用于FCC汽油辛烷值预测的非线性数学模型.pdfVIP

炼 油技 术与 工程 PETROLEUM REFINERYENGINEERING 2012年第42卷 第2期 用于 FCC汽油辛烷值预测的非线性数学模型水 孙忠超，山红红，刘熠斌，杨朝合，李春义一 (中国石油大学重质油国家重点实验室，山东省青岛市266555) 摘要：依据汽油正构烷烃、异构烷烃、烯烃、环烷烃和芳烃(PIONA)的烃组成数据，将催化裂化(FCC)汽油单体 烃组成分为37组，利用BP神经网络算法和支持向量机回归 (SVR)分别建立了FCC汽油研究法辛烷值对37个变 量的非线性数学模型。由MATLAB软件编写程序，利用LevenbergM·arquardt优化算法训练BP神经网络。支持向 量机回归模型采用粒子群算法优化支持向量机参数及核函数参数 ，并采取交叉验证方法防止机器学习的欠学习和 过拟合问题。计算结果表明：两种模型都能够较好地反映汽油单体烃组成与辛烷值之间的非线性关系；BP神经网 络模型对辛烷值的预测性能好于支持向量机回归模型；增加样本数量 ，两种方法的预测准确性皆变好；针对4o个 样本的学习结果，两种模型预测的相对误差绝对值的平均值分别为0．1487和0．1674。 关键词：FCC汽油 研究法辛烷值 BP神经网络 支持向量机 粒子群算法 过去研究者在 FCC汽油辛烷值预测方面进 道较少Ll引。两种方法的预测效果如何，哪种算法 行了许多尝试，例如利用汽油的红外或近红外光 更有优势，还没有实例报道。文献一般认为，由于 谱 、核磁共振波谱 J、拉曼光谱 等数据关联 支持向量机采用结构风险最小化准则，其在小样 其辛烷值，然而这些检测方法都存在一定弊端，如 本学习中优势较为突出，但并没有给出实例证明。 谱图难以分辨或基线漂移等问题。也有学者采用 本研究依据汽油PIONA烃组成数据，将汽油 气相色谱结果关联计算汽油辛烷值 ]，这种方法 不同种类单体烃按碳数分为37组。每一组的质 有的用大量的实验值回归参数，有的需要汽油中 量组成看为一个变量，将汽油研究法辛烷值看作 单体烃纯组分的辛烷值，计算量大。近期有将集 这 37个变量的函数，利用BP神经网络算法和支 总方法应用到汽油辛烷值数学模型的报道ll“J。 持向量机回归 (SVR)分别建立 FCC汽油的辛烷 模型将汽油组成划分为3个集总，建立辛烷值对 值非线性模型。应用训练好的学习机器对 10个 集总的非线性函数。然而用3个集总代表汽油组 样本进行辛烷值预测，计算相对误差，比较两种模 成考虑太简单，对相同集总组成的汽油辛烷值预 型的预测性能。 测有可能产生较大偏差。 随着检测技术的进步，利用气相色谱法测定 1 单体烃分组及辛烷值测定 汽油的全组成变得容易。直观上理解，辛烷值与 借鉴文献[14]中的方法，根据各种单体烃类 汽油组成有关，是所有烃类及非烃类组成的函数。 型与辛烷值的关系及集总的思想，忽略含量较少 而汽油中存在二百多种组分，准确测定所有组分 的c：组分，将 FCC汽油中的单体烃按碳数和结 并建立辛烷值的预测模型较困难且没有必要，因 构划分为 37个组，见表 1。其研究法辛烷值 而仍然需要一定程度上的集总。 (RON)视为37组烃类质量组成的函数：RON= 人工神经网络 ¨和支持向量机_1作为两种 收稿13期：2011—08—23。 智能机器学习算法，都具有 良好的非线性特征，在 作者简介：孙忠超 ，2009年毕业于中国石油大学(华东)，获 函数逼近与回归中应用广泛。这两种不同的算法 学士学位，现为中国石油大学 (华东)在读研究生，主要从事 在多因素变量回归建模中有较大优势，适用于难