优化建模和实证研究基于数据分析汽油辛烷值的损失

文摘

汽油是一种最消耗光石油产品在运输和其他行业。本文提出一种方法,使用数据分析技术优化汽油辛烷值损失旨在优化生产过程,减少汽油辛烷值的损失。首先,数据筛选和高维数据减少构造遗传算法优化的神经网络预测模型。利用预测模型后,最优操作条件。其次,确保汽油排放符合标准,减少辛烷值损失通过调整操作变量。第三,实际数据收集和计算获得的主要操作变量及其最优操作条件影响石化公司催化裂化汽油S-Zorb单元,从而为公司使用S-Zorb单位提供参考数据优化汽油催化裂化过程。第四,通过对比验证了提出方法的优越性的其他方法。本文将有助于更好的建模汽油催化裂化的进展充分考虑多种因素的影响,提高成品油的质量的化学企业,化工企业节约经济成本,保护大气环境。

1。介绍

作为世界上最消耗光石油产品,汽油是汽车的主要燃料之一。2018年,全球汽车消费是950万1]。同年,汽车行业消耗大约104万ktoe的汽油,而交通行业消耗265万ktoe石油产品在世界各地,汽车工业占近一半的总消费2]。汽油燃烧的废气排放对大气环境产生很大的负面影响(3- - - - - -6和居民的健康7]。2018年,交通行业排放的温室气体占全球总排放量的20% (8]。因此,清洁的汽油是世界上所有国家的一项重要的任务来净化空气污染。清洁汽油生产的一个重要问题是保持原油的辛烷水平作为其燃烧性能指标,同时减少原油的硫和烯烃含量,提高成品汽油的质量。

分析和建模的汽油催化裂化、高复杂性的炼油技术和设备的多样性导致了操作变量之间的非线性关系的控制设备和强耦合。前面的分析模型有更少的变量(9- - - - - -13),和原材料的模型有更高的要求14- - - - - -16),导致滞后的反应的优化过程模型;有更多的杂质和获得的成品油更糟糕的燃烧性能,造成一定的经济损失。为避免不必要的损失,建模过程需要优化。

本文提出了一种新颖的想法:在数据分析的基础上,优化汽油催化裂化过程建模和实际数据收集来验证这个想法的可行性。本文将有助于更好的建模进步的催化裂化汽油充分考虑多种因素的影响,优化生产过程,减少汽油辛烷值的损失。

本文分为七个部分。除了介绍,第二部分是文献综述;第三部分介绍了研究的想法,数据源,数据降维处理过程和构造预测模型;第四部分提出了预测结果;第五部分分析后获得的经济效益减少辛烷值损失;第六部分显示了强劲的测试与PCA方法;第七部分给出了结论和未来研究的方向。

本文的研究观点有以下步骤:(1)数据收集。石化公司的历史积累数据S-Zorb收集装置,包括操作变量数据,原料数据、产品数据和催化剂数据。调整后的数据频率差异,形成325个样本。(2)数据清理。最大和最小限制方法,PauTa标准,和空值处理方法用于处理值,异常数据和异常的测量变量消除。(3)数据降维。处理数据的维数减少了局部线性嵌入方法。测量变量保留根据显示的重量,以确保所选变量代表。然后,这些变量是检测相关系数去除冗余变量相关系数过高,以确保变量之间的独立性。(4)模型建立。上述降维变量和辛烷值的损失值,基于遗传算法的BP神经网络模型,建立了和最优辛烷值损失预测模型得到调整后的参数。(5)结果预测。使用最佳的辛烷值损失预测模型,预测和加权平均后根据脱硫标准,主要操作变量的预测最优操作条件。(6)效益分析。与预测的最优操作条件,节省成本,减少辛烷值损失与原始操作条件的成本相比明显显示出经济效益。(7)健壮的测试。主成分分析方法用于数据降维的一步。

GA-BP模型也是构造,健壮的拟合程度测试测试。

流程如图1。

本文提出了一种面向应用的方法。与先前的研究相比,本文的可能创新如下:(1)局部线性嵌入降维算法是用来降低高维数据的维数。传统的线性降维方法,如主成分分析和因子分析,不适当的适合这些高维数据。本文中使用的局部线性嵌入可以将高维变量数据映射到低维向量空间的基础上维护数据之间的关系,减少和优化维度建模过程。(2)一个BP神经网络模型优化的基于遗传算法用于预测汽油辛烷值的损失。先前的研究大多从化学的角度实现机制,降低成品油的辛烷值损失通过调整设备配置或化学过程,原材料属性,等等。另一方面,大量的变量和工厂提供的时间序列数据,传统的回归分析是很难被应用,因为自由度的损失是严重的。分析操作变量对汽油辛烷值损失的影响,通过数据分析技术,为企业提供了操作条件以减少汽油辛烷值的损失从一个新的角度,可以进一步优化操作计划基于成品油生产的机制。

2。文献综述

石油资源和成品的清洗效率的最大化目前化学工业面临的问题。完成产品的清洗,主要指标是减少硫和烯烃含量的成品。效率最大化,主要指标是保留的辛烷值(研究法辛烷值,罗恩)成品,这是最重要的指标反映汽油的燃烧性能,也是品牌的汽油。

用于炼制石油催化裂化技术破解重油通过热能的联合行动和催化剂,把它变成了天然气,汽油,柴油17]。在催化裂化过程中,烟气脱硫(使用18- - - - - -20.),与烯烃转化为液化石油气的副产品。使用这种技术的光油具有较高的生产率和辛烷保留好。进一步提高催化裂化技术有利于更好的清洁成品和最大效率。

在过去,对催化裂化技术的研究主要关注机制模型和技术改进。萨拉查et al。21)提出了一个过程升级富氮和高硫重油原料,减少氮和硫的内容,同时增加了辛烷值。眉毛et al。15)的影响研究各种类型的催化裂化原料成品中硫化物的分布和硫化物的形成机理,在此基础上提出。深色et al。14]研究了硫杂质的可能来源,讨论了各种因素影响加氢脱硫和烯烃加氢反应,如催化剂、载体性质,和添加剂,介绍过程保留FCC汽油的辛烷值。李等人。22]提出了选择性加氢脱硫(RSDS-I)技术,显示了优越的脱硫在工业应用的能力。李等人。23]选择CoMoP /η状态”₂O₃作为催化剂来降低硫含量的煤焦油轻油(CTLO),这是一个潜在的材料生产高辛烷值的汽油混合组件。Ayoub和马苏德(24)进行加氢脱硫的发展作为替代液化石油气体的清洁生产。杨et al。16]分析了影响汽油辛烷值的变化的主要因素,如原料的性质、催化剂、操作条件和设备。Hasheminejad et al。25)设计了一种新材料的吸附脱硫达到降低燃料硫水平。秦et al。26)建立了一个模型,FCC过程在分子层面采用structure-oriented把(SOL)方法探讨影响反应堆的直径扩大。建立的模型可以计算分子水平上产品销售从反应器入口到出口减少汽油的烯烃含量,提高iso-paraffins内容。李等人。27)提出了一个高效优化相应的烯烃分离操作条件。他们研究了溶剂萃取法提取分离烯烃和硫化物同时保护损失在加氢脱硫的罗恩。

也有学者进行研究,利用数据分析技术建立相关模型。秦和陈11)提出了一种神经网络预测模型对汽油辛烷值,但只有三个影响变量被认为是:温度,压力,流量连续重整反应器。魏(28)使用了主成分分析和BP(反向传播)神经网络处理气体传感器阵列的响应信号和分析数组来汽油、乙醇、以及它们的混合物。杨et al。13)使用了一个BP神经网络模型优化的遗传算法(GA-BP)建立汽油混合模型。Paranghooshi et al。10]利用人工神经网络(ANN)模型来确定混合汽油的辛烷值由大不里士炼油厂。程和彝语(29日)神经网络提出了一种基于模型的预测控制方法,FCC轻油的醚化。Zhang et al。30.)相比,BP模型的准确性和GA-ANN模型在预测汽油重油催化裂化装置的输出单元。苏et al。31日]GA-BP模型用来预测焦炭为主要副产品的生产在催化裂化反应。欧阳et al。9)使用19建立BP神经网络输入变量的影响,研究原料预热温度、两个反应区出口温度,反应产品分布的压力。他们还使用了遗传算法优化的操作变量,优化后,汽油产量显著提高。田et al。12]利用粒子群优化(PSO-BP)神经网络预测法精制柴油硫含量与操作参数和BP的性能相比,GA-BP, PSO-BP。程等。32)的BP神经网络PID控制相结合,优化控制器的参数,并应用催化裂解天然气的流量控制,以控制重油的最终产品的浓度。Zhang et al。33)建立了一个非随机两个液体模型和模拟方法对FCC石脑油溶剂萃取过程完全改善裂化石脑油的组件的结构,旨在生产超低硫汽油的辛烷值的损失。这位设计师等。34)人工神经网络应用于预测保护掺假掺杂物的体积百分率汽油设置的基础上自动蒸馏装置测量体积和温度中恢复过来。马等。35]澄清机制研究法辛烷值(RON)和运动辛烷值(MON)的汽油受到初始化学热力学条件和燃料。他们提出了一个混合的分析框架,结合瞬态跟踪方法和数据驱动建模算法实现快进燃料ONs的预测和分析。

总之,优化催化裂化汽油的过程中,学术界主要原材料属性修改和优化的步骤和设备汽油催化裂化过程从化学工业的角度。当使用数据分析来调整相应的催化裂化操作变量来实现优化,大多数研究选定的几个变量,很难充分考虑多种因素的影响。本文希望在这方面的贡献。

3所示。数据和方法

3.1。数据源

原始数据的历史积累的数据是催化裂化汽油S-Zorb石化公司的单位。操作变量数据来自实时数据库。集合时间是从2017年4月到2020年5月,共有353个操作变量网站收集。从2017年4月到2019年9月,数据收集的频率是3分钟/次;从2019年10月到2020年5月,数据收集的频率是6分钟/次。数据时间范围对原材料、产品和催化剂从2017年4月到2020年5月。原材料和产品的辛烷值是一个重要的建模变量。自从辛烷值很难测量,数据收集的频率是每周两次。数据收集的频率的差异是根据实际情况调整。辛烷值的测量值可以被看作是综合效应在两小时前。 The value of the manipulated variable is the average value of the previous two hours, which corresponds to the measured value of the octane number at that moment, resulting in 325 samples with a fixed time interval of two weeks (see Supplemental materials: S-Table1)。

3.2。数据清理

企业设备以来操作连续4年,有必要提高记录数据的准确性和有效性。在建模之前,数据需要整理。在样本的原始数据,大多数的变量数据是正常的,但每个设备的一些数据问题,一些变量只包含数据段的一部分,和一些变量的数据都是空值或null值的一些数据。因此,本文为后续研究将处理原始数据。

首先,根据化工工艺要求和操作的经验,原始数据变量有一定的操作范围(见补充材料:年代桌子2),最大和最小限制方法去除一些样品,不在这个范围之内。

第二,离群值删除(根据PauTa标准标准)。变量与同等精度测量, 获得,是样品的数量。算术平均和剩余误差 计算,标准误差决定根据贝塞尔公式如下:

如果残差 一个特定的测量值满足 , 被认为是一个坏值较大的误差值和消除。

最后,null值的测量变量的数据样本处理。后计算,平均每一列的null值的数量计算和判断不完整的数据定义为临界点。如果null值在测量变量的数量超过这个临界值时,认为在本专栏中有太多的不完整的数据的数据,这将影响拟合优度,所以这种类型的测量变量消除。计算后,不完整的数据判断的临界点是104,和16个测量变量消除处理后(见表1)。

3.3。数据降维

建模时,需要降低维度的变量。降维有利于筛选出操作变量对辛烷值产生最大的影响在催化裂化过程中,忽略次要变量,并提高应用程序的效率。由于大量的变量,它们可以被认为是高维数据;彼此之间存在非线性关系;非线性降维算法更适合于上述情况。

3.3.1。米歇尔算法

本文利用局部线性嵌入(米歇尔)[36,37在非线性降维算法进行数据降维。相比与传统的PCA(主成分分析)减少样本方差方法,它保留了当地的线性特征样本时降低维数。米歇尔的原则是高维数据大约局部线性在一个很小的当地社区在欧几里得空间,这一定程度可以用线性最小二乘法的周边点。米歇尔使用线性拟合系数作为点的局部几何性质寻找数据的低维投影。该算法广泛应用于高维数据领域的特定算法(参见附录A)。

3.3.2。数据降维结果

在获得权重系数矩阵通过米歇尔算法,最高的29个控制变量权重权重系数矩阵中提取出来。化学过程中考虑到实际情况,“原材料的辛烷值”应该作为一个主要变量和包含在分析,导致30主要变量。

米歇尔的使用降维算法可以确保上述主要变量代表,然后可以通过计算确定相关变量相关系数。热力学图代表变量的相关系数图所示2。

从图可以看出2的一些变量与其他变量之间的相关性太高(相关系数的绝对值大于0.8),所以第七,12日和18日变量是删除。删除后,代表变量的相关系数减少(如图3),确保代表变量之间的独立性。

处理和测试后,27个变量最终保留为主要变量,具体主要变量见表2。

3.4。GA-BP模型建立

随着智能机器算法的发展,数据分析技术可用于解决数据维度过高的问题。本文建立了GA-BP神经网络模型来预测汽油辛烷值的损失,旨在调整操作变量和减少辛烷值损失的化学过程。

3.4.1。模型设计

反向传播(BP)神经网络(38- - - - - -45)是基于智能机器学习、非线性特性,良好的分类能力,多维函数和映射能力,在多元回归和具有强大的优势。它有一个输入层、中间层和一个输出层。从本质上讲,网络的平方误差作为目标函数,并采用梯度下降法来获取目标函数的最小值。计算过程分为两个部分:正向传播和反向传播。当计算错误方向前进,从输入层到输出层,反向调整过程是通过调整网络的权重和阈值误差信号的分布在每一层的网络误差沿梯度下降方向。(图4)

遗传算法(GA) [42,43)是一个平行的随机搜索优化方法基于生物进化理论来模拟自然的遗传机制。基于“适者生存”的原则,在自然界中,个人选择,交叉,变异;个人筛选根据选定的适应度函数,个人有更好的健身保留,和个体的适应性较差的消除。新组比前代的基础上继承上一代的信息。他们循环迭代,直到达到优化。

本地搜索优化方法,BP神经网络容易失败的非线性复杂问题。此外,BP算法也容易过度拟合。遗传算法优化神经网络学习规则,提高神经网络的计算效率;有必要建立一个动态神经网络结构,避免模型的最终结果是一个局部最优,而不是全局最优。因此,采用BP神经网络模型优化的基于遗传算法,即GA-BP模型(44)来预测产品辛烷值损失具体算法设计(见附录B)。

3.4.2。模型结果

输入层的神经网络上面的27个操作变量筛选中,输出层辛烷值损失价值和产品含硫量2变量和隐层节点的公式是什么 ,它被设置为7。为了提高神经网络预测的准确性,训练集的数量设置为300,测试集的数目设置为25。每个迭代是随机抽样的样本集。

遗传算法选择和调整参数后,最后设置参数如下:迭代的最大数量设置为25,人口规模60,交叉概率0.2,变异概率到0.05。最后的神经网络参数设置如下:学习速度为0.1,最小误差阈值设置为0.00001,最大迭代次数设置为100。

模型结构后,整体拟合优度GA-BP预测是52.51%,辛烷值损失的预测误差很小,和产品含硫量的预测误差很大。错误,错误的百分比,和健身预测值和真实值之间的曲线数据所示5- - - - - -7。优化神经网络模型训练后保存,这是汽油辛烷值损失的预测模型。

假定原材料的理化性质和备用和再生吸附剂在优化过程中保持不变(原材料的辛烷值和原材料的主要变量的含硫量也保持不变)。根据中国目前的标准GB 18352.6 - -2016,成品汽油产品的硫含量要求不超过10μg / g。为了让业务操作的空间,本文中含硫量的选择标准是不超过5μg / g。的25个主要操作变量对应于上面的样本,生成仿真样本根据变量范围和最小变化值,模拟变量的调试过程,减少辛烷值损失作为加权平均获得的最佳操作条件。

4所示。主要结果

总之,我们已经获得了石化企业的主要操作变量影响催化裂化汽油S-Zorb单元,以及最优操作条件当产品含硫量小于5μg / g,如表所示3。

上述结果为公司使用S-Zorb提供参考数据优化催化裂化汽油的过程。

5。经济效益分析

精炼过程中汽油与S-Zorb单位在现有石化企业,如果辛烷值减少1单位,相当于减少每吨23.055美元的经济损失。

因此,在这项研究中,罗恩的原始数据样本平均88.45个单位,和平均辛烷值的最佳操作条件下的产品是89.70单位。预测后GA-BP模型和操作条件的优化,产品的辛烷值损失减少1.25个单位。如果我们把2018年的汽车工业为例,计算到104万年汽油消费kt,这项研究的应用可以节省大约2997万美元的汽车工业在整个世界。

可以看出,减少汽油的辛烷值损失产品将给企业带来巨大的经济成本,也会减少空气污染和相应的治疗费用,所以本研究的结论可以在实践中提供了良好的经济效益。

6。健壮的测试

来验证该方法的可靠性和结论本文的主成分分析(PCA) (46)方法用于减少原始变量和样本数据的维数,然后GA-BP模型也是构造,其拟合程度是健壮的测试测试。

PCA旨在试图建立一套新的不相关的综合指标组成的原始指标不同的权重。因为它是必要的调整的操作变量S-Zorb设备实现减少辛烷值损失的目标,第一个26个变量也保留根据重量和变量“原材料辛烷值”是补充道。已经代表变量保留和不相关的,相关系数的计算是省略了。具体主要变量如表所示4。

然后,上面的主要变量是受雇于GA-BP建模。模型结构后,整体拟合优度45.36%性能类似的错误。错误,错误的百分比,和健身预测值和真实值之间的曲线数据所示8- - - - - -10。

它可以得出的结论是,总体符合善的PCA方法不如米歇尔的方法。在这项研究中关注300多个变量,PCA方法不恰当适用于这样的高维数据。

7所示。结论和讨论

7.1。结论

汽车交通污染的主要来源。数据分析的基础上,提出了一种新的研究辛烷值提取方法来控制汽车污染的危害源。本研究结果显示如下:(1)有27个主要变量人工保持降维后的局部线性嵌入方法和计算相关系数。D105温度,1.0 MPa蒸汽入口温度、脱氧水入口流量、净化空气进口流量、3 #催化汽油进气流量,再生烟气氧含量,D204液位,D203顶部出口管温度,D122排气管温度,D105上跨接松动风流量、回热器/再生器接收机压差,冷氮气过滤器我- 114压差,收料斗N2过滤器出口气体流速,锁斗H2过滤器出口气体流速,r - 102底喷嘴压差,我- 108过滤器压差,k - 101左排气温度,HV2533手运营商,e - 205入口管温度,S-ZORB。在- 0003,S-ZORB。在- 0010,脱气的汽油产品,加氢裂化石脑油摄入累积流量,8.0 MPa氢循环氢压缩机进气流量,8.0 MPa氢支持打击氢压缩机出口积累流,原材料的辛烷值,原始汽油的硫含量。(2)后采用GA-BP神经网络获得汽油辛烷值损失的预测模型,主要操作变量的最优操作条件(见表来实现3)条件下,产品含硫量小于5μg / g。与最优操作条件可以减少辛烷值损失的最佳效果。

上面的实现最优操作条件计算有利于以下方面:(1)提高成品油的质量的化工企业。通过调试上面的操作点和控制相应的操作条件如温度、流,或压差,企业可以提高成品的质量。(2)节约化工企业的经济成本。通过优化操作条件以减少辛烷值的损失,提高企业的经济效益。(3)保护大气环境。通过优化操作条件使成品油符合国家标准,这有利于减少硫的排放,减少空气污染。

7.2。未来的前景

在未来,可以进行以下研究方向。

首先,结合催化裂化过程和原则基于降维可以更好地选择结构模型的变量。

其次,神经网络具有相对高的要求的数据,但数据的质量和准确性的例子是不够的,因此,该模型有一个低程度的配合。在未来,可以收集更多的数据或数据预处理过程可以优化获得数据和更少的空值和异常值。

第三,数据分析技术的发展,可以使用其他智能机器学习算法在未来,和比较分析可以选择更好的方法(47,48]。

最后,对于汽车行业来说,可以开发研究如何减少能源消耗的汽车引擎。减少能源消耗,改善发动机的性能也是一个重要的方法减少汽油消耗和空气污染。

附录

答:局部线性嵌入

局部线性嵌入(36,37)如下。

. 1。局部线性范围

首先,解决局部线性范围再使用原则。由于局部线性,每个数据点可以表示为一个线性组合的最近邻数据点。也就是说, ,和 , ,在哪里是 列向量,是行的 , 是th最近的邻居 , , 而且, ,在哪里的尺寸是

解决了权重系数矩阵方法解决约束优化问题如下:

因此,权重系数矩阵的表达式可以推导出如下:

然后,查看作为当地的协方差矩阵, 。情商。a .)可以如下:

使用拉格朗日乘子, 在哪里是 列向量1的条目。

情商的导数。各)如下:

由信用证。低维表示

低维表示应该有相同的局部几何性质,所以相同的线性表达式是用来表示最后形成二次形式。因此,它映射到低维空间去解决以下约束优化问题:

输出结果 矩阵 ,低维空间向量的组成。用稀疏矩阵代表如下: 在哪里是列的 , 是单位矩阵的列 ,和是列的 。

所以,

使 再使用拉格朗日乘子的如下:

情商的导数。A.9)如下:

出具。把特征向量

可以看出实际上是矩阵的特征向量组成的 。减少数据维度,我们只需要最低非零特征值所对应特征向量的 。一般来说,第一个最小特征值接近于0,所以我们放弃它。最后,我们把前面对应的特征向量 从最小到最大的特征值。

基于遗传算法的BP神经网络

基于遗传算法的BP神经网络(38- - - - - -45)如下。

责任。初始化网络

首先,确定网络节点的数量,训练集和测试集,数据归一化。然后,个人与实际编码遗传算法初始化。每一个由四个部分组成,即权重矩阵在输入层和隐层之间,阈值向量隐层的权重矩阵隐藏层和输出层之间,阈值向量输出层,形成一个明确的神经网络。

B.2。BP神经网络

(1)向前传播:输入层 ,与权重矩阵在输入层和隐层之间。利用线性加权和法获得的净输入隐层的神经元 。净输入与阈值向量隐藏层,然后可以通过激活神经元的输出函数。Sigmod函数 选择这里作为激活函数实现信号变换。因此,的输出隐层神经元的如下: 然后,权重矩阵隐藏层和输出层之间使用相同的线性加权和法获得的净输入神经元的输出层 。净输入与阈值向量同样的输出层,然后神经元的输出可以获得Sigmod的逆函数如下: 真正的输出是 ,和的最小平方误差th预测结果如下: (2)向后传播:反向传播的目的是减少预测误差和优化神经网络。梯度下降法是用于更新和减少参数。参数调整公式如下: 在哪里是靠速度。上述参数,调整后的神经网络优化重复迭代和调整。(3)终止条件:当达到以下终止条件之一时,迭代停止和一个神经网络。(1)最小误差阈值达到(2)最大迭代次数达到

B.3。计算健身

跑后的神经网络训练集数据,得到预测系统输出为每个单独的和个人的健康的定义是错误的吗预测输出和实际产出之间的,公式如下: 在哪里输出节点的数量;预测的输出节点,的实际产出节点。

B.4。选择、交叉和变异

(1)选择:选择意味着保持高质量的个人,而消除质量差的个人。轮盘赌选择算法的选择操作。首先,计算个体被选中的概率: 在哪里 是健身的倒数,与适应性呈正相关;是系数,设定为1;和人口规模。然后,时间间隔分为间隔的长度,这是一样的个体将被选择的概率。位置间隔是由生成随机数,可以选择相应的个人形成一个新的人口。(2)交叉:十字架是新种群的个体交换基因片段产生新个体。因为个人是真正的编码,在这里真正的交叉方法是采用交叉操作。首先,个人在集团是判断与设置交叉概率进行交叉。公式之间的交叉个人和个人在十字路口位置如下: 在哪里的随机数 。(3)基因突变:变异个体的基因值的变化。因为个人是真正的编码,采用实际价值突变的突变操作。首先,个人在群体判断执行组突变的突变概率。然后,突变的位置个体被选中的变异操作。公式如下: 在哪里的上限 , 的下限吗 , 的随机数 , 是突变的公式: , 的随机数 , 是当前迭代数,然后呢是迭代的最大数量。当达到以下终止条件之一时,停止迭代,得到了最优初始重量和阈值。(1)最优个体的健康和健身的人口停止上升(2)最大迭代次数达到

B.5。最优预测模型建立

当初始重量和最优阈值是通过上面的遗传算法中,他们给出了BP神经网络最优网络形成。当达到终止条件之一时,停止迭代,获得最优的神经网络。

数据可用性

石化公司的历史积累数据S-Zorb收集装置,包括操作变量数据,原料数据、产品数据和催化剂数据。调整后的数据频率差异,形成325个样本。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了中国国家社会科学基金项目(bgl142 17日和18 zda052)和中国自然科学基金(91546117和91546117)。

补充材料

(1)S-Table1:催化裂化汽油S-Zorb的历史积累的数据单位。有325个操作变量的样本数据,原料数据、产品数据和催化剂数据观察在不同的时间间隔在2017还是2020年。(2)S-Table2:一定的操作范围和最低调整范围的操作变量。(补充材料)

引用

1. OICA,注册或新汽车的销售,组织国际des Constructeurs d等,巴黎,法国,2019年。
2. 国际能源机构,石油信息:数据库文档,国际能源机构(iea),巴黎,法国,2020年。
3. r . A .领域,j·n·莱斯特,s . o .门敏·m·e·戈德斯通·w·柯克和r·佩里“大气多环芳烃的审查:来源、命运和行为,“空气水和土壤污染,60卷,不。3 - 4、279 - 300年,1991页。视图:谷歌学术搜索
4. 健康影响研究所“交通空气污染:评论文学的排放,暴露和健康的影响,”环境卷,131年,第444 - 409页,2010年。视图:谷歌学术搜索
5. n·r·哈利利的p·a·希夫,t . m . Holsen“多环芳烃源指纹焦炉、柴油和汽油发动机,公路隧道,和木材燃烧排放,”大气环境卷,29号4、533 - 542年,1995页。视图:出版商的网站|谷歌学术搜索
6. r·k·拉森和j·e·贝克”城市大气中多环芳烃的源解析:三种方法的比较,“环境科学与技术,37卷,不。9日,第1881 - 1873页,2003年。视图:出版商的网站|谷歌学术搜索
7. m . Riedl和d . Diaz-Sanchez生物柴油废气对呼吸功能的影响。”变态反应与临床免疫学杂志》上,卷115,不。2、221 - 228年,2005页。视图:出版商的网站|谷歌学术搜索
8. 国际能源机构,世界能源平衡:数据库文档,国际能源机构(iea),巴黎,法国,2020年。
9. 欧阳,w .方,j . Tang和h .江“优化产品分布的mip工艺使用BP神经网络,”石油加工和石油化工卷,47号5,95 - 100年,2016页。视图:谷歌学术搜索
10. e . Paranghooshi m . t . Sadeghi, s . Shafiei预测汽油辛烷值的混合使用人工神经网络和遗传算法ACS的出版物,华盛顿,美国,2009年。
11. x j .秦和z h·陈,”设计的神经网络模型预测汽油罗恩,”进入之后决定,14卷,不。2、151 - 155年,1999页。视图:谷歌学术搜索
12. 杜j .田,x, y, y,和t .京,“预测渣油加氢柴油的硫含量PSO-BP神经网络的基础上,“石油化工技术,46卷,不。1,第67 - 62页,2017。视图:谷歌学术搜索
13. x y l .杨·d·张,h .江“BP网络基于GA-BP优化汽油调合辛烷值建模、算法和应用程序”微机信息,22卷,不。11日,第278 - 276页,2006年。视图:谷歌学术搜索
14. 深色,d .最大经济产量,g·佩罗,c . Bouchy f·迪,“FCC汽油加氢脱硫的:一个评论,”应用催化:一般,卷278,不。2、143 - 172年,2005页。视图:出版商的网站|谷歌学术搜索
15. j . a .眉毛a . a . Lappas中情局Vasalos, c . w .屈尔和n . j . Gudde”饲料和过程对硫的原位还原的影响FCC汽油,”应用催化一般,卷276,不。1 - 2、75 - 87年,2004页。视图:出版商的网站|谷歌学术搜索
16. y y . n .杨任,a·g·毛和惠普田,“技术影响FCC汽油,罗恩的因素分析”炼油厂工程,1卷,不。6日,32 - 35,2019页。视图:谷歌学术搜索
17. s·m·雅各布,b .总值s e·沃尔兹,自己作些和v . w . Weekman”将催化裂化和反应计划”,AIChE杂志,22卷,不。4、701 - 713年,1976页。视图:出版商的网站|谷歌学术搜索
18. l·g·林·g·王,h . m . et al .,“渗透蒸发膜性能的交联聚乙二醇FCC汽油深度脱硫,”《膜科学,卷280,不。1 - 2、651 - 658年,2006页。视图:出版商的网站|谷歌学术搜索
19. c .歌”,新方法的概述为超净的汽油深度脱硫,柴油和喷气燃料,”今天的催化,卷86,不。1 - 4、211 - 263年,2003页。视图:出版商的网站|谷歌学术搜索
20. m·a·b·西迪基,a . m . Aitani降低FCC汽油硫添加剂:复习一下,”石油科学与技术,25卷,不。3、299 - 313年,2007页。视图:出版商的网站|谷歌学术搜索
21. j·a·萨拉查l·m·卡布瑞拉e·帕米萨诺w·j·加西亚和r·b·索拉里”过程生产新配方汽油减少硫、氮和烯烃,“1998年,美国专利5770047。视图:谷歌学术搜索
22. m·f·李·g·f·夏,y, y . j .胡,”发展RSDS-Icatalyst FCC汽油选择性加氢脱硫,”石油加工和石油化工,34卷,不。7日,1 - 4,2003页。视图:谷歌学术搜索
23. w·h . Li, s .沈et al .,“生产高辛烷值的汽油混合组件从煤焦油轻油和低硫硫化CoMoP /η氧化铝,”《清洁生产,卷228,不。10日,965 - 973年,2019页。视图:出版商的网站|谷歌学术搜索
24. 美国Ayoub诉马苏德,“加氢脱硫过程的设计和优化为液化石油气体,”《清洁生产,卷220,不。20日,第1264 - 1255页,2019年。视图:谷歌学术搜索
25. n . Hasheminejad h . Tavakol, w . Salvenmoser”脱硫gold-decorated简单和sulfur-doped碳球的准备燃料,”《清洁生产,卷264,不。2020年10篇文章ID 121684。视图:出版商的网站|谷歌学术搜索
26. c . x秦,j . Liu王et al .,“分子水平分析直径扩大反应器的性能提高汽油质量在FCC过程中,“燃料文章ID 119978卷,290年,2021年。视图:出版商的网站|谷歌学术搜索
27. m·g·李y y徐,j .男人et al .,“混合变量选择策略加上随机森林(RF)通过拉曼光谱定量分析methanol-gasoline甲醇的,”Spectrochimica学报:分子和生物分子光谱学,卷251,不。1,文章ID 119430, 2021。视图:谷歌学术搜索
28. g·f·魏”,研究气体识别方法与主成分分析和bp神经网络,”Transcluction技术杂志》,12卷,不。04年,292 - 298年,2001页。视图:谷歌学术搜索
29. h . x Cheng和f .咦,“轻汽油醚化与BP神经网络模型预测控制,”自动化在石化行业,48卷,不。6,40-42,2012页。视图:谷歌学术搜索
30. 李y, z z,李,和g·李,“GA-ANN重油催化裂化装置的汽油产量预测的方法,”石油加工和石油化工,45卷,不。7,91 - 96年,2014页。视图:谷歌学术搜索
31. 苏x, h . j .贝聿铭y y, j·s·高,x和y局域网,“预测焦炭产量FCC装置使用遗传算法优化的BP神经网络,”化学工业与工程进展,20卷,不。2、389 - 396年,2016页。视图:谷歌学术搜索
32. l . y . h . Cheng Zhang, x和y懵了,“应用神经网络PID控制器控制轻汽油醚化,“地球和环境科学Iop会议系列,卷69,不。1,文章ID 012045, 2017。视图:出版商的网站|谷歌学术搜索
33. y y, l .赵f . Chen Wang和c,“高效分离烯烃裂化石脑油:分离机理和普遍的模拟方法,”AIChE杂志,卷67,不。5篇文章ID e17153 2021。视图:谷歌学术搜索
34. 这位设计师,j . r . Shahrouzi, r . Nemati“掺假检测汽油使用修改后的蒸馏曲线和人工神经网络,”化学工程与技术,44卷,不。3、527 - 534年,2021页。视图:出版商的网站|谷歌学术搜索
35. y y, z . Yu, d .谢和j . E”调查的影响初始热力学条件和燃料成分对汽油辛烷值基于数据驱动的方法,”燃料文章ID 120124卷,291年,2021年。视图:出版商的网站|谷歌学术搜索
36. s . t . Roweis l . k .扫罗,“通过局部线性嵌入非线性降维,”科学,卷290,不。5500年,第2326 - 2323页,2000年。视图:出版商的网站|谷歌学术搜索
37. l . k .扫罗和s . t . Roweis“介绍局部线性嵌入,”机器学习研究杂志》上7卷,1-13,2001页。视图:谷歌学术搜索
38. d . e . Rumelhart、g·e·辛顿和r . j·威廉姆斯,“学习back-propagating错误的陈述,”自然,卷323,不。6088年,第536 - 533页,1986年。视图:出版商的网站|谷歌学术搜索
39. j . Savković-Stevanović”,为过程分析和优化:神经网络建模和应用,“计算机与化学工程,18卷,不。11 - 12,1149 - 1155年,1994页。视图:谷歌学术搜索
40. c·h·陈,“一个可辩解的深层神经网络提取特征,“科学eLetters,卷365,不。9,6452年,页2019。视图:谷歌学术搜索
41. c .郭g . Liu l .律和学术界。陈,“一个无监督PM2.5估算方法基于KIDW-TCGRU不同时空分辨率,”IEEE访问,8卷,第190276 - 190263页,2020年。视图:出版商的网站|谷歌学术搜索
42. d·戈德堡遗传算法在搜索、优化和机器学习美国,addison - wesley,波士顿,MA, 1989。
43. w·高”,一种改进的遗传算法收敛快和它的性能研究”系统工程与电子技术,25卷,不。11日,第1430 - 1427页,2003年。视图:谷歌学术搜索
44. r·陈许y, h .局域网,“研究多层前馈神经networks-genetic反向传播算法与结构优化策略,”《自动化学报》,23卷,不。1,43-49,1997页。视图:谷歌学术搜索
45. 学术界。陈,f的歌,F.-J。黄、吴l .“概率密度函数发生器基于神经网络,”自然史答:统计力学及其应用,卷541,不。541年,文章ID 123344, 2020。视图:出版商的网站|谷歌学术搜索
46. 美国荒原,k . Esbensen和p . Geladi“主成分分析”,化学计量学和智能实验室系统,卷2,不。1 - 3,37-52,1987页。视图:出版商的网站|谷歌学术搜索
47. 吴x、y . r .曹y,和j .郭”的发现基于微博数据的城市暴雨和洪涝灾害和location-routing问题模型的城市应急物流,“《运筹学,60卷,学会年会,2018页。视图:谷歌学术搜索
48. 吴x, z, h·刘,j .郭和l .周”,热带气旋对就业的影响是什么?基于多元回归分析,“天气、气候和社会11卷,第275 - 259页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021郭et al。这是一个开放访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。