模拟
李翠清 , 任晓光 , 刘守义
(北京石油化工学院化工系 ,北京 102617)
摘 要 : 由于乙烯氧化生成环氧乙烷的反应过程非常复杂 ,建立机理模型对其生产工况进行模拟存在许多困 难 。以热油进口温度 、原料乙烯流量 、原料氧气流量为输入节点 ,以生成物中环氧乙烷体积分数 、氧气转化率 、乙烯 转化率为输出层节点 ,建立 3 层 BP 神经网络模型 。该模型不仅具有较强的回忆能力 ,且对生成物中环氧乙烷体积 分数和氧气转化率的预测效果比较好 ,平均相对误差分别为 1. 297 1 %和 2. 99 % ,乙烯转化率的预测值相对误差为 4. 524 5 %。神经网络输出层各节点平均相对误差均小于 5 % ,能够满足实际生产需要 。该模型用于环氧乙烷反应器 工况模拟与预测是可行的 ,对实际生产在线控制具有一定的指导意义 。
mode by building a mechanic model. In t his paper , a t hree layers BP neural network was built : t he heat oil temperature ; t he et hylene
[ 5 ] Hornick K , Stinchcombe M , White H. Multi - layer feed - forward networks are universal approximation [ J ] . Neural network , 1989 , (2) :359 - 366.
[ 6 ] L I Cui - qing (李翠清) , REN Xiao - guang (任晓光) ,等. The simulation of air distillation tower by using improved model of distillation tower (改进精馏塔模型用于空分塔模拟计算) [J ] . Computers and applied chemistry (计算机与应用化学) , 2001 ,18 (2) :147 - 151.
关键词 : 环氧乙烷 ; 反应器 ; 神经网络 中图分类号 : TQ015. 9 文献标识码 : A
环氧乙烷是石油化学工业的重要原料 ,除主要 用于生产乙二醇外 ,还大量用于生产非离子表面活 性剂 、乙二醇醚等多种化工产品 。采用乙烯氧化法 制取环氧乙烷的反应器流程见图 1 。原料乙烯 、氧 气和含二氯乙烷的氮气 (致稳剂) ,在循环至压缩机 的出口侧 ,与贫循环气混合 ,混合气中乙烯和氧气控 制一定的浓度 ,通过气 - 气热交换器管程与反应器 出口气体换热后 ,进入填充银催化剂的列管式固定 床反应器 ,在一定温度 、压力和银催化剂的作用下 , 进行氧化反应 。反应热通过循环于反应器壳程的热 煤油除去 ,热煤油在热油冷却器中通过发生蒸汽而 被冷却 。从反应器下部出来的生成气体通过气 - 气 交换器经冷却后进入环氧乙烷吸收塔 。 环氧乙烷反应器中主要发生以下反应 : 主反应 :
L I Cui - qing , REN Xiao - guang , L IU Shou - yi
( Depart ment of Chem ical Engi neeri ng , Beiji ng Instit ute of Pet roleum Chem ical Technology , Beiji ng 102617 , Chi na) Abstract : The reaction t hat et hylene is oxidized to produce oxirane is very complex and t here are many difficulties to simulate t he
氧气 转化率
项 目
环氧乙烷 体积分数
乙烯 转化率
氧气 转化率
回忆结果平均 相对误差
0. 722 1
1. 064 1
1. 181 0
预测结果平均 相对误差
1. 297 1
4. 524 5
2. 990 0
Baidu Nhomakorabea
参考文献
[ 1 ] Ge S S , Hang C C , Zhang T. Nonlinear adaptive control using neural networks and its application to CSTR systems[J ] . J . process control , 1999 , 9 (4) : 313 - 323.
[7 ] Hubret A B , te Braake , et al. Control of nonlinear chemical processes using neural models and feedback linearization [J ] . Computer and chem. eng. , 1998 ,22 (7 - 8) : 1113 - 1127.
[ 4 ] WU Jian - feng (吴建峰) , HE Xiao - rong (何小荣) ,等. Modeling nonlinear dynamic chemical process base on artificial neural networks(基于反馈神经网络的动态化工过程建模) [J ] . Computers and applied chemistry (计算机与应用化学) , 2001 ,18 (2) : 105 - 110.
在实际生产中 ,了解生产工况 ,控制产品质量 , 提高产品收率和原料转化率是非常必要的 。由于环 氧乙烷反应过程非常复杂 ,采用机理模型对其工况 进行模拟存在许多困难 。而人工神经网络以其自组 织 、自适应能力强的特点在包括化工过程建模 、优化 以及控制等领域得到了广泛的应用[1 - 7 ] 。本文建 立 BP 神经网络模型 ,对环氧乙烷反应器工况进行 模拟 。
第 1 5 卷 第 4 期 石 油 化 工 高 等 学 校 学 报 Vol . 1 5 No . 4 2002 年 12 月 J OU RNAL OF PETROCHEM ICAL UN IV ERSITIES Dec. 2002
80
石油化工高等学校学报 第 15 卷
表 1 神经网络输出层各节点相对误差 Table 1 The relative error of output nodes %
项 目
环氧乙烷 体积分数
乙烯 转化率
式中 , n 为迭代次数 , l 为样本个数 , C 是引进的一 个常数 。实践证明 ,当加入此常数时 ,模型收敛速度 加快 。C 值经过计算 ,确定为 0. 1 。 (2) 对输入层和隐含层之间的连接权 W ih ,迭 代过程中权值按如下关系调整
∑ ΔW ih ( n + 1) = αΔ W ih ( n) + η δh ( n) x i l ∑ δh ( n) = F′( S h ( n) ) W hj ( n)δj ( n) j F′( S h) ( n) = F ( S h ( n) ) [1 - F ( S h ( n) ]
[3 ] Guimaraes , Paulo Roberto Britto ; Vianna , Regina Ferreira. Distillation dynamics characterization and data rectification via artificial neural network[J ] . Chem. Eng. , 2000 ,9 (2) :110 - 114 ( Eng) .
η ΔΕ = 0
式中Δ E 为前后两次迭代误差函数的变化 ,常数 a 和 b 经过试算 ,取 a = 0. 04 , b = 0. 006 。
2 计算结果
初始权值由随机函数在[ 0 ,1 ]范围内确定 ,目标 误差函数取 10 - 4 , 训练至 7. 0 ×104 次时 , 达到要 求 。将建立的人工神经网络模型 ,对环氧乙烷反应 器不同生产工况进行模拟 ,网络回忆结果分别见图 2～4 ,预测结果分别见图 5～7 。输出层各节点平均 相对误差见表 1 。
据文献[8 ]取一个隐含层 ,隐节点数经过试算确定为 9。 1. 2 模型算法 40 组样本取自实际生产数据 ,其中 20 组用于 训练 ,20 组用于预测 。由于样本数据比较分散 ,分 别采用相应的公式对样本进行归一处理 ,使其转移 到[ 0 ,1 ]范围 。 采用 Sigmoid 转移函数和平方和误差函数[8 ]