论文摘要
化工过程可以从快速准确的流出物成分预测中获益良多,以进行工厂设计、控制和优化。工业4.0革命宣称,通过将机器学习引入这些领域,就可实现可观的经济收益和环境收益。高频优化和工艺控制的瓶颈往往是按要求对原料和产品等进行详细分析所需的时间。为解决这些问题,已为最大的化工品生产工艺——蒸汽裂解建立由4个深度学习人工神经网络（deep learning artificial neural network,DL ANN）组成的框架。所提出的方法可根据有限数量的石脑油商业指标和可快速获得的工艺特性,来确定石脑油原料的详细特性和蒸汽裂解炉流出物的详细组成。根据沸点曲线上的三个点和PIONA （paraffin,iso-paraffin,olefin,naphthene,aronatic,烷烃、异链烷烃、烯烃、环烷烃和芳香烃）特性预测石脑油的详细特性。若沸点不可用,则同时对沸点进行估计。即使在沸点是被估计的情况下,所建立的深度学习人工神经网络仍优于已有的香农信息熵最大化和传统人工神经网络等方法。对于原料重构,在测试集得到的平均绝对误差（mean absolute error,MAE）为0.3%（质量分数,下同）,流出物预测的平均绝对误差为0.1%。结合所有网络使用前一网络的输出作为下一网络的输入——流出物平均绝对误差增大至0.19%。除这些网络具有高精度外,主要好处是获得预测值所需的计算成本可忽略不计。在标准的英特尔i7处理器上,预测值以毫秒为单位。COILSIMID等商业软件在精度方面表现稍好一些,但每个反应所需的中央处理器时间以秒为单位。精度损失极小,而速度大大提高,使所提出的框架非常适用于工艺参数难以获得的连续监控过程,且非常适用于预想的高频实时优化（real-time optimization,RTO）策略或工艺控制。然而,由于这种方法缺乏基本依据,这意味着这种方法几乎丧失了可解释性,而这并不总是被工程界广泛接受。此外,对于那些训练集之外的,所建立网络的性能有明显下降。
论文目录
文章来源
类型: 期刊论文
作者: Pieter P.Plehiers,Steffen H.Symoens,Isma?l Amghizar,Guy B.Marin,Christian V.Stevens,Kevin M.Van Geem
关键词: 人工智能,深度学习,蒸汽裂解,人工神经网络
来源: Engineering 2019年06期
年度: 2019
分类: 工程科技Ⅱ辑,工程科技Ⅰ辑,信息科技
专业: 燃料化工,石油天然气工业,自动化技术
单位: Laboratory for Chemical Technology, Department of Materials, Textiles and Chemical Engineering, Ghent University,SynBioC Research Group, Department of Green Chemistry and Technology, Faculty of Bioscience Engineering, Ghent University
基金: financial support from a doctoral fellowship from the Research Foundation-Flanders (FWO),financial support from SABIC Geleen,funding from the COST Action CM1404 ‘‘Chemistry of smart energy and technologies.”,funded by the EFRO Interreg V Flanders-Netherlands program under the IMPROVED project,financial support from the Long Term Structural Methusalem Funding by the Flemish Government(BOF09,01M00409)
分类号: TP18;TE626.9
页码: 1027-1040+1140-1154
总页数: 29
文件大小: 7013K
下载量: 15