НЕФТЕХИМИЯ, 2023, том 63, № 1, с. 67-79

УДК: 665.633

ПРОМЫШЛЕННАЯ КОМПЬЮТЕРНАЯ МОДЕЛЬ СНИЖЕНИЯ ПОТЕРЬ

ОКТАНОВОГО ЧИСЛА ОЧИЩЕННОГО БЕНЗИНА В ПРОЦЕССЕ S ZORB

¹International Joint Research Center of Green Energy Chemical Engineering, East China University of Science and

Technology, Shanghai, 200237, China

^bSINOPEC Shanghai Gaoqiao Petrochemical Co., Ltd, Shanghai 200129, China

^*E-mail: ouyfsh@ecust.edu.cn

Поступила в редакцию 20 марта 2022 г.

После доработки 19 мая 2022 г.

Принята к публикации 2 января 2023 г.

Метод реактивной адсорбционной десульфуризации S Zorb - одна из основных технологий удаления

серы из бензина в процессе жидкостного каталитического крекинга (FCC) на установках Китая, со-

пряженная, однако, с некоторым снижением октанового числа получаемого бензина (ОЧИ, RON). Для

оптимизации рабочих переменных и уменьшения потерь прогнозированного октанового числа бензина

(r-RON) были созданы три компьютерно-управляемые модели нейронной сети: с обратной передачей

ошибки обучения (BPNN); с радиальной базисной функцией (RBFNN); с обобщенной регрессией

(GRNN). Показано, что наилучшим является эффект модели с алгоритмом оптимизации роя частиц

PSO-BPNN, обеспечивающей наибольшее снижение потерь r-RON на 48.55%. Методы исследования,

использованные для создания компьютерно-управляемой модели снижения потерь r-RON, заслуживают

применения на других блоках установки S Zorb.

Ключевые слова: бензин жидкостного каталитического крекинга FCC, потери ОЧИ (RON), компьютер-

но-управляемая модель, нейронная сеть, алгоритм оптимизации

DOI: 10.31857/S0028242123010069, EDN: UHEEPH

В целях защиты окружающей среды мировое со-

десульфуризации бензина FCC. Применение этой

общество выдвигает строгие требования к выбро-

технологии, однако, приводит к снижению иссле-

сам серы. Действующий VI национальный стандарт

довательского октанового числа (RON), наиболее

Китая для автомобильного бензина предусматрива-

важного показателя при измерении эффективности

ет, что содержание серы в нем должно быть менее

сгорания автомобильного бензина. Поиск подхо-

10 мкг/г. Также стоит отметить, что в Китае около

дящего метода снижения потерь октанового числа

70% бензина получают в процессе жидкостного

очищенного бензина (r-RON) в процессе десуль-

каталитического крекинга (FCC), продукты кото-

фуризации бензина FCC с помощью технологии S

рого одновременно являются основным источни-

Zorb значительно повысит доходы нефтехимиче-

ком серы. Технологический процесс S Zorb [1] -

ских предприятий.

запатентованная технология адсорбционной де-

Благодаря развитию и популяризации техно-

сульфуризации бензина, разработанная компанией

логий сбора и непрерывного накопления данных,

ConocoPhillips. Она была выкуплена компанией

различные отрасли химической промышленности

Sinopec в 2007 г. и впоследствии, усовершенство-

широко используют компьютерно-управляемые

вана инженерной корпорацией Sinopec с целью

модели, созданные с помощью методологии ин-

разработки технологии S Zorb нового поколения.

теллектуального анализа данных [2]. Для оптими-

Сегодня она широко используется для глубокой

зации условий прогнозирования распределения

BO CHEN и др.

продукта в соответствии с большим количеством

актуальностью и потенциальной ценностью из

промышленных данных из установки FCC с макси-

большого количества ошибочных, отсутствующих

мально возможным выходом изопарафинов (MIP),

и нерегулярных данных. Моделирование и анализ

Ouyang и др. [3] построили модель нейронной сети

полученных эффективных выборок данных с помо-

с обучением по методу обратного распространения

щью алгоритмов машинного обучения в сочетании

ошибки (BPNN). Выход бензина был значительно

с интеллектуальными алгоритмами оптимизации

улучшен при помощи объединения модели BPNN

позволяют оптимизировать рабочие переменные

с генетическим алгоритмом (GA). Sadighi и др. [4]

для уменьшения потерь r-RON.

объединили гибридную искусственную нейронную

Выбор переменных моделирования. Из си-

сеть и алгоритм GA для прогнозирования r-RON,

стемы управления лабораторной информацией и

что повысило устойчивость и точность модели

DCS установки S Zorb были собраны данные за

прогнозирования. Zhu и др. [5] для визуализации

последние три года, в том числе свойства сырья,

процесса связывания нескольких рабочих перемен-

адсорбента, очищенного бензина и рабочие пере-

ных в распределенной системе управления (DCS)

менные. В соответствии с требованиями компью-

в режиме реального времени предложили параме-

терно-управляемого моделирования, эти данные

тризованный метод нелинейного снижения размер-

были предварительно обработаны на этапах обзо-

ности и визуализации многомерных переменных

ра, очистки, преобразования и сокращения объема

(t-SNE). В исследовании Chang и др. [6] для ре-

[7]. Этапы предварительной обработки представле-

шения проблемы недостаточности работы с нега-

ны следующим образом:

уссовскими характеристиками в процессе очистки

1) на основании данных r-RON были отсеяны

сточных вод представлена эффективная глубокая

данные о свойствах сырья и адсорбента в соответ-

рекуррентная сеть со статистической информацией

ствующий момент времени. В связи с наличием

высокого порядка.

определенного времени реакции, в качестве дан-

Средняя потеря r-RON на китайской установке

ных для моделирования были взяты средние значе-

S Zorb производительностью 1.20 млн т/год, за по-

ния рабочих переменных в пределах 2 ч до и после

следние три года составляет 1.38 ед. Это намного

соответствующего момента времени отбора значе-

выше, чем лучший показатель (0.6 ед.) аналогичной

ния r-RON;

установки, что серьезно влияет на доходы нефтехи-

2) во время фактической работы установки

мического предприятия. Операторы на установке

S Zorb сравнивали данные с верхним и нижним

S Zorb часто эксплуатируют ее в соответствии со

пределами рабочих условий и удаляли значения,

своим опытом, поскольку приоритетом для них яв-

выходящие за эти пределы. Затем было использо-

ляется обеспечение соответствия содержания серы

вано правило 3σ [8] для удаления аномальных зна-

в очищенном бензине требованиям действующих

чений в наборе данных;

стандартов, а не снижение потерь r-RON. В насто-

3) для исключения влияния разницы в размерах

ящем исследовании, основанном на большом ко-

и стандартизации данных в диапазоне [0, 1] был

личестве данных с установки S Zorb, предложены

использован безразмерный метод [9];

различные модели нейронных сетей для прогнози-

4) для оценки степени корреляции между пе-

рования r-RON и использованы интеллектуальные

алгоритмы для оптимизации рабочих переменных

ременными и r-RON использовали закон корреля-

установки с целью эффективного снижения потерь

ции Грея [10], при этом отбирали переменные со

степенью корреляции более 0.7 [11]. Затем, для

r-RON.

определения переменных моделирования, прове-

ли двумерный корреляционный анализ между вы-

МОДЕЛИРОВАНИЕ НА ОСНОВЕ

бранными переменными.

УПРАВЛЕНИЯ ДАННЫМИ И

ОПТИМИЗАЦИЯ ДЛЯ СНИЖЕНИЯ ПОТЕРЬ

Путем предварительной обработки собранных

r-RON

данных в соответствии с вышеуказанными этапа-

Используя технологии интеллектуального ана-

ми были выбраны 22 переменные моделирования,

лиза, можно получить информацию с неизвестной

включая 21 входную переменную и 1 выходную

НЕФТЕХИМИЯ том 63 № 1 2023

ПРОМЫШЛЕННАЯ КОМПЬЮТЕРНАЯ МОДЕЛЬ СНИЖЕНИЯ ПОТЕРЬ ОКТАНОВОГО ЧИСЛА

Таблица 1. Результаты выбора переменных моделирования

Количество

Тип переменной

Название переменной

переменных

Входные переменные:

Свойства сырья

RON сырья, содержание серы в сырье, объемная доля олефинов

Свойства адсорбента

Содержание серы в отработанном адсорбенте, содержание серы в

регенерированном адсорбенте

Свойство продукта

Содержание серы в очищенном бензине

Рабочие переменные

Соотношение водорода и нефти, объемная скорость потока, температура в

нижней части реактора, температура регенератора, давление в верхней

части реактора, перепад давления между верхней и нижней частями

реактора, расход псевдоожиженного водорода в редукторе, расход

регенерационного потока, расход потока азота в регенераторе, расход сухого

газа на выходе, расход сырья на входе, расход смешанного водорода, расход

очищенного бензина на выходе, расход нафты на входе, расход легких

углеводородов на выходе

Выходная переменная:

Свойство продукта

r-RON

(табл. 1). При этом было отобрано 422 образца в

(2)

H = m+n + Z (1≤ Z ≤10),

соответствии с требованиями моделирования на

основе управления данными.

где m - количество нейронов во входном слое;

Моделирование искусственных нейронных

n - количество нейронов в выходном слое; Z - ре-

сетей. Поскольку между различными рабочими

гулируемая константа из диапазона [1, 10]. В этой

переменными существует сложная нелинейная за-

модели m = 21, n = 1, а m < H < n [5, 14]. Были

висимость, ее необходимо учитывать при модели-

настроены 10 моделей нейронных сетей с разным

ровании, Нейронные сети, такие как BPNN, сеть

количеством нейронов скрытого слоя и сравнен их

с радиальной базисной функцией RBFNN и сеть

прогнозирующий эффект по среднеквадратичной

с обобщенной регрессией GRNN [12], могут быть

ошибке (MSE). Результаты показывают, что когда

связаны с процессом нелинейной аппроксимации.

H равно 11, MSE модели является наименьшей. Та-

422 образца были разделены согласно коэффици-

ким образом, сетевая структура модели BPNN име-

енту деления 4:1 на обучающую (337 образцов) и

ет вид 21-11-1.

тестовую (85 образцов) последовательности, после

Скорость обучения модели BPNN была рассчи-

чего были созданы модели прогнозирования r-RON

тана с помощью динамической функции скорости

на основе BPNN, RBFNN и GRNN.

обучения η, предложенной в работе Liu [14]:

Модель BPNN состоит из трех слоев: входного,

скрытого и выходного. В качестве функции акти-

вации скрытого слоя была выбрана сигмоидальная

(3)

функция [13]:

где A - переменная константа из диапазона [1, 50];

(1)

f x)

ɛ - переменная константа из диапазона [0.0001,

+e-

0.001]; s - количество итераций. Наилучший эф-

фект обучения модели достигается при A = 10 и

Количество нейронов в скрытом слое H опреде-

ɛ = 0.001. Этот метод может эффективно сократить

ляется по уравнению (2):

периоды и время обучения.

НЕФТЕХИМИЯ том 63 № 1 2023

BO CHEN и др.

Таблица 2. Результаты оптимизации значения σ

регулируемым параметром, который можно полу-

чить путем решения линейных уравнений.

Номер K-перекрестной

Коэффициент

MSE

проверки

сглаживания (σ)

Модель GRNN. Самым большим преимуществом

модели GRNN является удобная функция настрой-

0.1

1.352

0.2

0.986

ки сетевых параметров. Производительность всей

0.3

0.547

сети можно настроить, только установив коэффи-

циент сглаживания в функции ядра GRNN. Коэф-

0.4

0.294

0.5

0.212

фициент сглаживания σ в сети GRNN представляет

0.6

0.198

собой параметр ширины в радиальной базисной

0.7

0.205

функции Гаусса из уравнения (4). От его размера

0.8

0.217

зависит реакция сети на данные и эффективность

0.9

0.231

прогнозирования GRNN. σ - единственный пара-

1.0

0.243

метр в модели GRNN, регулируемый вручную. В

этом исследовании для нахождения наиболее под-

ходящего значения σ использовали метод K-пере-

крестной проверки на достоверность [17]. 422 об-

Модель RBFNN представляет собой взаимосвя-

разца были разделены на 10 групп (k = 10), проверка

занную иерархическую сетевую структуру с вход-

каждой из которых повторялась 10 раз. Значение σ

ным, скрытым и выходным слоями. В данном ис-

увеличили от 0 до 1 с шагом 0.1. В качестве оце-

следовании количество нейронов во входном слое,

ночного показателя для оптимизации σ были взяты

регулируемом размером входных данных, равно 21.

значения MSE проверочного множества. Чем мень-

Данные входного слоя отображаются в скрытый

ше MSE, тем лучше эффект модели. Результаты оп-

слой с помощью радиальной базисной функции,

тимизации σ приведены в табл. 2. MSE стремится

значение функции определяется расстоянием меж-

сохранять стабильность в начале шестой проверки,

ду данными выборки и центральной точкой. Как

что указывает на наилучшую способность модели

правило, используется радиальная базисная функ-

к прогнозированию при σ = 0.6.

ция Гаусса [15]:

Сравнение трех моделей прогнозирования

r-RON. На основе промышленных данных, с ис-

пользованием нейронных сетей и трех моделей

(4)

прогнозирования r-RON BPNN, RBFNN и GRNN

провели сравнение прогнозируемых и фактиче-

ских значений r-RON в обучающей и тестовой

где k (||x_p - c_i||) - евклидово расстояние; x_p - дан-

последовательностях, что приведено на рис. 1 и 2

ные выборки; c_i - центральная точка; σ - параметр

соответственно. Видно, что значения r-RON, пред-

ширины.

сказанные моделью BPNN, наиболее близки к фак-

Количество нейронов в скрытом слое зависит от

тическим, следовательно, эта модель лучше про-

количества центральных точек. Для определения

гнозирует и аппроксимирует данные, чем модели

центральных точек выборочных данных исполь-

RBFNN и GRNN.

зовали алгоритм кластеризации K-средних [16]. В

Кроме того, для этих моделей в табл. 3 приве-

исследовании было установлено, что количество

дены такие показатели оценки эффективности, как

нейронов в скрытом слое равно 30, поэтому модель

средняя погрешность (MAE), среднеквадратичная

имела структуру 21-30-1. Данные скрытого слоя

погрешность (MSE) и коэффициент детерминации

были оценены и выведены в выходной слой с по-

(R²). Согласно табл. 3, значения MAE и MSE обуча-

мощью линейной функции. С выбором централь-

ющих и тестовых последовательностей для модели

ной точки RBFNN определяется функция, характе-

BPNN самые низкие, поэтому эффект прогнозиро-

ризующая взаимосвязь между входным и скрытым

вания модели BPNN является лучшим. Значение

слоями. Соответствующая взаимосвязь между

R² у этой модели также самое высокое из трех, что

входным и скрытым слоями представляет собой

указывает на наилучшие характеристики аппрок-

взвешенную линейную зависимость, а вес является

симации.

НЕФТЕХИМИЯ том 63 № 1 2023

ПРОМЫШЛЕННАЯ КОМПЬЮТЕРНАЯ МОДЕЛЬ СНИЖЕНИЯ ПОТЕРЬ ОКТАНОВОГО ЧИСЛА

Рис. 1. Сравнение моделей фактических и прогнозируемых значений r-RON обучающих последовательностей.

В этом исследовании периодичность отбора

нелинейные зависимости, что делает ее особенно

проб для анализа свойств исходного сырья, аб-

подходящей для решения задач со сложным вну-

сорбента и бензина в установке S Zorb составляет

тренним механизмом и случайной корреляцией.

2-3 раза в неделю. Предварительно обработанные

Хотя алгоритм модели будет ограничивать ее эф-

образцы моделирования являются независимыми

фективность, правильная настройка параметров

и сильно нелинейными. Модель BPNN обладает

может значительно повысить точность модели.

хорошей способностью аппроксимировать такие

Структура сети и схема алгоритма модели RBFNN

Таблица 3. Показатели оценки моделей BPNN, RBFNN и GRNN

MAE

MSE

R²

Тип образца

BPNN

RBFNN

GRNN

BPNN

RBFNN

GRNN

BPNN

RBFNN

GRNN

Обучающая

0.11

0.14

0.03

0.05

0.04

0.98

0.97

0.96

последовательность

Тестовая

0.16

0.24

0.20

0.04

0.11

0.07

0.96

0.89

0.93

последовательность

НЕФТЕХИМИЯ том 63 № 1 2023

BO CHEN и др.

Рис. 2. Сравнение моделей фактических и прогнозируемых значений r-RON тестовых последовательностей.

такие же, как у модели BPNN, но определение ее

управлять реальным промышленным производ-

центральных точек и нейронов более сложное,

ством без оптимизации рабочих переменных. Для

что приводит к низкой точности прогноза. Преи-

оптимизации 15 переменных и получения самого

мущество модели GRNN заключается в том, что

высокого значения r-RON, на основе этой модели,

она имеет хороший эффект прогнозирования для

с учетом свойств сырья, адсорбента и предпосылок

группы образцов с небольшими по объему и неста-

обеспечения эффекта десульфуризации, были ис-

бильными данными, но общая точность снижает-

пользованы три интеллектуальных алгоритма оп-

ся, поскольку сеть легко сходится к оптимальной

тимизации: генетический алгоритм (GA), алгоритм

регрессии при большом размере выборки. Подводя

оптимизации роя частиц (PSO) и алгоритм модели-

итоги, можно отметить, что модель BPNN была вы-

рования отжига (SA) (см. табл. 1).

брана в качестве основы для представленных ниже

Оптимизация методом GA. Ядрами GA [18]

алгоритмов оптимизации r-RON.

являются генетические операторы выбора, скре-

Оптимизация числа r-RON. В огромном и

щивания и мутации, которые определяют поря-

сложном пространстве поиска многие задачи инже-

док отбора алгоритмом GA индивидов с высокой

нерной оптимизации часто нуждаются в оптималь-

адаптивностью и правила генерации новой попу-

ном решении. Описанная выше модель BPNN эф-

ляции. В качестве оператора выбора использовали

фективно прогнозирует число r-RON, но не может

метод рулетки, включающий следующие шаги:

НЕФТЕХИМИЯ том 63 № 1 2023

ПРОМЫШЛЕННАЯ КОМПЬЮТЕРНАЯ МОДЕЛЬ СНИЖЕНИЯ ПОТЕРЬ ОКТАНОВОГО ЧИСЛА

1) расчет общей приспособленности популяции F: Ukmax - нижний и верхний пределы значения в точке

вариации.

Оптимизация методом PSO. Метод PSO [13]

рассматривает индивидуумов в группе как части-

где N - численность популяции;

цы без веса и объема в D-мерном пространстве по-

иска. Для того чтобы реализовать эволюцию реше-

2) вычисление вероятности p_i появления инди-

ний, нужно учитывать следующее: каждая частица

вида в следующем поколении:

движется в пространстве с определенной скоро-

стью и собирается как в собственной наилучшей

позиции, так и в исторически наилучшей позиции

окрестности. Ядром метода является непрерывная

3) расчет кумулятивной вероятности q_i отдель-

регулировка скорости и направления индивида в

ных индивидов:

соответствии с информацией о его местоположе-

нии. Общий метод обновления скорости представ-

лен уравнением (7):

4) генерирование случайного числа в диапазоне

(7)

[0, 1]. Если случайное число меньше q_i и больше

qi-1, индивид i попадает в следующее поколение;

где V_id - D-мерная скорость i-й частицы; ω - коэф-

5) шаг 4 повторяют до тех пор, пока числен-

ность популяции следующего поколения не будет

фициент инерции; C₁ и C₂ - константы ускорения

в диапазоне [0, 4]; random (0, 1) - случайное число

соответствовать требованиям.

в диапазоне [0, 1]; P_id - D-размерность индивиду-

В данном исследовании используется схема ко-

ального оптимального решения для i-й частицы;

дирования действительных чисел, поэтому выбран

P_gd - D-размерность глобального оптимального ре-

оператор арифметического скрещивания, означа-

шения; X_id - D-размерность i-й частицы.

ющий, что гены потомства генерируются посред-

ством линейной комбинации генов родителя. Гены

При ω = 0.7, C₁=C₂=1.4 алгоритм обладает наи-

большей оптимизационной способностью. Началь-

потомства приведены в уравнении (5):

ная численность популяции и количество итераций

очень важны для оптимизации алгоритма. Наилуч-

(5)

ший результат оптимизированного r-RON в этом

исследовании достигается, когда численность по-

пуляции составляет 25, а количество итераций рав-

но 10.

где x и

- дочерние индивиды; x₁ и x₂ - отцовские

индивиды; λ - случайная константа из диапазона

Оптимизация методом SA. Метод SA [19] по-

[0, 1].

зволяет преодолеть тот недостаток, что процесс

оптимизации традиционных алгоритмов легко

Для исследования принят равномерный опера-

попадает в локальный экстремум и зависимость

тор мутации. Конкретный метод показан в уравне-

от начальных значений. К основным параметрам

нии (6):

алгоритма SA относятся начальная температура,

температура охлаждения, длина цепи Маркова (L),

(6)

вероятность принятия нового решения и выбор

функции генерации состояний. Функция падения

температуры представлена уравнением

где X_k - новое значение гена; random (0, 1) с равной

(8)

вероятностью принимает значение 0 или 1; Ukmin и

i−

НЕФТЕХИМИЯ том 63 № 1 2023

BO CHEN и др.

Рис. 3. Сравнение оптимизированных и фактических значений r-RON.

где T_i - температура; a - скорость падения темпера-

(9)

туры. В настоящем исследовании начальная темпе-

ратура T₀ равна 100°С, а a равна 0.98.

где A_i - значение i-й переменной нового решения;

Принцип выбора значения L зависит от сложно-

Aimin и Aimax - нижний и верхний пределы i-й пере-

сти задачи оптимизации. После определения коэф-

менной; δ - случайная константа из диапазона [0, 1].

фициента охлаждения, значение L должно прибли-

Для принятия плохого нового состояния с опре-

зить спад температуры к равновесному состоянию.

деленной вероятностью введен критерий мега-

В данном исследовании имеется много факторов со

сложной взаимосвязью установки S Zorb, поэтому,

полиса [20], что позволяет эффективно избежать

после сравнения значение L было принято равным

попадания SA в локальное оптимальное решение.

200. Расчет заканчивается по выполнении условия

Критерий мегаполиса генерирует вероятность P в

завершения: T_min = 0.01 или количество итераций

соответствии с текущим параметром температуры t

равно 200.

и функцией энергии E двух состояний, а затем слу-

Функция генерации состояния представляет со-

чайным образом генерирует значение в диапазоне

бой алгоритм нового решения. В этом исследова-

[0, 1]. Если случайное значение меньше P, новое

нии для получения новых решений между верхним

состояние будет принято, в противном случае оно

и нижним пределами переменных использовали

будет отклонено. В этом исследовании функция

метод интерполяции:

энергии E представляет собой разность между зна-

НЕФТЕХИМИЯ том 63 № 1 2023

ПРОМЫШЛЕННАЯ КОМПЬЮТЕРНАЯ МОДЕЛЬ СНИЖЕНИЯ ПОТЕРЬ ОКТАНОВОГО ЧИСЛА

ческого r-RON показаны на рис. 3. Видно, что ис-

пользуемые алгоритмы дают хорошие результаты,

при этом оптимизированное значение r-RON улуч-

шается в разной степени.

На рис. 4 показано сравнение фактических и

оптимизированных значений потерь r-RON по

моделям GA-BPNN, PSO-BPNN и SA-BPNN. Эти

алгоритмы позволяют уменьшить потери r-RON,

а алгоритм PSO является лучшим, поскольку дает

наименьшее значение потерь r-RON.

В табл. 4 показаны оптимизированные значения

r-RON, полученные для 422 образцов с помощью

алгоритмов GA, PSO и SA. Средняя потеря r-RON

у 422 образцов составляет 1.38 ед. После оптими-

зации методами GA, PSO и SA средние значения

Рис. 4. Сравнение оптимизированных и фактических

потерь r-RON снизились до 0.8, 0.71 и 0.86 ед., т. е.

потерь r-RON.

на 42.03, 48.55 и 37.68% соответственно.

В целом, для 422 образцов оптимизационные

чениями RON двух решений. Генерирующая функ-

эффекты алгоритмов GA и PSO значительно луч-

ция P показана в уравнении (10):

ше, чем SA. Среди них лучший эффект оптимиза-

ции имеет модель PSO-BPNN.

Результаты оптимизации рабочих переменных.





exp

−

(10)

Основываясь на шести свойствах сырья, отработан-









ных и регенерированных абсорбентов и очищенно-

го бензина (табл. 1), соответствующих каждому из

422 образцов, с помощью модели PSO-BPNN для

Результаты оптимизации значения r-RON. Со-

снижения потерь r-RON были оптимизированы 15

гласно сравнительному анализу, приведенному в

рабочих переменных каждого образца. Диапазон

подразделе «Сравнение трех моделей прогнози-

оптимизации этих переменных показан в табл. 5.

рования значения r-RON», характеристики модели

Учитывая стабильную работу установки S Zorb,

BPNN являются лучшими. Основываясь на этой

были оптимизированы только 10 из 15 рабочих

модели, при помощи алгоритмов GA, PSO и SA

переменных, указанных в табл. 5. Три результата,

были определены оптимальные рабочие перемен-

приведенные в табл. 6, показывают, что с помощью

ные для минимальных потерь r-RON. Чем выше

модели PSO-BPNN потери r-RON для каждого об-

значение r-RON, тем лучше эффект оптимизации.

разца можно уменьшить путем оптимизации его

Результаты сравнения оптимизированного и факти-

рабочих переменных.

Таблица 4. Результаты оптимизации для 422 образцов

Оптимизированное значение

Фактическое

Параметр

значение

PSO

Среднее значение r-RON, ед.

88.53

89.10

89.19

89.05

Средние потери r-RON, ед.

1.38

0.80

0.71

0.86

Падение средних потерь r-RON, %

42.03

48.55

37.68

НЕФТЕХИМИЯ том 63 № 1 2023

BO CHEN и др.

Таблица 5. Диапазон оптимизации рабочих переменных

Рабочая переменная

Нижний предел

Верхний предел

Соотношение водорода и нефти, м³/м³

0.22

0.30

Среднечасовая скорость подачи сырья, ч^-1

3.00

4.50

Температура в нижней части реактора, °С

415

425

Температура регенератора, °С

480

515

Давление в верхней части реактора, МПа

2.40

2.55

Перепад давления между верхней и нижней частями реактора, кПа

100

Расход псевдоожиженного водорода в установке для химического

600

1000

восстановления, м³/ч

Расход регенерационного потока, м³/ч

150

550

Расход лифтового азота в регенераторе, м³/ч

Расход смешанного водорода, м³/ч

6000

8500

Расход сухого газа на выходе, т/ч

550

1300

Расход сырья на входе, т/ч

125

140

Расход очищенного бензина на выходе, т/ч

110

140

Расход нафты на входе, кг/ч

4000

12000

Расход легких углеводородов, кг/ч

2500

Согласно данным, представленным в табл. 6,

Чем больше объемно-массовая скорость реактора,

оптимизированное отношение водорода к нефти

тем короче время пребывания, меньше реакция

распределено вблизи нижнего предела интерва-

насыщения олефинов водородом и меньше потери

ла оптимизации, среднечасовая скорость подачи

r-RON. За исключением вышеупомянутых четырех

сырья - вблизи ее верхнего предела, расход сме-

переменных, очевидного смещения (уменьшения

шанного водорода - вблизи его нижнего предела,

или увеличения) других рабочих переменных по-

расход регенерационного потока - вблизи его верх-

сле оптимизации не наблюдается, что вызвано вза-

него предела, т. е. соответствующее снижение от-

имосвязью между ними, а также различными свой-

ношения водорода к нефти и расхода смешанного

ствами сырья и скоростью десульфуризации.

водорода, увеличение объемно-массовой скорости

Кроме того, на десульфуризацию и потери

реактора и расхода регенерационного потока по-

r-RON влияют такие факторы, как температура и

лезно для увеличения значения r-RON в оптими-

давление. Модель PSO-BPNN позволяет эффектив-

зированном диапазоне. Более высокое отношение

но анализировать некоторые внутренние связи раз-

водорода к нефти и расход смешанного водорода

личных переменных и разумно комбинировать их

будут интенсифицировать реакции насыщения во-

значения для выполнения оптимизации (увеличе-

дородом олефинов в бензине, что приведет к уве-

ния значения r-RON), что невозможно представить

личению потерь r-RON. Расход регенерационного

непосредственно в табл. 6.

потока влияет на скорость циркуляции адсорбента.

Чем быстрее скорость циркуляции, тем меньше

Промышленная верификация модели. Выполне-

ны два этапа промышленных испытаний модели

время пребывания адсорбента в регенераторе и тем

хуже эффект регенерации адсорбента, т. е. актив-

PSO-BPNN на установке S Zorb. Благодаря сбо-

ность адсорбента становится ниже, интенсивность

ру и анализу необходимых входных переменных

протекания реакций насыщения олефинов водоро-

с применением этой модели рабочие переменные

дом в бензине также уменьшается. В соответствии

оптимизированы и реализованы. Результаты пока-

с технологическим процессом S Zorb, в реакциях

зывают, что среднее снижение потерь r-RON при

участвует небольшое количество водорода, что

использовании модели на первом этапе в течение

приводит к насыщению олефинов в бензине FCC

36 дней составляет 35.21%, а на втором этапе в те-

путем гидрирования и снижению значения r-RON.

чение 12 дней - 10.75%, при этом содержание серы

НЕФТЕХИМИЯ том 63 № 1 2023

ПРОМЫШЛЕННАЯ КОМПЬЮТЕРНАЯ МОДЕЛЬ СНИЖЕНИЯ ПОТЕРЬ ОКТАНОВОГО ЧИСЛА

Таблица 6. Оптимизация рабочих переменных для трех образцов (частей)

Образец 1

Образец 2

Образец 3

Рабочая переменная

Объемное отношение водорода к нефти

0.27

0.23

0.30

0.23

0.29

0.23

Среднечасовая скорость подачи сырья, ч^-1

3.68

4.42

4.04

4.11

4.63

4.42

Температура в нижней части реактора, °С

419.89

415.03

418.89

415.15

421.87

419.13

Температура регенератора, °С

506.57

506.46

503.84

510.12

510.55

507.21

Давление в верхней части реактора, МПа

2.43

2.54

2.36

2.46

2.39

2.51

Перепад давления между верхней и нижней

98.90

99.38

90.10

98.30

75.55

95.24

частями реактора, кПа

Расход псевдоожиженного водорода в установке

649.73

629.52

645.94

648.18

640.44

700.77

для химического восстановления, м³/ч

Расход регенерационного потока, м³/ч

318.95

531.20

239.46

157.69

310.13

166.25

Расход лифтового азота в регенераторе, м³/ч

70.04

88.25

70.59

87.73

73.79

93.80

Расход смешанного водорода, м³/ч

7689.62

6005.33

8487.64

6056.51

7353.67

6049.79

Расход нафты на входе, кг/ч

4725.71

4306.28

6249.05

4234.79

2653.67

4592.31

Расход сырья на входе, т/ч

135.14

134.98

129.69

Расход сухого газа на выходе, т/ч

1064.68

760.93

968.26

Расход очищенного бензина на выходе, т/ч

124.13

123.69

119.82

Расход легких углеводородов, кг/ч

0.00

1536.67

0.00

r-RON сырья, ед.

88.40

87.20

87.50

r-RON, ед.

87.20

87.81

85.60

86.34

85.60

96.50

Потери r-RON, ед.

1.20

0.59

1.60

0.86

1.90

1.00

Снижение потерь r-RON, %

50.83

46.25

47.37

в очищенном бензине составляет менее 5 мкг/г.

3. Модель BPNN объединила алгоритмы PSO,

За счет непрерывной оптимизации потери r-RON

GA и SA для оптимизации рабочих переменных с

установки S Zorb могут быть уменьшены до зна-

целью уменьшения потерь r-RON. Установлено,

чения менее 1 ед., что указывает на надежность и

что наилучший эффект оптимизации наблюдается

эффективность модели PSO-BPNN.

для модели PSO-BPNN, поскольку снижение по-

терь r-RON на 48.55%, является наибольшим.

ВЫВОДЫ

4. Достоверность модели PSO-BPNN проверена

на установке S Zorb. Методы исследования, исполь-

1. На основе промышленных данных, получен-

зованные для создания компьютерно-управляемой

ных от китайского подразделения S Zorb, в ходе

модели снижения потерь r-RON, также заслужива-

предварительной обработки были отобраны 22 мо-

ют распространения на другие блоки установки S

делируемые переменные и 422 образца.

Zorb.

2. Для прогнозирования значения r-RON были

созданы три модели: BPNN, RBFNN и GRNN. По-

КОНФЛИКТ ИНТЕРЕСОВ

казано, что модель BPNN имеет самую высокую

точность прогнозирования значения r-RON и са-

Авторы заявляют об отсутствии каких-либо

мую высокую способность к обобщению.

коммерческих или ассоциативных интересов, ко-

НЕФТЕХИМИЯ том 63 № 1 2023

BO CHEN и др.

торые представляют собой конфликт интересов в

Martínez-Martínez J.M., Escandell-Montero P., Soria-

связи с представленной работой.

Olivas E., Martín-Guerrero J.D., Serrano-López A.J.

A new visualization tool for data mining techniques //

Prog. Artif. Intell. 2016. V. 5. P. 137-154. https://doi.

ИНФОРМАЦИЯ ОБ АВТОРАХ

org/10.1007/s13748-015-0079-4

Bo Chen, ORCID: http://orcid.org/0000-0002-

Chang Z.H., Zhang Y., Chen W.B. Electricity price

3997-1184

prediction based on hybrid model of adam optimized

LSTM neural network and wavelet transform // Energy.

Jie Wang, ORCID: http://orcid.org/0000-0002-

2019. V. 187. P. 115804. https://doi.org/10.1016/j.

5150-9961

energy.2019.07.134

Song Liu, ORCID: http://orcid.org/0000-0002-

Luor D.C. A comparative assessment of data

5048-2445

standardization on support vector machine for

Fusheng Ouyang, ORCID: http://orcid.org/0000-

classification problems // Intell. Data Anal. 2015. V. 19.

0001-7523-6673

P. 529-546. https://doi.org/10.3233/IDA-150730

Da Xiong, ORCID: http://orcid.org/0000-0002-

10.

Duan H.M., Pang X.Y. A multivariate grey prediction

3055-0500

model based on energy logistic equation and its

application in energy prediction in China // Energy.

Mingyang Zhao, ORCID: http://orcid.org/0000-

2021. V. 229. P. 120716. https://doi.org/10.1016/J.

0003-3952-7160

ENERGY.2021.120716

11.

Fang S.E., Chen S. Model-free damage localization of

СПИСОК ЛИТЕРАТУРЫ

structures using wavelet based grey relational analysis //

Qiu L.M., Xiang Y.J., Xin M.D., Zou K., Zheng A.G.,

Smart Mater. Struct. 2020. V. 29. № 8. P. 085046. https://

Xu G.T. Structural verification of nickel sulfide on spent

doi.org/10.1088/1361-665X/ab99da

S Zorb adsorbent as studied by HRTEM and XPS // J.

12.

Cai Y.G., Xi M.C., Xue Q.H. Study on the applications of

Mol. Struct. 2020. V. 1202. P. 127215-127215. https://

neural networks for processing deformation monitoring

doi.org/10.1016/j.molstruc.2019.127215

data // Appl. Mech. Mater. 2014. V. 501-504. P. 2149-

Ribeiro E Sousa L.R., Miranda T., e Sousa R.L., Tinoco J.

2153. https://doi.org/10.4028/www.scientific.net/

The use of data mining techniques in rockburst risk

AMM.501-504.2149

assessment // Engineering. 2017. V. 3. P. 552-558.

13.

Zhang E.L., Hou L., Shen C., Shi Y.L., Zhang Y.X.

https://doi.org/10.1016/J.ENG.2017.04.002

Sound quality prediction of vehicle interior noise and

Ouyang F.S., Zhang J.H., Fang W.G. Optimizing product

mathematical modeling using a back propagation neural

distribution in the heavy oil catalytic cracking (MIP)

network (BPNN) based on particle swarm optimization

process // Petrol. Sci. Technol. 2017. V. 35. P. 1315-

(PSO) // Meas. Sci. Technol. 2016. V. 27. P. 015801.

1320. https://doi.org/10.1080/10916466.2017.1297826

https://doi.org/10.1088/0957-0233/27/1/015801

Sadighi S., Mohaddecy R.S., Norouzian A. Optimizing

14.

Liu Xm., Liu Jc., Xu Yr. Motion control of underwater

an industrial scale naphtha catalytic reforming plant

vehicle based on least disturbance BP algorithm // J.

using a hybrid artificial neural network and genetic

Marine. Sci. Appl. 2002. V. 1. P. 16-20. https://doi.

algorithm technique // Bull. Chem. React. Eng. Catal.

org/10.1007/BF02921411

2015. V. 10. P. 210-220. https://doi.org/10.9767/

15.

Potts M.A.S., Broomhead D.S. Time series prediction

bcrec.10.2.7171.210-220

with a radial basis function neural network //

Zhu W.B., Webb Z.T., Mao K., Romagnoli J. A deep

Proc. SPIE. 1991. V. 1565. P. 255-266. https://doi.

org/10.1117/12.49782

learning approach for process data visualization using

t-distributed stochastic neighbor embedding // Ind.

16.

Zhao Y.P., Zhou X.L. K-means clustering algorithm

Eng. Chem. Res. 2019. V. 58. P. 9564-9575. https://doi.

and its improvement research // J. Phys.: Conf. Ser.

org/10.1021/acs.iecr.9b00975

2021. V. 1873. P. 012074. https://doi.org/10.1088/1742-

Chang P., Li Z.Y., Wang G.M., Wang P. An effective deep

6596/1873/1/012074

recurrent network with high-order statistic information

17.

Yousef W.A. Estimating the standard error of cross-

for fault monitoring in wastewater treatment process //

validation-based estimators of classifier performance //

Expert Syst. Appl. 2020. V. 167. P. 114141. https://doi.

Pattern Recognit. Lett. 2021. V. 146. P. 115-125. https://

org/10.1016/j.eswa.2020.114141

doi.org/10.1016/J.PATREC.2021.02.022

НЕФТЕХИМИЯ том 63 № 1 2023