【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种，对以液化石油气（LPG）为裂解原料的裂解过程，利用PSOBP神经网络建立以原料组成与操作条件为输入的关键产品收率预测模型，并利用粒子群算法（PSO）对液化石油气原料组成进行优化，从而得到在一定操作条件下的使裂解产品总收益最大的最优液化石油气原料组成。利用该液化石油气关键产品收率预测模型，可在已知工业现场液化石油气原料组成和操作条件的情况下，准确预测关键产品收率。利用该液化石油气关键产品收率预测模型，也可优化LPG原料组成，实现对实际过程中采购和原料配比提供依据，进而提高经济效益。该方法工程应用性强，简单易行，易于移植，具有广泛适应性。【专利说明】
本专利技术涉及一种液化石油气(LPG)裂解关键产品收率预测及原料优化方法。技术背景乙烯工业占据石油化工行业的核心地位，乙烯产量是衡量一个国家石油化工发展水平的标志，而乙烯裂解炉为整个系统的核心装置，因此改善和提高裂解炉的操作性能至关重要。随着我国乙烯工业的迅速发展，石油产品需求的增长，裂解原料短缺的局面日趋明显。为了适应国际市场油品价格变化及提高乙烯产品收率，我国乙烯厂已拓宽了裂解用原料，液化石油气(LPG)这种轻质原料得到越来越广泛的应用。因此对液化石油气(LPG)裂解关键产品的收率预测及原料优化显得尤为重要。图1为典型的多层感知BP神经网络结构，是应用比较广泛的软测量方法，而由于这种方法在输入输出样本数量较大，用于训练的神经网络结构较为复杂的情况下，传统的BP神经网络误差修正算法，在训练过程中易陷入局部最优值而难以收敛到设定精度，因此，提出将BP神经网络与粒子群算法(P...
【技术保护点】
一种液化石油气裂解关键产品收率预测及原料优化方法，其特征在于，所述方法包括以下步骤：步骤1：以液化石油气裂解原料组成成分及操作条件作为输入变量，针对每个关键产品收率为输出变量建模，构建裂解关键产品的神经网络模型：f(xi)=f2(Σiw2f1(Σiw1xi+b1i)+b2i)其中b1和w1为网络隐含层系数；b2和w2为输出层系数；xi为模型输入；f1表示隐含层传递函数；f2是输出层传递函数；步骤2：针对关键产品利用裂解炉模拟软件构建裂解收率模型，产生仿真数据；步骤3：选取步骤2中获得的仿真数据，利用粒子群算法对步骤1中的神经网络模型进行训练，得到模型的连接权值和偏置值；步骤4：采集工业现场数据对模型进行误差验证；步骤5：以实时工况数据作为模型输入，预测裂解关键产品收率；步骤6：利用粒子群算法优化计算裂解原料组成，从而得到使裂解产品总收益最大的最优液化石油气原料组成成分分布。
【技术特征摘要】
【专利技术属性】
技术研发人员：钱锋，李进龙，杜文莉，叶贞成，王振雷，
申请(专利权)人：华东理工大学，
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。