汽油组分辛烷值预测改进_李为民

第10卷第3期1998年9月

江苏石油化工学院学报

JOU RN AL OF JIAN GSU INST IT UT E OF PETROCHEM ICAL TECHN OLOGY

Vol110N o13

Sep11998汽油组分辛烷值预测改进*

李为民邬国英单玉华李亮文戈1

(江苏石油化工学院化学工程系,常州213016)

摘要基于人工神经网络(BP)方法,用毛细管色谱法对南京炼油厂29个汽油馏分样本进行全馏分分析,从色谱图中取出7个正构烷烃峰作为特征峰,共构成15个虚拟组分,用于关联预报汽油组分的辛烷值,定性工作量大为减少。所建立的人工神经网络拓扑结构为15-7-2,学习速率为012,动量因子取019,人工神经网络训练次数为4000次,训练集样本19个,检验集样本10个,其辛烷值预测最大绝对误差为0128,平均误差为01122,比常用的线性回归数学模型法更能准确地预报辛烷值。关键词人工神经网络;汽油;辛烷值

分类号T P18,TE626121

汽油的辛烷值是检验汽油质量最重要的性能指

标之一。传统的方法是用600r/min和900r/min 的单缸发动机来测定,以表示发动机高转数和低转数时的汽油抗爆性。该方法所需的油品量达数百毫升,且设备昂贵,测定手续烦琐。特别是样品用量,对于实验室来说尤为不便,因为实验室的微反装置生产出的产物量往往不够满足马达法与研究法测定所需的用量。因此,国内外研究人员采用多种方法112来取代马达法与研究法。最常用的是毛细管气相色谱法12,32,该方法把汽油组分色谱图分成31个虚拟组分,求得每个虚拟组分的重量百分数,再乘以每个组分相应的有效辛烷值,加合起来就得到汽油的辛烷值。该法也存在如下缺点:对未知汽油色谱图中各虚拟组分的定性工作量大,需要用21种标样标定,及各虚拟组分的有效辛烷值需用大量的实验数据回归,工作量巨大。

为了克服以上缺点,减少汽油组分色谱图中虚拟组分数是问题的关键。本研究采用人工神经网络方法对汽油的辛烷值与组成的关系进行关联预报,从色谱图中选取7个正构烷烃峰作为特征峰,从而使虚拟组分数由31个减少为15个,所需标样也由原来的21个减少至7种正构烷烃,定性工作量也大大减少,而预测精度有了较大的提高,取得了满意的结果。1实验部分

111仪器

1102G气相色谱仪上海分析仪器厂色谱柱0132mm@50m弹性石英毛细管固定液OV-1

检测器FID

112样品来源

南京炼油厂各种汽油组分

113定性方法

色谱纯标样定性

114定量方法

峰面积归一化定量

2BP人工神经网络

BP网络的学习过程由正向传播和反向传播组成14,52。正向传播时,将训练样本集中的任一样本置于网络的输入层,经隐含层处理,在输出层得到

*中国石油化工总公司资助项目。1本院化学工程系石油加工专业97届本科毕业生。

收稿日期:1998-06-11

该样本对应的输出值。反向传播时,则是根据输出值与期望值的误差调整网络中的各个权值,以使其输出值与期望值误差在允许范围,整个学习过程按正向传播和反向传播循环反复进行,直至网络收敛。

按照正向传播过程,在网络输出层第j 个节点的输出值可表示为(以图1所示的三层网络:即输入层,隐含层,输出层为例):

y k

j =F (

E h

W hj F (E

W ih x k

i )

式中:x k i 表示训练样本中第k 个样本的第i 个分量,W ih 、W hj 分别表示输入层与隐含层、隐含层与输出层之间的连接权值,F (#)为节点转移函数,为sigmoid 函数。一般来说,y k j

与其相应的期

望输出值T k

j 之间存在误差。故定义:

K k (W )=1/2E j

(T k j -y k j )2

为第k 个样本的误差函数,当样本集中有p 个样

本时,则总的系统误差为:

K (W )=

1

2P

E

k

E j

(1-y k j T k j )2

显然这是一个非线性函数,BP 的学习过程(即求解权值W ih 、W hj 的过程)实质上就是非线性函数的极值求解过程,因而可以用求非线性函数总体极

值的方法求解上式,从而得到网络的全局最优解W 。本文用C

语言编程进行网络的学习与预测。

图1 BP 网络

3 结果与讨论

311 人工神经网络输入与输出节点的确定

汽油是由正构烷烃、异构烷烃、芳香烃、烯烃、环烷烃及其它非烃化合物组成的复杂混合物。前人研究表明各种烃类对汽油辛烷值的贡献是不同的,芳香烃类、异构烷烃、烯烃较大,正构烷烃较

小。鉴于此,把南炼汽油馏分色谱图分为15个虚拟组分,即:n C 4~n C 107个正构烷烃组分及之间的8个组分,该15种组分作为BP 网络的15个输入节点,输出节点为研究法与马达法辛烷值2个节点。

312 隐含节点的确定

在网络建立过程中,一般采用三层拓扑结构(见图1)。建立合理的拓扑结构就是要选取合理的隐含节点数目,隐含节点数的选择是一个十分复杂的问题,本研究主要通过检验来确定,即由预测结果的好坏来确定隐含节点数目。利用19个学习样本对隐含节点的拓扑结构进行测试,得到10个预测样本的预测平均误差结果见表1:

表1 不同的拓扑结构隐含节点检验结果

网络拓扑结构学习速率动量因子训练次数学习误差预测误差15-9-2012019

15200

010*******

15-8-201201918200010101008715-7-20120194900010101009315-6-20120193900010101011315-5-2

012

019

3500

0101

010151

根据上表的结果,15-7-2的拓扑结构,其预测的平均误差较小,而且迭代次数也不多,而15-8-2及15-9-2的预测平均误差虽也较小,但训练次数却大大增加,学习时间也相应变长,因此选用15-7-2拓扑结构,即15个输入节点、7个隐含层节点,2个输出节点。

313 人工神经网络训练过程

训练次数和网络的预报能力是考察人工神经网络优劣的主要因素。本研究目的是能够对未知样本提供可靠预测结果的模型,同时又不希望训练次数太多、学习时间太长。为此,我们在29个实验样本中,选取10个样本作为检验集,其余的19个样

本作为训练集,学习速率对迭代次数影响较大,本模型取012,动量因子取019。并对输出节点数据即辛烷值作归一化处理,得到训练集平均误差及检验集平均误差与训练次数的关系见图2。由图2看出,随着训练次数的增加,训练集与检验集的误差下降,但当训练次数达到一定值后,尽管训练集的误差还在下降,但检验集的误差开始增加。如果继续训练下去,所得的模型用于预测未知样本时,其结果的可靠性下降。因此,在本研究的网络训练

#

40#江 苏 石 油 化 工 学 院 学 报 1998年