汽油辛烷值神经网络预测模型的设计_秦秀娟
汽油调合辛烷值预测模型的建立与求解
1 汽油调合汽油生产可分为汽油组分生产和汽油调合两个阶段。
汽油调合是一个复杂同时又蕴藏着巨大利润空间的工业过程[1]。
汽油调合是用几种组分油按一定的比例混合，使混合后的成品油符合牌号的质量指标要求。
组分油包括催化裂化汽油、重整汽油、加氢裂化汽油、甲基叔丁基醚（MTBE）、烷基化油等。
不同的组分油有不同的性质，生产成本也不同，不同牌号的成品油有不同的指标要求，销售价格也不同。
汽油调合是一个典型的优化问题，优化的目标是收益最大，辛烷值（RON）是关键的质量指标，其准确性对汽油调合优化具有重要意义[2]。
有的企业为保证成品汽油出厂合格，成品油RON明显比内控指标偏高，即RON存在质量过剩问题，每富裕1个单位RON损失效益约130元/吨[3]。
建立调合RON预测模型是汽油调合关键环节，由组分油RON预测成品油RON，模型越精确预测的结果越准确，使成品油RON既保证质量指标又无质量过剩。
2 RON模型文献汽油调合RON是一种典型的非线性函数，参与调合的各组分油之间存在着复杂的调合效应，成品油的RON不等于组分油质量分数乘以对应RON的线性加和，这使得对成品油调合的RON预测变得十分困难。
关于调合RON模型，国内外已有许多学者通过大量的研究提出了各种各样的模型形式。
A.H.Zahed[5]等根据已有的试验数据，利用回归分析方法提出一个预测汽油调合RON的数学模型，此模型预测的RON与实测值的平均偏差为0.54%，复相关系数为0.973。
王中平[4]用锦州石化公司组分油数据，对A.H.Zahed模型进行回归分析，建立汽油调合RON 模型。
结果表明预测精度较高，RON平均偏差为0.324%，能很好的预测汽油调合的RON。
Twu和Coon[6]提出的RON模型，在157种组分油的161次汽油调合测试中，该模型预测研究法RON 的平均偏差为1.00%，马达法辛烷值（MON）为1.19%。
3 RON模型的建立和求解3.1 建立模型汽油调合RON是组分油RON和组分油质量分数的非线性函数，可以表示为：R TH=f（R ZF，x ZF）。
汽油辛烷值神经网络预测模型的设计
汽油辛烷值神经网络预测模型的设计
秦秀娟;陈宗海
【期刊名称】《控制与决策》
【年(卷),期】1999(14)2
【摘要】针对催化重整工艺仿真数学模型中遇到的汽油辛烷值预测方面的困难，
提出一种将定量计算与神经网络计算相结合的催化重整工艺汽油辛烷值的预测模型。
此预测模型综合考虑了反应器温度。
【总页数】5页(P151-155)
【关键词】汽油;辛烷值;神经网络;预测模型;设计
【作者】秦秀娟;陈宗海
【作者单位】中国科学技术大学自动化系
【正文语种】中文
【中图分类】TE626.21
【相关文献】
1.汽油精制过程中的辛烷值损失预测模型 [J], 杜明洋;张甜甜;薄其高;许文文
2.基于BP神经网络对汽油辛烷值损失预测模型的构建 [J], 王宁宁
3.基于BP神经网络对汽油辛烷值损失预测模型的构建 [J], 王宁宁
4.基于改进PCA-RFR算法的汽油辛烷值损失预测模型的构建与分析 [J], 蒋伟;佟
国香
5.基于汽油催化裂化过程实时数据的辛烷值损失预测模型 [J], 韩庆珏;邹敏;霍皓灵
因版权原因，仅展示原文概要，查看原文内容请购买。
基于数据挖掘的汽油精制过程辛烷值损失预测模型
基于数据挖掘的汽油精制过程辛烷值损失预测模型作者：***来源：《科技创新导报》2021年第05期摘要：汽油精制过程中造成的辛烷值损失会降低汽油的燃烧效率，如何降低汽油精制过程中辛烷值的损失量是目前相关企业面临的一个重要课题。
本文利用我国某石化企业在催化裂化汽油精制过程中积累的数据，建立基于神经网络、测量误差模型以及DC-SIS数据降维方法的两阶段特征筛选模型，选择出对辛烷值影响比较大的因素。
设计了一种基于XGBoost和神经网络的辛烷值预测模型，可以实现对不同原材料和不同操作下精制后辛烷值的预测，经验证，模型的均方误差为0.06876，所设计模型在处理辛烷值预测问题时可以达到比较好的预测效果。
关键词：辛烷值高维降维测量误差模型神经网络 XGBoost中图分类号：TP274 文獻标识码：A 文章编号：1674-098X（2021）02（b）-0092-05Prediction Model of Octane Number Loss in Gasoline Refining Process Based on Data Mining LI Dongchao（School of Mathematics and Statistics， Nanjing University of Information Science & Technology， Nanjing， Jiangsu Province， 210044 China）Abstract： The loss of octane number in the process of gasoline refining will reduce the combustion efficiency of gasoline. How to reduce the loss of octane number in the process of gasoline refining is an important issue facing related enterprises. This paper uses the data accumulated by a petrochemical enterprise during the refining process of catalytic cracking gasoline to establish a two-stage feature screening model based on neural network， measurement error model and DC-SIS data dimensionality reduction method， and select the one that has a greater impact on the octane number factor. An octane number prediction model based on XGBoost and neural network is designed，which can predict the octane number after refining under different raw materials and different operations. After verification， the mean square error of the model is 0.06876. A better prediction effect can be achieved in the alkane number prediction problem.Key Words： Octane number; High dimensionality reduction; Neural networks; XGBoost汽油是小型车辆的主要燃料，汽油燃烧产生的尾气排放对大气环境有重要影响。
数学建模实验四：Matlab神经网络以及应用于汽油辛烷值预测
实验四：Matlab 神经网络以及应用于汽油辛烷值预测专业年级： 2014级信息与计算科学1班姓名： 黄志锐 学号：201430120110一、实验目的1. 掌握MATLAB 创建BP 神经网络并应用于拟合非线性函数2. 掌握MATLAB 创建REF 神经网络并应用于拟合非线性函数3. 掌握MATLAB 创建BP 神经网络和REF 神经网络解决实际问题4. 了解MATLAB 神经网络并行运算二、实验内容1. 建立BP 神经网络拟合非线性函数2212y x x =+第一步 数据选择和归一化根据非线性函数方程随机得到该函数的2000组数据，将数据存贮在data.mat 文件中（下载后拷贝到Matlab 当前目录），其中input 是函数输入数据，output 是函数输出数据。
从输入输出数据中随机选取1900中数据作为网络训练数据，100组作为网络测试数据，并对数据进行归一化处理。
第二步 建立和训练BP 神经网络构建BP 神经网络，用训练数据训练，使网络对非线性函数输出具有预测能力。
第三步 BP 神经网络预测用训练好的BP 神经网络预测非线性函数输出。
第四步 结果分析通过BP 神经网络预测输出和期望输出分析BP 神经网络的拟合能力。
详细MATLAB代码如下：27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54disp(['神经网络的训练时间为', num2str(t1), '秒']);%% BP网络预测% 预测数据归一化inputn_test = mapminmax('apply', input_test, inputps); % 网络预测输出an = sim(net, inputn_test);% 网络输出反归一化BPoutput = mapminmax('reverse', an, outputps);%% 结果分析figure(1);plot(BPoutput, ':og');hold on;plot(output_test, '-*');legend('预测输出', '期望输出');title('BP网络预测输出', 'fontsize', 12);ylabel('函数输出', 'fontsize', 12);xlabel('样本', 'fontsize', 12);% 预测误差error = BPoutput-output_test;figure(2);plot(error, '-*');title('BP神经网络预测误差', 'fontsize', 12);ylabel('误差', 'fontsize', 12);xlabel('样本', 'fontsize', 12);figure(3);plot((output_test-BPoutput)./BPoutput, '-*');title('BP神经网络预测误差百分比');errorsum = sum(abs(error));MATLAB代码运行结果截图如下所示：MATLAB代码运行结果如下所示：图1 BP神经网络预测输出图示图2 BP神经网络预测误差图示图3 BP 神经网络预测误差百分比图示2. 建立RBF 神经网络拟合非线性函数22112220+10cos(2)10cos(2)y x x x x ππ=-+-第一步 建立exact RBF 神经网络拟合, 观察拟合效果详细MATLAB 代码如下：MATLAB代码运行结果如下所示：图4 RBF神经网络拟合效果图第二步建立approximate RBF神经网络拟合详细MATLAB代码如下：13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41F = 20+x1.^2-10*cos(2*pi*x1)+x2.^2-10*cos(2*pi*x2); %% 建立RBF神经网络% 采用approximate RBF神经网络。
近红外光谱预测汽油辛烷值
前言烃加工工业中，连续在线监测关键石油物流的性质，是强化过程控制和炼厂信息系统集成的重要环节，为表征石油物流这一高度复杂的烃类混合物，引入了一系列测试手段和标准指标，总的来说，这些指标测试费用高、重复性差、试样用量大，在线实现时维护代价高，响应速度慢。
七十年代以来，近红外光谱(NIR)技术在分析机理、仪器制造、数据处理方面有了很大发展，与传统分析仪器相比，近红外分析仪有显著优势：光纤远程信号传输，可实现非接触式测量；一谱多用，只要建立模型，可同时测量多个指标；预处理简单，分析中不需化学试剂；响应速度快；易于制成小型紧凑的过程分析仪，在农作物分析等方面已建立实用标准[47]。
八十年代末，西雅图华盛顿大学过程分析化学中心(CPAC)进行了将近红外技术用于石油化学领域的研究，最重要的工作是测量汽油辛烷值，族组成和其它几个关键指标，随后在世界范围内的众多试验室和炼厂开展了这方面的研究工作，例如位于法国的BP拉菲尔炼厂将近红外技术大量用于过程控制，效益显著：在调合工艺中，一套近红外分析仪可替代两台辛烷机和一套雷德蒸汽压测试仪和其它蒸馏测试装置，月维护时间减小到数小时，光学仪器发生故障的平均时间间隔能够提高到几百小时，辛烷值测量范围增宽，重复性偏差小于0.1，该厂借助于近红外分析系统对乙烯蒸汽裂解炉的进料进行高频监测和优化，年收益百万美元，分析设备的投资可很快回收，还有利于下游分馏塔的稳定操作尽管NIR预测的重复性很好，在数学模型的设计上仍要谨慎从事。
因为近红外技术用于石油物流性质的预测是基于ASTM系列测定的二次方法，NIR模型只有在其适用范围内，才能获得与ASTM测试一样的准确性，当对象物流由于进料、工艺等原因偏离原模型的适用范围时，NIR模型必须重新标定。
如何提取NIR光谱和目标性质的统计关系是这门技术软件方面的关键。
一些典型的数学方法有主因子分析(PCA)、偏最小二乘法(PLS)、多元线性回归(MLR)、判别分析(DA)、聚类分析和人工神经网络(ANN)等，这些基本属于计量化学问题。
用于FCC汽油辛烷值预测的非线性数学模型
用于FCC汽油辛烷值预测的非线性数学模型孙忠超;山红红;刘熠斌;杨朝合;李春义【摘要】依据汽油正构烷烃、异构烷烃、烯烃、环烷烃和芳烃( PIONA)的烃组成数据,将催化裂化(FCC)汽油单体烃组成分为37组,利用BP神经网络算法和支持向量机回归(SVR)分别建立了FCC汽油研究法辛烷值对37个变量的非线性数学模型.由MATLAB软件编写程序,利用Levenberg-Marquardt优化算法训练BP神经网络.支持向量机回归模型采用粒子群算法优化支持向量机参数及核函数参数,并采取交叉验证方法防止机器学习的欠学习和过拟合问题.计算结果表明:两种模型都能够较好地反映汽油单体烃组成与辛烷值之间的非线性关系；BP神经网络模型对辛烷值的预测性能好于支持向量机回归模型；增加样本数量,两种方法的预测准确性皆变好；针对40个样本的学习结果,两种模型预测的相对误差绝对值的平均值分别为0.148 7和0.1674.%With BP neural network (BPNN) and support vector regression (SVR) , two nonlinear mathematical models were established for research octane number prediction of FCC gasoline. Based on PIONA data of gasoline, the hydrocarbons in FCC gasoline were divided into 37 groups. The octane number was regarded as nonlinear function of these 37 variables. Levenberg-Marquardt algorithm was used for training function of BPNN by the MATLAB software. The parameters of SVR and kernel function were selected by particle swarm optimization ( PSO) and cross-validation method was used for preventing the less-learning and over-fitting problems in SVR model. Calculation results show that both models are able to better reflect the nonlinear relationship between the octane number and hydrocarbon composition of gasoline. The performance ofBPNN for octane number prediction is better than SVR. Prediction accuracy of both methods is improved with increasing the number of learning samples. For 40 learning samples, the average absolute relative errors of prediction results for BPNN and SVR are 0.148 7 and 0.167 4 respectively.【期刊名称】《炼油技术与工程》【年(卷),期】2012(042)002【总页数】5页(P60-64)【关键词】FCC汽油;研究法辛烷值;BP神经网络;支持向量机;粒子群算法【作者】孙忠超;山红红;刘熠斌;杨朝合;李春义【作者单位】中国石油大学重质油国家重点实验室,山东省青岛市266555;中国石油大学重质油国家重点实验室,山东省青岛市266555;中国石油大学重质油国家重点实验室,山东省青岛市266555;中国石油大学重质油国家重点实验室,山东省青岛市266555;中国石油大学重质油国家重点实验室,山东省青岛市266555【正文语种】中文过去研究者在FCC汽油辛烷值预测方面进行了许多尝试，例如利用汽油的红外或近红外光谱［1-4］、核磁共振波谱［5］、拉曼光谱［6］等数据关联其辛烷值，然而这些检测方法都存在一定弊端，如谱图难以分辨或基线漂移等问题。
应用BP神经网络的二次反应清洁汽油辛烷值预测
应用BP神经网络的二次反应清洁汽油辛烷值预测
周小伟;袁俊;杨伯伦
【期刊名称】《西安交通大学学报》
【年(卷),期】2010(044)012
【摘要】借鉴复杂反应动力学研究中的集总方法,将汽油辛烷值看成汽油链烷烃集总、环烷烃集总、芳烃集总、烯烃集总的函数.采用多元线性回归和BP神经网络算法,分别建立了二次反应清洁汽油的研究法辛烷值预测模型,并进行了实例计算验证和对比分析.结果表明,BP神经网络模型的整体性能优于多元线性回归模型,其强大的非线性映射能力能够更好地反映汽油研究法辛烷值与各集总组分之间的复杂关系,且具有更好的预测性能,模型预测值与实验测得的汽油辛烷值的平均相对误差为0.39%,与文献报道的汽油辛烷值的平均相对误差为0.92%.
【总页数】5页(P82-86)
【作者】周小伟;袁俊;杨伯伦
【作者单位】西安交通大学能源与动力工程学院,710049,西安;西安近代化学研究所,710065,西安;西安交通大学能源与动力工程学院,710049,西安
【正文语种】中文
【中图分类】TQ622;TP301.6
【相关文献】
1.基于BP神经网络的堆石坝参数二次反演与变形预测 [J], 程壮;陈星;董艳华;党莉
2.基于LM/SVM方法的二次反应清洁汽油辛烷值预测 [J], 袁俊;周小伟;杨伯伦
3.基于BP神经网络对汽油辛烷值损失预测模型的构建 [J], 王宁宁
4.基于BP神经网络对汽油辛烷值损失预测模型的构建 [J], 王宁宁
5.基于PLS-MI组合的天牛须搜索BP神经网络模型对汽油辛烷值的预测性能 [J], 石翠翠;刘媛华
因版权原因，仅展示原文概要，查看原文内容请购买。
汽油调合优化神经网络模型的研究
汽油调合优化神经网络模型的研究
近几年来，随着我国经济的发展，汽油的需求量不断增加，汽油的质量要求也随之提高。
汽油的质量主要由其组分（例如烷烃、芳香烃、Alkene等）的比例来决定。
为了确保汽油的质量，汽油的调合必须恰到好处，这需要汽油的调合参数可以得到精确的掌握。
神经网络是一种智能的机器学习算法，它可以通过训练获取大量数据，从而使模型有较强的拟合能力和泛化能力。
因此，把神经网络用于汽油调合优化是科学、可行的。
本文分析了汽油调合优化神经网络模型的原理，把神经网络模型应用到汽油调合优化研究中，并且利用数值仿真与实验结果来验证模型的准确性。
首先，本文介绍了神经网络模型的结构，包括网络的输入层、隐层和输出层。
神经网络模型的输入层是汽油的调合参数，隐层是神经元，输出层是汽油的质量指标。
其次，本文利用BP神经网络模型进行汽油调合优化，首先根据汽油的调合参数，建立组分比例与汽油质量指标之间的关系模型，然后在数据库中获取大量数据，训练神经网络模型，模型最终能够正确地预测出给定组分比例下汽油的质量指标。
最后，本文通过数值仿真与实验结果来验证模型的准确性。
数值仿真的结果显示，汽油质量指标与给定组分比例的变化趋势一致，证明神经网络模型可以很好地模拟汽油调合过程；实验结果表明，模型计算结果与实际测试结果基本一致，验证了模型的准确性。
综上所述，运用神经网络模型可以帮助汽油调合优化研究者更有效、更准确地预测汽油的质量指标，从而提高汽油的调合效率和质量。
一种预测汽油辛烷值的方法[发明专利]
![一种预测汽油辛烷值的方法[发明专利]](https://img.taocdn.com/s3/m/7d4ed833a31614791711cc7931b765ce05087ac0.png)
专利名称：一种预测汽油辛烷值的方法专利类型：发明专利
发明人：李敬岩,褚小立,陈瀑,许育鹏申请号：CN202011082720.9
申请日：20201012
公开号：CN114428067A
公开日：
20220503
专利内容由知识产权出版社提供
摘要：本发明提出了一种预测汽油辛烷值的方法，包括如下步骤：(1)获取已知辛烷值汽油样本的近红外光谱，建立校正集与任选的验证集；(2)按相同的差减方法，获取校正集近红外光谱的差谱，以及与所述差谱相对应的辛烷值差值；(3)建立校正集近红外光谱的差谱与辛烷值差值之间的关联模型；
(4)测定待测汽油样本的近红外光谱，从校正集中找到与待测汽油样本最邻近的光谱，计算两者之间的差谱，通过步骤(3)中的关联模型计算该差谱所对应的辛烷值差值，与所述最邻近光谱所对应汽油样本的辛烷值相加，得到待测汽油的辛烷值。
本发明方法分析速度快，测试准确，重复性好，适用于快速预测汽油样品的辛烷值。
申请人：中国石油化工股份有限公司,中国石油化工股份有限公司石油化工科学研究院
地址：100728 北京市朝阳区朝阳门北大街22号
国籍：CN
更多信息请下载全文后查看。
汽油调合优化神经网络模型的研究
汽油调合优化神经网络模型的研究《汽油调合优化神经网络模型的研究》是本文的主题。
汽油调合是能源系统中重要的步骤，它可以有效提高汽车发动机的性能、燃油效率和环境友好性。
然而，在过去几十年中，汽油调合的优化过程仍然偏向于人工调整的方法，具有低效率和高成本的问题。
本文介绍了基于神经网络的汽油调合优化模型，以改善人工优化调整的缺点。
具体而言，本文将在模型建立的基础上，首先分析性能参数的影响因素，利用多元线性回归法和支持向量机算法，建立汽油调合参数和动力性能参数之间的映射模型。
然后，利用神经网络模型和遗传算法，优化汽油调合参数以获得最佳的动力性能。
最后，本文以实验数据为例，验证了模型的有效性。
综上所述，该研究实现了一种有效的汽油调合优化模型，可以替代传统的手动调整，降低成本，提高效率。
关键词：汽油调合优化；多元线性回归；支持向量机；神经网络；遗传算法1 Introduction汽油调合是汽车能源系统中一个重要步骤，可以有效提高发动机性能，提高燃油效率和环境友好性。
然而，在过去的几十年里，汽油调整的优化过程仍然偏向于人工调整的方法，存在许多问题，如低效率和高成本。
为此，本文提出了一种基于神经网络的汽油调合优化模型，以改善上述问题。
2 Model formulation首先，本文分析了影响性能参数的因素，并分别建立了汽油调合参数与动力性能参数之间的映射关系。
具体而言，多元线性回归法和支持向量机算法分别用于汽油调合参数与动力性能参数之间的映射模型建模。
接下来，本文建立汽油调合优化模型，用于优化汽油调合参数，以获得最佳的动力性能。
由于汽油调合模型一般具有多个未知参数，因此，本文使用NN模型和遗传算法来求解模型的最优解，同时考虑到汽油调合参数的非线性特性。
3 Experiment为了验证上述模型，本文以实验数据为例，计算针对同一发动机调整不同汽油调合参数时发动机性能参数的变化，并按照模型预测的变化结果进行对比。
实验结果表明：在利用已知数据的基础上，实验采用以上模型，模拟出的汽油调合参数与实际调整参数的变化趋势基本一致，可以用来预测发动机性能。
汽油精制过程中辛烷值损失预测模型
汽油精制过程中辛烷值损失预测模型一、前言汽油是一种重要的燃料，广泛应用于交通运输、工业生产和家庭生活等领域。
汽油的质量直接影响着发动机的性能和寿命，因此精制过程中的辛烷值损失问题一直是制约汽油质量提升的难点之一。
本文将介绍汽油精制过程中辛烷值损失预测模型的建立方法及其应用。
二、汽油精制过程概述汽油精制是指将原油中含有杂质、硫化物等有害成分去除，使其成为高纯度的汽油产品的过程。
通常包括以下几个步骤：1. 蒸馏：将原油加热至不同温度，使其分解成不同馏分，其中轻质组分为汽油组分。
2. 加氢脱硫：通过加氢反应去除硫化物等有害成分。
3. 裂化：将高碳数组分裂解成低碳数组分，以提高产量和辛烷值。
4. 合成：将不同来源的馏分混合，调整其组成和性质以达到所需品质。
在这些步骤中，裂化是最关键的一步，也是辛烷值损失的主要来源。
三、辛烷值损失机理汽油的辛烷值是衡量其抗爆性能的重要指标。
在精制过程中，由于裂化反应导致高碳数组分分解成低碳数组分，使得汽油中芳烃和饱和烃比例发生变化，从而影响其辛烷值。
具体来说，裂化反应会将芳烃转化为饱和烃和烯烃，其中饱和烃对提高辛烷值有贡献，而烯烃则对提高辛烷值有负面影响。
因此，在裂化过程中要尽可能减少芳构物的裂解，并控制合成过程中各组分的比例以达到预期的辛烷值。
四、建立预测模型为了准确预测汽油精制过程中的辛烷值损失情况，需要建立相应的预测模型。
常用的方法包括统计学方法、神经网络方法和机器学习方法等。
1. 统计学方法统计学方法主要基于历史数据进行分析和预测，常见的方法包括回归分析、主成分分析和聚类分析等。
这些方法可以通过对历史数据的拟合来建立预测模型，但需要满足数据量充足、质量可靠的条件。
2. 神经网络方法神经网络方法是一种基于模拟人脑神经元工作方式的预测方法，其优点在于可以处理非线性问题和高维数据。
常见的神经网络模型包括BP 神经网络、RBF神经网络和Hopfield神经网络等。
3. 机器学习方法机器学习方法是一种基于大量数据自主学习的预测方法，其优点在于可以自动提取特征并建立预测模型。
基于BP神经网络降低汽油精制过程中的辛烷值损失
2021年5期创新前沿科技创新与应用Technology Innovation and Application基于BP 神经网络降低汽油精制过程中的辛烷值损失陈曦，刘都鑫，孙啸宇（北方工业大学信息学院，北京100144）1概述目前，计算机模拟燃料配混是一个重要的研究方向，因为它大大减少了通过实验定义辛烷值的成本。
过去的大量研究试图用数学方法将辛烷值描述为汽油成分。
所有这些方法都有优点和缺点。
最大的兴趣是基于数学模型的开发复合过程的物理化学性质，因为模型考虑了特性的非可加性汽油。
许多模型基于回归分析，其形式为汽油不同性质的辛烷值函数，用于例如，蒸气压，密度和分数组成。
这些方法有两个缺点。
首先，模型有很多系数，需要重新计算原料含量变化。
其次，这些模型没有考虑到原材料的变化文献综述表明，在过去的十年中，许多研究致力于优化复合工艺。
然而，大多数计算混合辛烷值的方法都是建立在依赖任何物理和化学性质的基础上，而没有考虑混合过程的性质。
本文通过数学建模的方法，建立了一种辛烷值失损预测模型。
首先通过PCA 降维的方法从在汽油生产过程中对辛烷值有影响的300多个操作变量中筛选出20个主要的操作变量，作为下一步建立预测模型的主要依据。
随后利用BP 神经网络建立预测辛烷值损失的模型，最后利用最小二乘法来拟合汽油辛烷值和硫含量的分析，分析的结果可以画出汽油的辛烷值和硫含量的变化视图。
本文主要研究了辛烷值损失预测模型的建模与价值评估，需要解决优化操作中各个参数模型的优化、主要操作变量优化调整过程中对汽油中辛烷值硫含量的变化预测等问题。
从而改善该模型的整体价值。
2数据预处理由于工厂得到的原始数据存在一定数据缺失和数据失真的情况，所以需要对数据中的坏值或者短缺值进行排除，对失真的数据进行修正。
在选择方法数据处理方法上确定了多因素加权[1]的方法，并调整了表格中的参数，尽量保留有效参数，增加最终结果的泛化能力和鲁棒性。
数据处理方法步骤的确定：（1）对于残缺数据较多的点，进行整列的数据剔除。
汽油辛烷值损失优化方案的数学建模与求解
第5期
陆天浩，等 汽油辛烷值损失优化方案的数学建模与求解
63
corresponding to the main variables are found to meet an octane loss of more than 30%. The research results show that the adopted mathematical model and optimization algorithm can be used for the prediction and optimization of the octane number loss problem.
Keywords：gasoline；octane number；principal component analysis；hierarchical clustering；neural network； genetic algorithm
0 引言
汽油的辛烷值作为汽油的商品牌号（例如 89#、 92#、95#），是衡量汽油发动机燃料抗爆性能优劣的 重要指标。辛烷值越高，表示其抗爆性能越好，发动 机压缩比越高 [1]。辛烷值的提高可以提升发动机功率， 增加车辆行程；同时还能起到节约燃料，减轻使用者 经济负担的作用。对于小型车辆而言，汽油是其主要 的燃料，汽油燃烧产生的尾气是影响大气环境的重要 因素。辛烷值反映了汽油的燃烧性能，然而当前的 脱硫催化裂化汽油技术，使汽油的辛烷值大大降低。 因此提高辛烷值是提高经济效益和改善环境的一个 重要手段 [2]。
①本文为“华为杯”第十七届中国研究生数学建模竞赛二等奖
论文。
如下。 1）遍历整个数据表，将采集值缺失过多的样本
及位节点删除。经过筛选，共删除 12 个位节点，具 体名称如表 1 所示。这类位节点由于信息缺失过多， 因此不能清晰体现该位节点对辛烷值损失的影响。
汽油调合优化神经网络模型的研究
汽油调合优化神经网络模型的研究随着汽油产业的迅猛发展，汽油调合问题逐渐成为一个技术性问题。
调合汽油时，技术工作者必须充分考虑物理和化学因素，从而获得最佳调合参数。
以往，人们主要采用经验方法对汽油进行调合，这种方法虽然具有一定效果，但无法真正满足企业对调合精度的要求。
为了解决这一问题，研究人员引入了神经网络模型，用以提高汽油调合的精度。
神经网络模型是一种特殊的模式，它具有记忆和学习特性，能够从输入层收集信息，并将信息传递到输出层。
在汽油调合问题中，输入层与输出层之间的连接可以让神经网络模型自动识别各种参数的相互作用，从而形成一个“完美”的汽油调合模型。
然而，在汽油调合的过程中，神经网络模型也存在一定的局限性。
首先，神经网络模型对数据量和训练时间都有较高的要求，这限制了它所能达到的调合效果。
其次，在因素繁杂和参数变化时，神经网络模型往往无法给出较好的结果，这也可能会影响汽油调合的效果。
因此，为了克服神经网络模型在汽油调合中存在的局限性，研究人员借助分布式计算技术，采用混合计算平台和知识发现系统对神经网络模型进行优化。
首先，利用混合计算技术，将内部参数的变化情况实时反馈到外部参数中，从而使模型能够更好地适应实际业务需求；其次，通过知识发现系统，实时整合参数相互作用的属性，从而实现全面的数据挖掘和信息提取。
在此基础上，研究人员对神经网络模型进行了多方面优化，使其能够以更高的精度进行汽油调合。
例如，采用改进的全连接层和正则化技术，提高神经网络模型的学习能力；利用深度优化算法，改善神经网络模型的收敛率；同时应用遗传算法，优化模型的设计参数，最大限度地提高汽油调合的精度。
通过以上改进，神经网络模型可以有效地解决汽油调合问题，能够有效提高汽油调合的精度，满足企业对汽油调合效果的要求。
今后，在催化剂、燃料、润滑油等汽油相关领域，可以使用神经网络模型进行调合，以期在实现较高的精度的同时减少时间成本，有助于提高企业的经济效益。
基于图卷积神经网络汽油单体烃辛烷值的预测
择 最 终 纳 入 模 型 的 基 团。Ｇａｎｉ 等［１３］将 拓 扑 指 数 与 ［１４１６］ 基 团 贡 献 法 结 合，命 名 为 升 级 版 基 团 贡 献法 （Ｇｒｏｕｐｃｏｎｔｒｉｂｕｔｉｏｎ＋ ）；Ｈｕｋｋｅｒｉｋａｒ等［１７１８］ 将 Ｇａｎｉ团队开发的 ２ 种 基 团 贡 献 法 进 行 对 比，认 为升级版基团贡献法的预测效果更好。
控制与优化
石 油 炼 制 与 化 工 ＰＥＴＲＯＬＥＵＭ ＰＲＯＣＥＳＳＩＮＧ ＡＮＤＰＥＴＲＯＣＨＥＭＩＣＡＬＳ
２０２１年 ７月 第５２卷 第７期
¡¢£¤¥¦§&¨s©ª«/¬
崔 晨１， 何 杉１， 吕 文 进１， 张 霖 宙２， 周 祥１
（１． 中国石化石油化工科学研究院，北京 １０００８３；２． 中国石油大学 （北京） 重质油国家重点实验室）
图卷积神经网络省略了基团贡献法中定义和 筛选基团的繁琐过 程，实 现 了 特 征 筛 选 的 自 动 化， 降低了建 立 模 型 的 难 度。 基 于 此，本 课 题 在 图 卷 积神经网 络 神 经 指 纹 法 的 基 础 上 引 入 池 化 操 作， 建立改进的神经指纹（ＲＮＦＰ）方 法，用 单 体 烃 沸 点 和临界温 度 ２ 种 数 据 集 验 证 ＲＮＦＰ 方 法 的 可 行 性，并基于 ＲＮＦＰ 方 法 建 立 的 单 体 烃 辛 烷 值 预 测 模 型 ，考 察 该 模 型 预 测 汽 油 单 体 烃 辛 烷 值 的 效 果 。
第７期
崔 晨 ，等 ．基 于 图 卷 积 神 经 网 络 汽 油 单 体 烃 辛 烷 值 的 预 测
８３
１ 犚犖犉犘 方法介绍
ＲＮＦＰ 结构建立 在 ＮＦＰ 结 构 的 基 础 上，其 核 心原始输 入 包 括 分 子 的 二 维 图 结 构、分 子 中 各 原 子和化学键的特征。这些特征均由查询开源的化 学信息软件库获得。ＲＮＦＰ 中涉及３种核心操作： 合 并、图 卷 积 和 池 化，其 中 池 化 操 作 的 引 入 是 ＲＮＦＰ 与 ＮＦＰ 网络结构最大不同。
汽油调合优化神经网络模型的研究
汽油调合优化神经网络模型的研究
汽油调合优化神经网络模型的研究是一项重要的技术，它可以帮
助大大减少汽油的消耗，同时提高发动机的燃油效率。
汽油调优的目
的是使发动机的工作条件与要求的条件完全符合。
汽油调优不仅可以
减少石油的消耗，而且可以减少发动机的污染物排放，从而达到降低
能源开支的目的。
为了汽油调合优化神经网络模型的研究，主要从发动机运行条件、发动机排放物分析及控制及汽油调优参数设置这三个方面来考虑。
首先，根据发动机实际的运行工况，对发动机的相关参数进行测量和检查，并建立发动机的工况模型，也就是运行特性曲线。
然后，根据发
动机的运行特性曲线，分析其他有关参数和系统中发动机应用的汽油
等组分的比重，确定汽油调优参数设置，如汽油类型、汽油增加剂、
添加剂等。
最后，调优完成之后，通过比较不同条件下发动机的排放
物分析结果，来衡量汽油调优的效果。
要实现汽油调合优化神经网络模型的研究，必须开展有关技术的
研究。
目前，采用神经网络模型来研究汽油调优的参数设置的优化方
案正在得到越来越多的重视。
神经网络模型具有计算快速、准确性好、适用性强和参数独立性等优点，使得这一技术可以更好地实现汽油调
合优化。
此外，还可以利用先进计算及分析技术，如模拟、仿真等，
来更加准确地评估参数设置的优化方案，以保证发动机的正常运行。
总之，汽油调合优化神经网络模型的研究正在步入正轨，将能够大大
改善发动机的燃油效率，减少汽油的消耗，提高发动机的燃油效率，
并降低能源消耗。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
汽油辛烷值神经网络预测模型的设计X秦秀娟 陈宗海(中国科学技术大学自动化系·合肥,230027)摘 要 针对催化重整工艺仿真数学模型中遇到的汽油辛烷值预测方面的困难,提出一种将定量计算与神经网络计算相结合的催化重整工艺汽油辛烷值的预测模型。
此预测模型综合考虑了反应器温度、压力和进料空速比等对汽油辛烷值的影响。
关键词 串、并联BP 神经网络,汽油辛烷值,重量平均入口温度分类号 T P 391.91 引 言 随着国内、国际石化市场竞争的日益加剧,提高产品质量和企业人员的生产素质是各石化企业增强自身竞争力的关键因素。
企业的这种需求要求以培训普通操作工为最初目的的仿真器向以培训高素质的优化操作员为目的的智能仿真器发展。
此类智能仿真器加载有产品质量预测器以及过程优化器等。
经智能仿真器训练过的优化操作员能充分发挥现有生产装置的生产能力,提高企业的生产力。
对于以生产高辛烷值汽油(重整油)为目的的催化重整工艺,其汽油质量的预测以及据此优化调整操作点显得尤为重要。
目前国内外比较成熟的汽油辛烷值预测模型是莫比尔公司的13集总催化重整[1]模型。
但由于此模型中的动力学参数需要经过一些严格的动力学实验才能测定,这在实际应用中很难做到,并且13集总模型的计算量大,难以满足仿真器的实时性要求。
近年来,神经网络理论的发展为数据拟合提供了一种智能化的方法,使我们能够利用神经网络的串联和并联结构来拟合某些难以定量计算的工艺变量对汽油辛烷值的影响。
本文从反应机理的定性分析入手,介绍了将定量计算和神经网络技术相结合的汽油辛烷值预测模型的建立过程,并给出运行结果。
2 工艺背景 石脑油催化重整的目的是生产高辛烷值的汽油(重整油),供芳烃生产使用,或用作汽油调合的主要成分以及产生富氢气体。
其主要设备如图1所示。
图1 催化重整工艺反应器部分流程图V ol.14N o.2CON T ROL A N D D ECI SI ON M ar.1999X 1997-11-03收稿,1997-12-15修回 经过预处理的精制石脑油经过反应器各自加热炉的预热,变成油气经过装有一定比例催化剂的反应器。
在催化剂的作用下,石脑油中的烃类分子重新排列组成新的分子结构——高辛烷值的汽油及芳烃。
汽油辛烷值的提高主要是在催化重整反应器中完成的。
反应器中进行的主要化学反应有: 4)异构化反应n C 7H 16Z i C 7H 16 5)加氢裂化反应n C 7H 16+H 2Z C 3H 8+i C 4H 10 上述反应中,1)～4)是提高汽油辛烷值的反应。
3 汽油辛烷值预测模型 为了得到随反应系统操作条件变化的汽油辛烷值预测模型,根据生产工艺的特点和工业生产的许可,认为前段进料准备工艺运行正常,即假定进料的组分、温度及压力不变。
3.1 汽油辛烷值预测模型的结构前面述及汽油的辛烷值很难从反应器的机理模型中计算出来,然而人们在催化重整企业的生产实践过程中积累了大量的经济数据,再经过应用化学专家们的数据处理,得到了一些主要工艺变量与辛烷值的数据关系,诸如:重量平均入口温度(WAIT )与辛烷值(RON )的关系,重量平均入口温度对重时空速比(WHSV)的校正关系,以及重量平均温度对压力(P )的校正关系。
这些数据为神经网络的学习提供了验前知识和指导经验。
其中:1)重量平均入口温度(WAIT )被认为是反应器温度的代表。
定义为WAIT =∑4i =1(催化剂Ri 的重量×T i )催化剂的总重量(1)式中,T i 为反应器R i 的入口温度,R i 为反应器R i 中的催化剂重量。
重量平均入口温度(WAIT )与辛烷值(RON)的数据关系为:WAIT 高,则RON 提高,但不是严格的线性关系。
2)重时空速比(W HSV )是进料量的代表。
定义为WHSV =进料重(1h)催化剂重量(2) 重时空速比(WHSV )与重量平均入口温度(WAIT )的校正关系为:重时空速比降低,要保持辛烷值不变,需降低重量平均入口温度。
即升高WHSV,会导致RON 降低。
3)压力(P )是反应器压力的代表。
通常由最后一台反应器的入口压力来确定。
压力(P )与重量平均入口温度(WAIT)的校正关系为:降低压力,要保持辛烷值不变,需152控 制 与 决 策1999年降低重量平均入口温度。
即升高压力(P ),会导致辛烷值(RON)降低。
WAIT 、WHSV 和P 是反应动力学的3个主要变量。
预测模型结构如图2所示。
图2 预测模型的结构示意图图中,神经网络NN 0($W AIT )用来记忆$WAIT 与辛烷值RON 的关系,NN 1(WHSV)用来记忆重时速WH SV 与$WAIT 的关系,NN 2(P )用来记忆压力P 与$W AIT 的关系。
这样通过3个BP 神经网络的并、串联,影响汽油辛烷值的3个主要反应动力学变量就包括在预测模型中。
根据以上分析,辛烷值预测模型有如下形式RON =NN 0($WAIT -H 1õNN 1(WHSV)-H 2õNN 2(P ))(3)式中,NN i (A )是一输入变量为A ,输出神经元只有一个的前向BP 神经网络;$WAIT 是根据式(1)计算出的重量平均入口温度(WAIT )与508℃的差值;H 1,H 2是修正因子,根据专家经验或实际数据辨识确定。
3.2 辛烷值预测模型中的神经网络辛烷值预测模型中的神经网络结构如图3所示(以NN 0($WAIT )为例)。
图3 辛烷值预测模型中 的神经网络结构网络具有一个输入层,一个隐含层和一个输出层。
隐含层有5个神经元,输入、输出层分别有一个神经元。
对于输入信号,要先向前传播到隐节点,经过作用函数后,再把隐节点的输出信息传播到输出节点,最后得到输出结果。
节点的作用函数取为S 型函数,即f (x )=11+e -x (4)神经网络的学习采用BP 算法,即具有自适应学习速率的误差反向传播算法调整网络的权重值和阀值。
当训练达到某一事先指定的循环次数或误差达到一定的误差指标后结束。
但由于基本BP 学习算法存在一些缺点,我们采用了一种附加记忆法来改进BP 学习算法。
在基本BP 算法中,权值和阀值的修正公式为$W ij (p )=G õD j (p )õy i (p )(5)$H j (p )=G õD j (p )(6)而在附加记忆法中,并不对每一个样本逐个修正,而是将所有样本产生的修正量进行累加,学习一次,修正一次,而且这次学习的权及阀值的更新要适当考虑到上一次的权及阀值的更新值。
因此我们采用新的权、阀值更新量,即第14卷第2期秦秀娟等:汽油辛烷值神经网络预测模型的设计153$W ij (p )=G ∑nD j (n )õy i (n )+m $W ij (p -1)(7)$H j (p )=G ∑n D j (n )(8)W ij (p )=W ij (p -1)+$W ij (p )(9)Hj (p )=H j (p -1)+$H j (p )(10)式中,p 为学习次数,n 为样本总数,m 为记忆因子(一般选取0.0～0.9之间的某一值)。
将$WAIT 与RON 之间,WHSV 与$W AIT 之间和P 与$WAIT 之间的关系分别训练NN 0、NN 1和N N 23个神经网络。
在586/166上需15min 左右(大约学习40万次),神经网络的预测值与实际采集的样本值间的误差小于1%。
最后将得到的神经网络嵌入预测模型中。
4 仿真结果 将辛烷值预测模型嵌入催化重整的模型中,进行仿真实验,其运行结果如图4所示。
图4(a )中,曲线a 为经NN 2预测出的$WAIT (℃)(-3.5～-1.2),b 为反应器压力P (M Pa )(0.3～0.47);图4(b)中,曲线a 为进料空速比(0.5～3.0),b 为经N N 1预测出的$WAIT(℃)(-10～-3.0);图4(c )中,曲线a 为经NN 2预测出的$WA IT (℃)(-4～-0.5),b 为3个$WAIT 之和(℃)(-20～35),c 为经式(1)计算出的$WAIT (℃)(-100～30),d 为经NN 1预测出的$WAIT (℃)(-10～- 3.2);图4(d)中,曲线a 为3个$WAIT 之和(℃)(-20～35),b 为经NN 0预测出的汽油辛烷值RON (85～106)。
图4 辛烷值与主要工艺变量曲线(a ) 反应器压力和经N N 2预测出的$W A IT (b ) 进料空速比和经N N 1预测出的$W A IT(c) 各个$WA IT (d) $W AI T 和经N N 0预测出的汽油辛烷值RON结合本文的研究项目已通过部级组织的鉴定,测试组参照实际生产结果对其进行了完整的测试后认为:模型的预测结果与化验分析结果的误差小于5%。
用户反馈信息是参照预测结154控 制 与 决 策1999年第14卷第2期秦秀娟等:汽油辛烷值神经网络预测模型的设计155果调整操作点,可节能0.8%,产品质量稳定性增强,可带来年效益300万元。
由此可以看出,一方面,BP神经网络对样本学习范围内的数值的预测效果很好,误差小于1%;另一方面,由定量计算和BP神经网络的串、并联结构相结合的辛烷值预测模型的预测结果,很好地反映了重量平均入口温度(WAIT)、重时空速比(WHSV)和压力(P)对汽油辛烷值的影响,并且预测结果与现场数据的误差小于5%(因实际生产中进料不可能不变)。
5 结 论 本文提出了一种神经网络理论在智能仿真器中的应用方法——将神经网络的串、并联结构与模型的定量计算相结合的方法。
这种方法有效地解决了定量计算难以解决的问题,为神经网络在智能仿真器中的大范围应用奠定了实践基础。
参 考 文 献1 翁惠信,毛信军.石油炼制过程反应动力学.北京:烃加工出版社,1987.202—2422 J Savkovic-s tevanovic.Neural net controller by inverse modeling for a dis tillation puters Chem E ngng, 1996,20(Suppl):925—9303 J Savkovic-stevanovic.Neural n etw ork process analysis and op tim ization:M odeling and puters Chem Engng,1994,18(11/12):1149-11554 焦李成.神经网络系统理论.西安:西安电子科技大学出版社,1992.34—40The Design of the Neural Network Modelfor Predicting Gasoline RONQin X iuj uan,Chen Zong hai(University of Seince and T ech nology of Chin a)Abstract A neur al net wo rk mo del fo r pr edict ing g asoline R ON is pr oposed.A co nca tena te and par ellel BP neur al netw or k co mbined with quantit y co mputation is used in this mo del.T his predicting mo del takes int o account three impo rt ant var ibles t hat affect gaso line R ON——the tempera ture,t he pr essur e and the flo wing ra te of the co ntinuo us r efor ming reacto r.Key words concatenate and par ellel BP neural netw o rk,the g asoline R ON,w eight aver ag e inlet temper a-ture作 者 简 介 秦秀娟 女,1972年生。