一种加氢精制催化剂性能预测方法技术

本发明专利技术公开了一种加氢精制催化剂性能预测方法，包括如下步骤：获得原油加氢反应时的基础数据，并将数据归一化处理，形成数据库；建立广义回归神经网络模型，以所得数据库中影响加氢精制催化剂性质的数据作为输入数据、加氢反应后所得产物性质相关的数据作为输出数据；训练所述广义回归神经网络模型；预测所述加氢精制催化剂的性能。该方法可快速有效的预测催化剂的性能，减少不必要的重复劳动和能源消耗的加氢精制催化剂模型，且该模型学习速度快，泛化能力强，预测精度高，可快速、精确的预测原油加氢催化反应时加氢精制催化剂的性能。

A Method for Predicting the Performance of Hydrofining Catalysts

The invention discloses a method for predicting the performance of hydrofining catalyst, which includes the following steps: obtaining the basic data of crude oil hydrogenation reaction and normalizing the data to form a database; establishing a generalized regression neural network model, using the data from the obtained database affecting the properties of hydrofining catalyst as input data and the number related to the properties of products after hydrogenation reaction. According to the output data, the generalized regression neural network model is trained and the performance of the hydrofining catalyst is predicted. This method can quickly and effectively predict the performance of catalysts, reduce unnecessary repetitive work and energy consumption of hydrofining catalyst model, and the model has fast learning speed, strong generalization ability and high prediction accuracy. It can quickly and accurately predict the performance of hydrofining catalyst in crude oil hydrofining catalytic reaction.

【技术实现步骤摘要】
一种加氢精制催化剂性能预测方法
本专利技术涉及催化剂性能预测领域。更具体地，涉及一种加氢精制催化剂性能预测方法。
技术介绍
当前，伴随着原油的质量逐渐下降，人们对纯净油品的需求持续增加，在石油炼化的过程中对加氢的技术重视度越来越高，而加氢技术最重要的环节就是催化剂的使用。目前催化剂的研发通过传统实验手段的研究方法不仅具有一定的盲目性，需要进行大量的实验进行尝试筛选，浪费人力物力，而且由于该过程多为连续装置，通常需要较长的操作周期进行研究，难以应对瞬息万变的市场并及时作出反馈提供解决方案，影响了企业的经济效益。随着计算机水平的迅猛发展，依靠计算机模拟技术与实验提供的分析数据相结合的研究有效的解决了传统手段对市场变化响应速度慢的根本问题，加速推动了加氢精制催化剂模型研究的发展进度。如何获得能够快速有效的预测催化剂性能，减少不必要的重复劳动和能源消耗的加氢精制催化剂模型。因此，需要提供一种能够快速有效且准确的预测催化剂性能，减少不必要的重复劳动和能源消耗的加氢精制催化剂模型。
技术实现思路
本专利技术的目的在于提供一种加氢精制催化剂性能预测方法，该方法可快速有效的预测催化剂的性能，减少不必要的重复劳动和能源消耗的加氢精制催化剂模型，且该模型学习速度快，泛化能力强，预测精度高，可快速、精确的预测原油加氢催化反应时加氢精制催化剂的性能。为达到上述目的，本专利技术提供一种加氢精制催化剂性能预测方法，包括如下步骤：1)获得原油加氢反应时的基础数据，并将数据归一化处理，形成数据库；2)建立广义回归神经网络模型，以步骤1)所得数据库中影响加氢精制催化剂性质的数据作为输入数据、加氢反应后所得产物性质相关的数据作为输出数据；3)训练所述广义回归神经网络模型；4)预测所述加氢精制催化剂的性能。原油加氢反应时的包括从原料到反应产物的物理特性等均可作为原油加氢反应时的基础数据，其中包括有成型和未成型的催化剂性质。在一个优选实施方式中，步骤1)中，原油加氢反应时的基础数据包括：加氢精制催化剂的金属上量、加氢精制催化剂的强度、加氢精制催化剂使用的载体的性质、加氢反应后得到的油品中的硫含量、氮含量以及油品密度。在一个优选实施方式中，所述制作加氢精制催化剂载体的方法包括：利用拟薄水铝石粉体、硝酸、田菁粉、纯水等原料以不同比例混合均匀，通过双螺杆挤条机捏合成型，经600℃高温焙烧后制得加氢精制催化剂载体，采用浸渍法或混捏法引入加氢活性金属组分，得到加氢精制催化剂。在一个优选示例中，上述加氢活性金属组分为第Ⅷ族和/或第ⅥB族金属，其中第Ⅷ族金属为Ni和/或Co，第ⅥB族金属为W和/或Mo。优选地，以加氢精制催化剂的重量为基准，第Ⅷ族金属以氧化物计的含量为0.5wt％-20.0wt％，第ⅥB族金属以氧化物计的含量为1.0wt％-20.0wt％。在一个优选实施方式中，步骤2)中，所述影响加氢精制催化剂性质的数据包括：加氢精制催化剂的金属上量、加氢精制催化剂的强度、加氢精制催化剂使用的载体的性质；所述加氢反应后所得产物性质相关的数据包括：加氢反应后得到的油品中的硫含量、氮含量以及油品密度。在一个优选实施方式中，所述加氢精制催化剂使用的载体的性质包括：所述载体的BET比表面积和吸附总孔容。在一个优选实施方式中，步骤3)中，训练所述广义回归神经网络模型的方法包括：将样本数据按照5:1的比例随机分为训练数据和测试数据，将训练数据输入所述广义回归神经网络模型中进行训练，训练的方法为交叉验证法。在一个优选实施方式中，步骤4)中，预测所述加氢精制催化剂的性能的方法包括：将步骤3)得到的训练数据输入建立好的广义回归神经网络模型中得到输出值，将数值反归一化后得到预测值，与期望值进行对比，通过均方误差和决定系数来评价模型的优劣。在一个优选实施方式中，步骤2)中，所述广义回归神经网络模型中，广义回归神经网络具有四层结构，分别为输入层、模式层、求和层和输出层，所述广义回归神经网络模型结构的建立包括如下步骤：所述模式层的神经元传递函数为：其中：pi为神经元i的输出，其为输入变量与其对应的样本x之间Euclid距离平方的指数平方的指数形式；x为网络输入变量；xi为第i个神经元对应的学习样本；σ为光滑因子，T为转置；所述求和层的神经元传递函数为：其中，Yi为第i个输出样本；所述输出层的神经元传递函数为：其中，yij为模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素。可以理解，上述输入层输入输入数据，输出层输出输出数据，在此不赘述。本专利技术的有益效果如下：本专利技术提供的预测方法现有方法对不同催化剂性能进行了预测，填补了目前没有对加氢精制催化剂性质进行预测的模型的空白，且克服了传统神经网络(如BP算法)有容易陷入局部最优，算法收敛慢，预测精度低等缺点。本专利技术利用实验室长期积累的实验数据，提出一种基于神经网络的加氢精制催化剂性能预测方法。该方法具有预测速度快，泛化能力强，预测精度高等特点。在实验过程中会积累大量数据，利用数据建立起催化剂性能的模型可以节省催化剂研发时间，加快研发进度，节省研发经费，因此本专利技术具有实际推广价值。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细的说明。图1示出本专利技术实施例1预测方法的流程图。图2示出本专利技术实施例1广义回归神经网络模型的结构示意图。具体实施方式为了更清楚地说明本专利技术，下面结合优选实施例和附图对本专利技术做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本专利技术的保护范围。实施例1加氢精制催化剂性能预测方法，流程如图1所示，包括如下步骤：1)加氢精制催化剂制备把拟薄水铝石粉体100g、硝酸3ml、田菁粉3g、纯水100ml进行充分混合，通过双螺杆挤条机捏合成型，将成型催化剂载体120℃烘干后，在空气环境下经600℃高温焙烧后制得加氢精制催化剂载体。将碱式碳酸镍固体配制成饱和溶液，以氧化物计的含量为20.0wt％，将加氢精制催化剂载体和碱式碳酸镍溶液充分混合，在450℃空气环境中高温焙烧后制得加氢精制催化剂；2)加氢精制催化剂性能评价将加氢精制催化剂装于加氢微型反应器中，选取反应压力1.6MPa，反应温度240℃，氢油比100，体积空速10h-1，反应8h后取反应油样进行分析，主要分析油品的硫含量，氮含量，密度等数据；3)数据处理由于数据样本间相差过大，为了消除各维数据样本间数量级别差，将上述实验中的数据转化为[-1,1]范围内的数值，进行归一化处理后存储在数据库中，主要选取但不限于加氢精制催化剂载体的作为输入数据，选取催化剂反应后油品中的硫含量，氮含量，油品密度作为输出数据；4)建立性能预测模型采用广义回归神经网络，其具有四层结构，分别为输入层、模式层、求和层和输出层，如图2所示；选取影响加氢精制催化剂性能的因素，也即上述步骤3)中的输入数据作为输入层的输入，加氢精制催化剂载体性能，也即上述步骤3)中的输出数据作为输出层的输出；在输入为X的条件下，Y的预测输出函数表示为：1.输入层：输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层。2.模式层：模式层神经元数目本文档来自技高网...

【技术保护点】
1.一种加氢精制催化剂性能预测方法，其特征在于，包括如下步骤：1)获得原油加氢反应时的基础数据，并将数据归一化处理，形成数据库；2)建立广义回归神经网络模型，以步骤1)所得数据库中影响加氢精制催化剂性质的数据作为输入数据、加氢反应后所得产物性质相关的数据作为输出数据；3)训练所述广义回归神经网络模型；4)预测所述加氢精制催化剂的性能。

【技术特征摘要】
1.一种加氢精制催化剂性能预测方法，其特征在于，包括如下步骤：1)获得原油加氢反应时的基础数据，并将数据归一化处理，形成数据库；2)建立广义回归神经网络模型，以步骤1)所得数据库中影响加氢精制催化剂性质的数据作为输入数据、加氢反应后所得产物性质相关的数据作为输出数据；3)训练所述广义回归神经网络模型；4)预测所述加氢精制催化剂的性能。2.根据权利要求1所述的加氢精制催化剂性能预测方法，其特征在于，步骤1)中，原油加氢反应时的基础数据包括：加氢精制催化剂的金属上量、加氢精制催化剂的强度、加氢精制催化剂使用的载体的性质、加氢反应后得到的油品中的硫含量、氮含量以及油品密度。3.根据权利要求1所述的加氢精制催化剂性能预测方法，其特征在于，步骤2)中，所述影响加氢精制催化剂性质的数据包括：加氢精制催化剂的金属上量、加氢精制催化剂的强度、加氢精制催化剂使用的载体的性质；所述加氢反应后所得产物性质相关的数据包括：加氢反应后得到的油品中的硫含量、氮含量以及油品密度。4.根据权利要求2或3所述的加氢精制催化剂性能预测方法，其特征在于，所述加氢精制催化剂使用的载体的性质包括：所述载体的BET比表面积和吸附总孔容。5.根据权利要求1所述的加氢精制催化剂性能预测方法，其特征在于，步骤...

【专利技术属性】
技术研发人员：李昊，于群，杨国明，马致远，辛靖，张博，陈松，侯章贵，高杨，吴颖，
申请(专利权)人：中海石油炼化有限责任公司，中海油青岛重质油加工工程技术研究中心有限公司，中海油炼油化工科学研究院北京有限公司，
类型：发明
国别省市：北京,11