一种基于格氏反应的数字孪生系统技术方案

本发明专利技术涉及格氏反应建模技术，公开了一种基于格氏反应的数字孪生系统，其方法包括样本数据的获取；样本数据的过滤，对于获取的样本数据进行过滤；样本数据预处理，对于过滤后的样本数据通过热力学模型进行反应物浓度的计算；格氏反应模型的建立，依据计算出的反应物浓度，利用RBF神经网络模型建立反应模型，从而确定格氏反应模型。本发明专利技术通过混合建模方式即机理模型加机器学习的方法结合的方式，利用工业生产数据构建混合模型，从而能很好地进行格氏反应的模拟。氏反应的模拟。氏反应的模拟。

【技术实现步骤摘要】
一种基于格氏反应的数字孪生系统


[0001]本专利技术涉及格氏反应建模技术，尤其涉及了一种基于格氏反应的数字孪生系统。

技术介绍

[0002]格氏试剂具有显著的化学活动性，能从水及其它路易斯酸中夺取质子，格氏试剂能用增长碳链的反应称为格氏反应，主要包括烷基化反应、羰基加成反应、共轭加成反应及卤代烃还原反应等。
[0003]RMgX + R
’
COR
’’ꢀ‑‑‑
> RR
’
R
’’
COMgX (羰基加成反应)。
[0004]对于格氏反应的模拟通常需要获取反应动力学数据，选择合适的动力学模型，用以计算反应程度，但获得的反应动力学模拟仍然偏理论，实际反应过程中，反应器设备尺寸、结构、搅拌速度、温度扰动等都会对反应造成影响，所以仅仅只是的利用反应动力学模型并不能很好的模拟反应过程。

技术实现思路

[0005]本专利技术针对现有技术中，仅仅利用反应动力学模型无法逼真模拟格氏反应的问题，提供了一种基于格氏反应的数字孪生系统。
[0006]为了解决上述技术问题，本专利技术通过下述技术方案得以解决：一种基于格氏反应的数字孪生系统，其包括：样本数据的获取模块，样本数据包括格氏反应器的温度、格氏反应器压力、反应物的原料流量，反应物的反应时间、格氏反应器的搅拌桨电机功率、输出物料的流量和出口反应物的组成；样本数据的过滤模块，样本数据的过滤模块对获取的样本数据进行过滤；反应物浓度的计算模块，反应物浓度的计算模块用于对过滤后的样本数据通过热力学模型进行反应物浓度的计算；格氏反应模型的建立模块，格氏反应模型的建立模块依据计算出的反应物浓度，利用RBF神经网络模型建立反应动力模型，从而确定格氏反应模型。
[0007]作为优选，反应物浓度的计算包括：混合前计算各反应物的焓值，通过热力学模型对反应物进行PT闪蒸计算获得混合前各反应物的焓值；混合后反应物的计算，对混合后的反应物再进行PH闪蒸计算，从而获得各组分的摩尔分数和各组分的温度；混合后反应物的浓度计算，对混合后的反应物计算获得混合后的反应物组分浓度；
公式中，为总物流的摩尔流量、为组分的液相摩尔分数、为反应器的体积。
[0008]作为优选，PT闪蒸计算的方法包括：步骤1：确定反应物的流量F、反应物的组成、压力为P、温度为；步骤2：估算液相组成和气相组成，；；其中，为估算的相平衡常数，；；；步骤3：计算液相组成和气相组成；；；其中，为计算的相平衡常数；；，；；；其中，，，，，，分别为物质的二元交互作用参数，T为温度，x为组分摩尔分数，、、、分别表示第、、、个组分，为逸度系数；步骤4：计算气相分率；
；其中，为组分数量，为气相分率；步骤5：收敛的判断，对估算的液相组成和气相组成及计算的液相组成和气相组成判断其是否收敛，收敛则输出液相组成、气相组成、相平衡常数及气相分率；否则执行步骤2。
[0009]作为优选，PH闪蒸计算的方法包括：S1：已知焓值H和压力P；S2：假定温度为；S3：进行PT闪蒸计算；S4：计算焓值；；其中，为组分的摩尔系数，为常数，为组分的逸度系数，为气化热；S5：判断焓值及焓值H的误差，当误差位于tol范围内则输出温度T、液相组成、气相组成及气相分率e，否则进行重新估算T，返回S3进行PT闪蒸计算。
[0010]作为优选，格氏反应模型的建立，将反应机理数学模型作为先验知识，嵌入前馈神经网络中，对于全液相的格氏反应，其动力学模型为，其中，为反应速率，为正向反应的反应速率常数、为RMgX的浓度、为R
’
COR
’’
的浓度，表示逆向反应的反应速率常数，为RR
’
R
’’
COMgX的浓度。
[0011]为了解决上述技术问题，本专利技术还提供了一种基于格氏反应的数字孪生系统，其包括：样本数据的获取模块，样本数据包括格氏反应器的温度、格氏反应器压力、反应物的原料流量，反应物的反应时间、格氏反应器的搅拌桨电机功率、输出物料的流量和出口反应物的组成；样本数据的过滤模块，样本数据的过滤模块对获取的样本数据进行过滤；
反应物浓度的计算模块，反应物浓度的计算模块用于对过滤后的样本数据通过热力学模型进行反应物浓度的计算；格氏反应模型的建立模块，格氏反应模型的建立模块依据计算出的反应物浓度，利用RBF神经网络模型建立反应动力模型，从而确定格氏反应模型。
[0012]为了解决上述技术问题，本专利技术还提供了一种存储介质，其包括基于格氏反应的数字孪生系统实现的存储介质。
[0013]为了解决上述技术问题，本专利技术还提供了一种电子设备，其包括基于格氏反应的数字孪生系统实现的电子设备。
[0014]本专利技术由于采用了以上技术方案，具有显著的技术效果：基于RBF（径向基函数）神经网络模型对格氏反应的反应动力学建模，通过分析反应器的运行特征，发现影响反应的因素有：反应温度、反应压力、反应物浓度、加料方式、搅拌速度、反应停留时间等因素都会影响反应的转化率，因此建立的格氏反应神经网络模型选择这6个主要因素作为神经网络的输入变量，以反应器出口格氏试剂的含量作为神经网络的输出，构造一个6输入一个输出的训练数据集。
[0015]RBF神经网络的训练需要大量的数据样本，为了降低数据样本量及提高神经网络模型的准确性，需要对神经网络模型进行改进。
[0016]本专利技术是将反应机理数学模型和热力学模型作为先验知识，并将其嵌入前馈神经网络中，先验知识的引入，可以弥补神经网络的固有缺陷、降低神经网络的维度，从而降低神经网络训练的样本量。
[0017]训练数据集中输入的因素，其中反应物浓度、加料方式和搅拌速度无法直接测量，加料方式直接影响的是反应物的浓度，因此只需获得反应物浓度就能得知加料方式这一因素对反应转化率的影响，反应物浓度可以通过各反应的进料原料流量再结合热力学计算模型可计算得到，因此反应物浓度的输入，可改为各反应的原料流量来获得。搅拌速速无法直接测量，但搅拌速度与搅拌桨电机功率成正比，故可用搅拌机电机功率来代替搅拌速率这一输入。样本数据来源，从生产装置中获取工艺历史数据，数据包括格氏反应器温度、压力、各反应物的原料流量，反应时间、搅拌桨电机功率以及输出物料的流量及出口反应物的组成。获取整个生产周期的全部数据，用来训练RBF神经网络模型。
附图说明
[0018]图1是本专利技术的流程图。
[0019]图2是本专利技术的PT闪蒸流程图。
[0020]图3是本专利技术的PH闪蒸流程图。
具体实施方式
[0021]下面结合附图与实施例对本专利技术作进一步详细描述。
[0022]实施例1一种基于格氏反应的数字孪生系统，其方法包括：样本数据的获取；样本数据包括格氏反应器的温度、格氏反应器压力、反应物的原料流量，反应物的反应时间、格氏反应器的搅拌桨电机功率、输出物料的流量和出口反应物
的组成；样本数据的过滤，对于获取的样本数据进行过滤；使样本数据能准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于格氏反应的数字孪生系统，其包括：样本数据的获取模块，样本数据包括格氏反应器的温度、格氏反应器压力、反应物的原料流量，反应物的反应时间、格氏反应器的搅拌桨电机功率、输出物料的流量和出口反应物的组成；样本数据的过滤模块，样本数据的过滤模块对获取的样本数据进行过滤；反应物浓度的计算模块，反应物浓度的计算模块用于对过滤后的样本数据通过热力学模型进行反应物浓度的计算；格氏反应模型的建立模块，格氏反应模型的建立模块依据计算出的反应物浓度，利用RBF神经网络模型建立反应动力模型，从而确定格氏反应模型。2.根据权利要求1所述的一种基于格氏反应的数字孪生系统，其特征在于，反应物浓度的计算包括：混合前计算各反应物的焓值，通过热力学模型对反应物进行PT闪蒸计算获得混合前各反应物的焓值；混合后反应物的计算，对混合后的反应物再进行PH闪蒸计算，从而获得各组分的摩尔分数和各组分的温度；混合后反应物的浓度计算，对混合后的反应物计算获得混合后的反应物组分浓度；公式中，为总物流的摩尔流量，为液相组成，为反应器的体积。3.根据权利要求2所述的一种基于格氏反应的数字孪生系统，其特征在于，PT闪蒸计算的方法包括：步骤1：确定反应物的流量F、反应物的组成、压力为P、温度为；步骤2：估算液相组成和气相组成，；；其中，为估算的相平衡常数，；；；步骤3：计算液相组成和气相组成；
；；其中，为计算的相平衡常数；；，；；；其中，，，，，，分别为物质的二元交互作用参数，T为温度，x为组分摩尔分数，、、、分别表示第、、、个组分，为逸度...

【专利技术属性】
技术研发人员：葛铭，黄彩霞，魏江，沈井学，
申请(专利权)人：杭州百子尖科技股份有限公司，
类型：发明
国别省市：