摘 要

Abstract I

第一章 绪论 1

1.1课题的研究意义 1

1.2催化裂化反应再生系统建模方法 1

1.3课题研究内容简介 1

第二章 催化裂化反应再生工艺 1

2.1催化裂化及催化裂化的作用 2

2.2目前国内外催化裂化工艺发展情况 2

2.3催化裂化反应再生系统工艺简述 2

第三章 神经网络 4

3.1神经网络的概念 4

3.2神经网络的基本结构 4

3.3神经网络的训练方法 6

3.4 BP算法 7

3.4.1 LMS算法 7

3.4.2 BP算法运行步骤 8

3.4.3 关于学习速度 9

3.5 LMBP算法简介 9

第四章 催化裂化反应再生系统BP算法建模 10

4.1 关于建模过程中的数据 10

4.2 训练前的神经网络结构初步选择 12

4.3 BP算法模型程序 12

4.4 BP神经网络的训练及模型结构的最终确定 15

4.5 LMBP算法模型程序 16

第五章 模型验证 21

5.1 BP模型验证与评价 21

5.2 LMBP模型验证与评价 22

第六章 结果与展望 23

参考文献 24

致谢 25

摘要

催化裂化反应再生工艺作为目前将重质油转化为轻质油的重要工艺过程之一，对该工艺过程进行建模十分必要。人工神经网络作为一种应用范围广泛，实用性强的计算机结构，具有很强的非线性预测和自适应学习能力,本文运用它来对催化裂化反应再生系统进行黑箱建模。在本课题中，采用BP算法和LMBP算法对神经网络进行训练。训练数据来自九江石化炼油厂，选取收率数据中的全部16个变量作为神经网络的输入变量，汽油产率作为输出变量，即目标变量。使用BP训练算法时，选择神经网络层数为3，隐含层第一层神经元数4个，隐含层第二层神经元数3个。将所有数据代入检验训练得到的神经网络，预测数据与实际数据相关度可达0.78。使用LMBP训练算法时，选择神经网络层数为2，隐含层神经元数4个。代入检验，预测数据与实际数据相关度为0.63左右。

关键词：催化裂化反应再生；人工神经网络；BP算法;LMBP算法

Abstract

As one of the very important ways that can transfer heavy oil into light oil, Catalytic cracking reaction-regeneration has the necessary to be precisely modeled. Artificial neural network(ANN) is a wildly used and strong-practicability calculator structure,with strong nonlinear prediction and self-adaption learning ability, so in this paper, I used it to build a black box model for the catalytic cracking reaction-regeneration process. I respectively choose Back-propagation algorithm(BP) and Levenberg-Marquardt algorithm(LMBP) to train the network being built. In this article, the data set used to train the network came from Jiujiang Petrochemical Refinery. From these data set, I choose the whole sixteen parameters as the input variables, and set the gasoline yield as the only output variable, which also can be called the target variable. When use the BP algorithm, the number of layers in network is three, number of neurons in the first hidden layer is four, and is three in the second layer. After the network has been trained, put all of the validation data set to validate the accuracy of the network in predict the gasoline yield and use correlation degree R as the evaluation criterion, we can get R egual to 7.8. When it comes to LMBP algorithm, the number of layers in network is two, number of neurons in the hidden layer is four, and R wanders surrounding 6.3.

Key words: Catalytic cracking reaction-regeneration; Artificial neural network(ANN); Bck-propagation algorithm(BP); Levenberg-Marquardt algorithm(LMBP)

第一章 绪论

1.1课题的研究意义

催化裂化反应再生过程在石油加工工业当中，是最为重要的能将重质油轻质化的过程之一。作为目前我国最大的丙烯来源以及汽油、柴油等运输燃料的重要来源，对催化裂化反应再生过程进行不断地研究大有其必要。不仅能为目前世界石油资源的短缺问题起到一定缓解作用，也可以为炼油厂带来可观的经济收益。

1.2催化裂化反应再生系统建模方法

对催化裂化反应再生系统进行建模的方法有许多，包括用统计学方法建立的统计模型^[1]，考虑反应动力学的机理模型等。事实上催化裂化机理建模是应用十分广泛的一种建模方法，模型通常包括两类:集总模型，关联模型。本课题将采用除了以上两种方法之外的另一种称为神经网络建模的方法进行模型建立。

1.3课题研究内容简介

本课题作为催化裂化反应再生系统优化大课题的一个小分支，将小试对催化裂化反应过程的建模。本课题将运用神经网络，采用黑箱建模的方法，训练出一个能在一定程度上反映出来自工厂的催化裂化反应数据输入与输出之间关系，并能用来预测在一定输入下的输出情况的神经网络结构。具体的建模过程中，首先需要确定神经网络的层数，然后选定一定参作为数神经网络的输入参数，亦需选定一定的参数作为神经网络的输出参数，继而通过训练，分别确定神经网络各隐含层的神经元数，训练过程的学习速度等参数，确定一个较优的神经网络结构。建模完成后，考察所建立的模型的性能，对模型作出评价。

第二章 催化裂化反应再生工艺

2.1催化裂化及催化裂化的作用

催化裂化反应是指，在催化剂的参与下，重质原料油在提升管式反应器内部发生裂化反应，生成轻质油的工业过程^[2]。催化裂化过程得到的主要产物包括汽油、柴油、液化气(丙烯)^[3]。

当前催化裂化反应再生工艺在化工领域的作用主要是生产丙烯，美国的炼油厂所生产的丙烯约占美国全年丙烯总产量的50%，乙烯则仅占1%左右^[3]。我国每年的丙烯生产量中，40%以上都由催化裂化所产生。预计在接下来的20年当中，对丙烯的需求增长率将会超过乙烯，催化裂化多产低碳烯烃装置，包括我国开发的催化裂解工艺（DCC）、多产液化气和汽油工艺（MGG）、灵活多效催化裂化工艺（FDFCC）等将会是非常重要的丙烯生产装置^[3]。

2.2目前国内外催化裂化工艺发展情况

流化催化裂化工艺过程在经过了过去几十年的发展改进之后，到现在技术已经很成熟。其优点多多，包括有，能最大量地生产高辛烷值的汽油组分，催化裂化原料的适应性广，从馏分油到重质油、原料油都可对其进行加工等等，由此可见流化催化裂化工艺在炼油工业过程中占有非常重要的地位，是炼油企业获取经济利益的一种重要手段^[4]。