【技术实现步骤摘要】
本专利技术涉及石油化工领域，具体涉及一种基于机器学习的渣油加氢装置的收率预测方法。
技术介绍
1、近年来，随着原油重质化和劣质化的趋势不断加剧，轻质油品的需求与日俱增，渣油加氢裂化技术已经成为全球炼油行业关注的焦点，对渣油加氢过程进行反应动力学研究，构建反应过程模型，实现装置的产物收率和相关反应性能预测，对装置的操作条件优化和智能控制有着重要的意义。
2、目前渣油加氢裂化的反应过程模型大多为基于反应机理的集总动力学模型，将重油和反应产物按照沸点或分子类型等切割为若干个集总或虚拟组分，在这些简化的组分之间构建反应网络，通过求解动力学微分方程实现各产物收率的预测。但渣油的组成和加氢反应机理十分复杂，集总的划分往往依靠假设和经验，而且计算得到反应动力学参数不具代表性，对于不同组成的渣油都需要重新进行拟合计算；另一方面，对于不同参数的反应器，都需要重新进行反应过程的模拟计算，模型的外推性和实用性较差。
3、针对渣油加氢工艺，目前有报道，以装置的操作条件为输入特征，对产物收率等参数进行预测。这种数据驱动的反应过程模型只是针对某一个确定的加氢工业装置，对于不同的装置，模型的外推性较差；而且，对于一个新的渣油加氢工艺过程，其工业装置的数据很有限，这种单层模型显然不适用。
技术实现思路
1、针对现有技术中的问题，本专利技术提供一种基于机器学习的渣油加氢装置的收率预测方法及机器可读存储介质。
2、本专利技术提供一种基于机器学习的渣油加氢装置的收率预测方法，包括：s
3、根据本专利技术的一实施方式，所述渣油加氢装置包括渣油固定床加氢装置、沸腾床加氢装置或浆态床加氢装置。
4、根据本专利技术的另一实施方式，所述小试数据集包括渣油组成、渣油物性、反应条件、各馏分油收率。
5、根据本专利技术的另一实施方式，所述小试数据集的样本数量不少于40组。
6、根据本专利技术的另一实施方式，所述装置数据集包括渣油组成、渣油物性、反应条件、反应器参数、装置操作条件、各馏分油收率。
7、根据本专利技术的另一实施方式，所述装置数据集的样本数量不少于30组。
8、根据本专利技术的另一实施方式，所述模型ⅰ的输入特征为渣油组成、渣油物性、基本反应条件。
9、根据本专利技术的另一实施方式，所述模型ⅱa或所述模型ⅱb的输入特征为模型ⅰ的收率预测值、所述中试装置或工业装置的反应器参数和装置的操作条件的一种或多种。
10、根据本专利技术的另一实施方式，构建所述模型ⅰ、所述模型ⅱa或所述模型ⅱb使用的机器学习算法为多元非线性回归算法，随机森林回归rfr、梯度提升回归gbdt或者bp神经网络算法。
11、根据本专利技术的另一实施方式，利用spxy算法将所述小试数据集或所述装置数据集划分为训练集和测试集，在所述训练集上进行模型训练，利用所述测试集进行模型预测准确度的评估。
12、根据本专利技术的另一实施方式，利用交叉验证的方法对所述模型ⅰ、所述模型ⅱa或所述模型ⅱb中的超参数进行寻优。
13、根据本专利技术的另一实施方式，所述模型ⅰ、所述模型ⅱa或所述模型ⅱb准确度的评估指标为各测试集样本的预测决定系数r2、平均绝对偏差mae和平均相对偏差mape的一种或几种。
14、本专利技术还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述任一所述的方法。
15、本专利技术以数据驱动出发，利用机器学习算法构建两层模型，充分利用渣油加氢工艺开发过程中得到的大量小试实验数据构建表示本征动力学的模型ⅰ；考虑中试装置或工业装置的反应器放大效应，构建表示反应器因素的模型ⅱ。这种方法避免了复杂的反应机理和反应过程模拟计算，通过两层模型可以实现不同规模的渣油加氢装置反应过程的快速计算，模型的适用范围广，准确度高，具有较强的实用性。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的渣油加氢装置的收率预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述渣油加氢装置包括渣油固定床加氢装置、沸腾床加氢装置或浆态床加氢装置。
3.根据权利要求1所述的方法，其特征在于，所述小试数据集包括渣油组成、渣油物性、反应条件、各馏分油收率。
4.根据权利要求3所述的方法，其特征在于，所述小试数据集的样本数量不少于40组。
5.根据权利要求1所述的方法，其特征在于，所述装置数据集包括渣油组成、渣油物性、反应条件、反应器参数、装置操作条件、各馏分油收率。
6.根据权利要求5所述的方法，其特征在于，所述装置数据集的样本数量不少于30组。
7.根据权利要求1所述的方法，其特征在于，所述模型Ⅰ的输入特征X1为渣油组成、渣油物性、反应条件。
8.根据权利要求1所述的方法，其特征在于，所述模型ⅡA或所述模型ⅡB的输入特征X2为模型Ⅰ的收率预测值、所述中试装置或工业装置的反应器参数和装置的操作条件的一种或多种组合。
9.根据权利要求1所述的方法，其特征
10.根据权利要求1所述的方法，其特征在于，利用SPXY算法将所述小试数据集或所述装置数据集划分为训练集和测试集，在所述训练集上进行模型训练，利用所述测试集进行模型预测准确度的评估。
11.根据权利要求9所述的方法，其特征在于，利用交叉验证的方法对所述模型Ⅰ、所述模型ⅡA或所述模型ⅡB中的超参数进行寻优。
12.根据权利要求9或10所述的方法，其特征在于，所述模型Ⅰ、所述模型ⅡA或所述模型ⅡB准确度的评估指标为各测试集样本的预测决定系数R2、平均绝对偏差MAE和平均相对偏差MAPE的一种或几种。
13.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-12中任一项权利要求所述的方法。
...【技术特征摘要】
1.一种基于机器学习的渣油加氢装置的收率预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述渣油加氢装置包括渣油固定床加氢装置、沸腾床加氢装置或浆态床加氢装置。
3.根据权利要求1所述的方法，其特征在于，所述小试数据集包括渣油组成、渣油物性、反应条件、各馏分油收率。
4.根据权利要求3所述的方法，其特征在于，所述小试数据集的样本数量不少于40组。
5.根据权利要求1所述的方法，其特征在于，所述装置数据集包括渣油组成、渣油物性、反应条件、反应器参数、装置操作条件、各馏分油收率。
6.根据权利要求5所述的方法，其特征在于，所述装置数据集的样本数量不少于30组。
7.根据权利要求1所述的方法，其特征在于，所述模型ⅰ的输入特征x1为渣油组成、渣油物性、反应条件。
8.根据权利要求1所述的方法，其特征在于，所述模型ⅱa或所述模型ⅱb的输入特征x2为模型ⅰ的收率预测值、所述中试装置或工业装置的反应器参数和...
【专利技术属性】
技术研发人员：任小甜，唐晓津，鲍迪，周含，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。