乙炔加氢反应过程混合建模与优化

doi:10.11949/j.issn.0438-1157.20181082

摘要/Abstract

摘要：

针对传统单一建模方法所构建的乙炔加氢反应器数学模型存在预测性能无法满足工业实际应用需求的问题，提出了一种机理与神经网络嵌套的建模方法，充分利用机理模型包含的能质约束信息降低神经网络模型的约束违反度，得到了能够良好描述实际工业乙炔加氢反应过程特性的混合模型。基于反应器混合模型，研究了以运行效益为目标函数的优化问题。主要决策变量包括：一段反应器进料中氢气与乙炔的摩尔比（R _H/A）、进料温度和反应器运行周期等几个关键参数。针对反应器长期运行后，催化剂活性降低造成的处理能力下降的问题，提出了反应温度补偿机制和R _H/A并行调节的运行优化策略，并采用序列法对反应器运行周期进行离散化处理。通过引入差异化变异策略、潜在解替代策略对两阶段差分算法进行改进，采用增量式编码法结合改进两阶段差分算法，对优化问题进行求解。结果证实了优化策略与改进算法的有效性，并据此确定了反应器最佳运行方案。

关键词: 乙炔加氢, 动力学模型, 控制, 算法, 优化

Abstract:

The mathematical model of the acetylene hydrogenation reactor established by traditional single modeling method does not meet the needs of industrial practical applications in predictive performance. This paper proposes a mechanism and neural network nesting modeling method, which fully utilizes the mechanism model. It makes full use of mass and energy balance information in mechanism model to reduce the degree of constraint violation of the neural network model, which can describe the process characteristics of industrial reactor well. The optimization problem which targets the operational profits as the objective function is studied basing on the hybrid model. The main decision variables include several key parameters, such as the reactor feed hydrogen-alkyne ratio, the feed temperature, and the two-stage reactor operating cycle and many more. For the long-term operation of the reactor, processing capacity of the reactor will decrease due to the decreased catalyst activity, and an improved optimizing strategy is proposed by adjusting the hydrogen-alkyne ratio as well as the reaction temperature simultaneously. The sequence method is used to discretize the operating cycle of the reactor. The two-stage difference algorithm is improved by introducing differential mutation strategy and potential solution alternative strategy. Then the optimization problem is solved by combining the incremental coding method with the improved two-stage difference algorithm. And the results confirm the effectiveness. Furthermore the optimal operating cycle and operating strategy of the reactor are given.

Key words: acetylene hydrogenation, dynamic model, control, algorithm, optimization

中图分类号:

TP 18

叶贞成, 周换兰, 饶德宝. 乙炔加氢反应过程混合建模与优化[J]. 化工学报, 2019, 70(2): 496-507.

Zhencheng YE, Huanlan ZHOU, Debao RAO. Hybrid modeling and optimization of acetylene hydrogenation process[J]. CIESC Journal, 2019, 70(2): 496-507.

图/表 15

图1 混合模型结构

Fig.1 Schematic diagram of hydrid model structure

图2 神经网络结构

Fig.2 Schematic diagram of ANN structure

表1 不同模型对应的预测误差

Table 1 Prediction error of different models/%

Parameters	Hybrid model	Mechanism model
acetylene	1.706	7.040
ethylene	0.025	1.119
temperature	0.429	0.985

表2 正交实验因素水平表

Table 2 Factors and levels of orthogonal test

Level	Factor
Level	NP	β	NS	δ	R
1	70	0.1	4	0.8	0.1
2	80	0.2	5	0.85	0.2
3	90	0.3	6	0.9	0.3
4	100	0.4	7	0.95	0.4

表3 标准差分析表

Table 3 Analysis table of standard deviation

Problem	NP	β	NS	δ	R
C07	0.150	0.095	0.095	0.095	0.095
C08	3.553	1.474	3.010	1.635	3.354
C13	0.252	0.134	0.140	0.035	0.071
C15	3.688	3.588	3.588	3.688	3.588
C17	0.094	0.133	0.168	0.113	0.062
C18	0.307	0.446	0.240	0.409	0.252

表4 时间复杂度分析表

Table 4 Time complexity analysis table

Dim	Algorithm	T ₁	T ₂	(T ₂-T ₁)/T ₁
10	TSDE	0.01240	0.18911	14.25080
10	RTSDE	0.01269	0.22084	16.40268
30	TSDE	0.02741	0.21881	6.98285
30	RTSDE	0.02786	0.24745	7.88191

表5 最优值对比

Table 5 Comparison of best values

Pro	TSDE		εDEag		CO-CLPSO
Pro	10	30	10	30	10	30
C01	+	+	~	~	~	+
C02	+	+	~	+	~	~
C07	~	+	~	+	+	+
C08	~	+	~	+	+	+
C13	+	+	~	+	~	+
C14	~	+	~	+	+	+
C15	+	+	-	~	-	-
C16	+	+	+	~	~	~
C17	+	+	+	+	+	+
C18	+	+	+	+	+	+

表6 平均值对比

Table 6 Comparison of mean values

Pro	TSDE		εDEag		ICTLBO		CO-CLPSO
Pro	10	30	10	30	10	30	10	30
C01	+	+	-	~	+	+	+	+
C02	+	+	+	+	+	+	+	+
C07	~	~	+	+	+	+	+	+
C08	+	-	+	-	+	+	+	+
C13	+	+	~	+	+	+	+	+
C14	+	~	+	+	+	+	+	+
C15	+	-	+	~	+	~	+	+
C16	+	+	-	~	+	+	~	+
C17	+	+	+	+	+	+	+	+
C18	+	+	+	+	+	+	+	+

图3 测试函数收敛效果

Fig.3 Comparison of convergence for test functions

图4 算法迭代曲线

Fig.4 Iterative curves of algorithms

表7 算法结果对比

Table 7 Comparison of algorithms results

R₁ cycle	R₂ cycle	DE	TSDE	RTSDE
300	100	1.038×10⁵	1.104×10⁵	1.146×10⁵
	120	1.035×10⁵	1.107×10⁵	1.145×10⁵
	140	9.911×10⁴	1.062×10⁵	1.105×10⁵
320	100	1.014×10⁵	1.114×10⁵	1.149×10⁵
	120	1.103×10⁵	1.081×10⁵	1.132×10⁵
	140	9.646×10⁴	1.103×10⁵	1.105×10⁵
340	100	9.783×10⁴	1.108×10⁵	1.134×10⁵
	120	9.460×10⁴	1.075×10⁵	1.115×10⁵
	140	9.272×10⁴	1.045×10⁵	1.098×10⁵

图5 一段反应器催化剂选择性变化曲线

Fig.5 Curve of first reactor catalyst’s selectivity

图6 一段反应器出口温度变化曲线

Fig.6 Curve of first reactor outlet temperature

图7 总乙烯流率增量变化曲线

Fig.7 Curve of total flow rate increment of ethylene

符号说明

a_i ,a_j	——反应i、j的失活系数
C_i	——i组分的工厂实测浓度值
C_i ^sim	——模型对i组分的模拟浓度值
C_pi	——气体的比定压热容，kJ·kg^-1·K^-1
E	——相对误差
E _a	——失活活化能，kJ·kmol^-1
E_i	——反应i的活化能，kJ·kmol^-1
F_i	——气体i的摩尔流率，kmol·h^-1
g(·)	——约束条件
ΔH_j	——反应j焓变，kJ·kmol^-1
$Δ I C 2 H 4$	——两段反应器总乙烯流率增量，kmol·h^-1
K_i	——气体i的吸附常数，kPa^-1
k_a	——失活指前因子，kmol·kg^-1·h^-1·kPa^-3
k ₀ _,i	——反应i的指前因子，kmol·kg^-1·h^-1·kPa^-3
$M C 2 H 4$	——乙烯的质量通量，kg·kmol^-1
n_i	——反应i的失活级数
$P C 2 H 4$ ,P _reg	——分别表示乙烯的价格和催化剂再生费用
p_i	——气体i的分压，kPa
R	——理想气体常数，kJ·kmol^-1·K^-1
r_i ,r_j	——反应i、j的速率，kmol·kg^-1·h^-1
S	——反应器横截面积，m²
T	——反应温度，K
T ₁	——CEC2010测试函数求解10000次所需的平均计算时间，s
T ₂	——算法对CEC2010测试函数求解10000次所需的总平均计算时间，s
ΔT _max	——工厂实际温度的最大温升，K
t _first,t _second	——分别表示一段、二段反应器总运行时间，d
t ₁,t ₂	——分别表示一段、二段反应器当前运行时间，d
z	——反应器长度，m
ρ	——催化剂填充密度，kg·m^-3
下角标
in,out	——分别表示反应器进、出口
R₁,R₂	——分别代表一、二段反应器

符号说明

a_i ,a_j	——反应i、j的失活系数
C_i	——i组分的工厂实测浓度值
C_i ^sim	——模型对i组分的模拟浓度值
C_pi	——气体的比定压热容，kJ·kg^-1·K^-1
E	——相对误差
E _a	——失活活化能，kJ·kmol^-1
E_i	——反应i的活化能，kJ·kmol^-1
F_i	——气体i的摩尔流率，kmol·h^-1
g(·)	——约束条件
ΔH_j	——反应j焓变，kJ·kmol^-1
$Δ I C 2 H 4$	——两段反应器总乙烯流率增量，kmol·h^-1
K_i	——气体i的吸附常数，kPa^-1
k_a	——失活指前因子，kmol·kg^-1·h^-1·kPa^-3
k ₀ _,i	——反应i的指前因子，kmol·kg^-1·h^-1·kPa^-3
$M C 2 H 4$	——乙烯的质量通量，kg·kmol^-1
n_i	——反应i的失活级数
$P C 2 H 4$ ,P _reg	——分别表示乙烯的价格和催化剂再生费用
p_i	——气体i的分压，kPa
R	——理想气体常数，kJ·kmol^-1·K^-1
r_i ,r_j	——反应i、j的速率，kmol·kg^-1·h^-1
S	——反应器横截面积，m²
T	——反应温度，K
T ₁	——CEC2010测试函数求解10000次所需的平均计算时间，s
T ₂	——算法对CEC2010测试函数求解10000次所需的总平均计算时间，s
ΔT _max	——工厂实际温度的最大温升，K
t _first,t _second	——分别表示一段、二段反应器总运行时间，d
t ₁,t ₂	——分别表示一段、二段反应器当前运行时间，d
z	——反应器长度，m
ρ	——催化剂填充密度，kg·m^-3
下角标
in,out	——分别表示反应器进、出口
R₁,R₂	——分别代表一、二段反应器

参考文献 31

1	涂飞, 青红英, 罗雄麟, 等 . 乙炔加氢反应器的先进控制（Ⅰ）: 动态机理模型的建立[J]. 化工自动化及仪表, 2003, 30(1): 20-24.
	Tu F , Qing H Y , Luo X L , et al . Advanced process control of acetylene hydrogenation reactor (Ⅰ): Construct dynamic model[J]. Control and Instruments in Chemical Industry, 2003, 30(1): 20-24.
2	王松汉, 何细藕 . 乙烯工艺与技术[M]. 北京:中国石化出版社, 2000.
	Wang S H , He X O . Ethylene Process and Technology[M]. Beijing：China Petrochemical Press, 2000.
3	张万钧 . 扬子乙烯装置技术综览. 第一篇:综合技术[M]. 北京:中国石化出版社, 1997.
	Zhang W J . Technology Overview of Yangzi Ethylene Plant. Chapter 1：Integrated Technology[M]. Beijing：China Petrochemical Press, 1997.
4	谢府命, 许峰, 梁志珊, 等 . 乙炔加氢反应器全周期操作优化[J]. 化工学报, 2018, 69(3): 1081-1091.
	Xie F M , Xu F , Liang Z S , et al . Operation optimization of acetylene hydrogenation reactor on regeneration cycle[J]. CIESC Journal, 2018, 69(3): 1081-1091.
5	吴斌, 李绍军, 刘漫丹, 等 . 补偿模糊神经网络在乙炔加氢反应器中的作用[J]. 计算技术与自动化, 2003, 22(2): 307-310.
	Wu B , Li S J , Liu M D , et al . Application of compensated fuzzy neural network in acetylene hydrogenation reactor[J]. Computing Technology and Automation, 2003, 22(2): 307-310.
6	Gobbo R , Soares R P , Lansarin M A , et al . Modeling, simulation and optimization of a front-end system for acetylene hydrogenation reactors[J]. Braz.J. Chem. Eng., 2004, 21(4): 545-556.
7	Azizi M , Zolfaghari S A , Mousavi S A , et al . Study on the acetylene hydrogenation process for ethylene production: simulation, modification and optimization[J]. Chemical Engineering Communication, 2013, 200(7): 863-877.
8	Caetano R , Lemos M A , Lemos F , et al . Modeling and control of an exothermal reaction[J]. Chemical Engineering Journal, 2014, 238(4): 93-99.
9	田亮, 蒋达, 钱锋 . 乙炔加氢反应系统操作优化策略[J]. 化工学报, 2015, 66(1): 373-377.
	Tian L , Jiang D , Qian F . Operation optimization strategy for acetylene hydrogenation reaction system[J]. CIESC Journal, 2015, 66(1): 373-377.
10	Du W L , Bao C Y , Chen X , et al . Dynamic optimization of the tandem acetylene hydrogenation process[J]. Industrial & Engineering Chemistry Research, 2016, 55(46): 11983-11995.
11	田亮, 蒋达, 钱峰 . 钯金属催化剂上的乙炔工业选择性加氢反应动力学比较[J]. 计算机与应用化学, 2012, 29(9): 1031-1035.
	Tian L , Jiang D , Qian F . Reaction kinetic comparisons for industrial selective hydrogenation of acetylene on palladium catalysts[J]. Computers and Applied Chemistry, 2012, 29(9): 1031-1035.
12	Biegler L T . An overview of simultaneous strategies for dynamic optimization[J]. Chem. Eng. Process., 2007, 46(6): 1043−1053.
13	Borodzinski A . Selective hydrogenation of ethyne in ethene-rich streams on palladium catalysts(Part 1): Effect of changes to the catalyst during reaction [J]. Cat. Rev., 2006, 48(9): 91-144.
14	Schbib N S , García M A , Gigola C E , et al . Kinetics of front-end acetylene hydrogenation in ethylene production[J]. Ind. Eng. Chem. Res., 1996, 35(5): 1496-1505.
15	Albers P , Pietsch J , Parker S F . Poisoning and deactivation of palladium catalysts[J]. J. Molec. Catal. A: Chem., 2001, 173(1/2): 275-286.
16	Saeedizad M , Sahebdelfar S , Mansourpour Z . Deactivation kinetics of platinum-based catalysts in dehydrogenation of higher alkanes[J]. Chem. Eng. J., 2009, 154(11): 76-81.
17	田亮, 蒋达, 钱锋 . 催化剂失活条件下的碳二加氢反应器模拟与优化[J]. 化工学报, 2012, 63(1): 185-192.
	Tian L , Jiang D , Qian F . Simulation and optimization of acetylene converter with decreasing catalyst activity[J]. CIESC Journal, 2012, 63(1): 185-192.
18	刘艳, 任章 . 基于神经网络的混合模型建模方法及应用[J]. 计算机仿真, 2007, 24(2): 45-48.
	Liu Y , Ren Z . A mixed model modeling method based on neural network and its application[J]. Computer Simulation，2007, 24(2): 45-48.
19	Tian L , Jiang D , Qian F , et al . Improve acetylene hydrogenation selectivity using dynamic deactivation estimation[J]. Hydrocarbon Processing, 2015, 94(12): 39-44.
20	Näsi N , Alikoski M , White D C . Advanced control of acetylene reactor[J]. Hydrocarbon Process, 1985, 6(2): 57-60.
21	Liu Z Z , Wang Y , Yang S X , et al . Differential evolution with a two-stage optimization mechanism for numerical optimization[J]. IEEE T. Evolut. Comput., 2016, 2(12): 3170-3177.
22	Wang Y , Cai Z , Zhang Q . Differential evolution with composite trial vector generation strategies and control parameters[J]. IEEE T. Evolut. Comput., 2011, 15(1): 55-66.
23	张大斌, 江华, 徐柳怡 . 基于两阶段变异交叉策略的差分进化算法[J]. 计算机工程, 2014, 40(8): 183-189.
	Zhang D B , Jiang H , Xu L Y . Differential evolution algorithm based on two-stage mutation and crossing strategy[J]. Computer Engineering, 2014, 40(8): 183-189.
24	Wang Y , Wang B C , Li H X . Incorporating objective function information into the feasibility rule for constrained evolutionary optimization[J]. IEEE Transactions on Cybernetics, 2016, 46(12): 2938-2852.
25	Mallipeddi R , Suganthan P N . Problem definitions and evaluation criteria for the CEC2010 competition on constrains real-parameter optimization[R]. Singapore: Nanyang Technological University, 2010.
26	Rao R V , Patel V . An elitist teaching-learning-based optimization algorithm for solving complex constrained optimization problems[J]. Int.J. Ind. Eng. Comput., 2012, 3(4): 535-560.
27	Montgomery D C . Design and Analysis of Experiments[M]. 7th ed. New York: John Wiley and Sons, Inc, 2008.
28	Takahama T , Sakai S . Constrained optimization by the ε constrained differential evolution with an archive and gradient-based mutation[J]. IEEE T. Evolut, Comput., 2010, 5(3): 1-9.
29	Yu K , Wang X , Wang Z . Constrained optimization based on improved teaching-learning-based optimization algorithm[J]. Information Science, 2016, 352(12): 61-78.
30	Chen X , Du W L , Huaglory T , et al . Dynamic optimization of industrial processes with nonuniform discretization-based control vector parameterization[J]. IEEE T. Autom. Sci. Eng., 2014, 11(4): 1289-1299.
31	Liang J J , Shang Z G , Li Z H . Coevolutionary comprehensive learning particle swarm optimizer[J]. IEEE T. Evolut, Comput., 2010, 6(2): 1-8.

[1]	杨欣, 王文, 徐凯, 马凡华. 高压氢气加注过程中温度特征仿真分析[J]. 化工学报, 2023, 74(S1): 280-286.
[2]	金正浩, 封立杰, 李舒宏. 氨水溶液交叉型再吸收式热泵的能量及分析[J]. 化工学报, 2023, 74(S1): 53-63.
[3]	康飞, 吕伟光, 巨锋, 孙峙. 废锂离子电池放电路径与评价研究[J]. 化工学报, 2023, 74(9): 3903-3911.
[4]	陈哲文, 魏俊杰, 张玉明. 超临界水煤气化耦合SOFC发电系统集成及其能量转化机制[J]. 化工学报, 2023, 74(9): 3888-3902.
[5]	曹跃, 余冲, 李智, 杨明磊. 工业数据驱动的加氢裂化装置多工况切换过渡状态检测[J]. 化工学报, 2023, 74(9): 3841-3854.
[6]	齐聪, 丁子, 余杰, 汤茂清, 梁林. 基于选择吸收纳米薄膜的太阳能温差发电特性研究[J]. 化工学报, 2023, 74(9): 3921-3930.
[7]	何松, 刘乔迈, 谢广烁, 王斯民, 肖娟. 高浓度水煤浆管道气膜减阻两相流模拟及代理辅助优化[J]. 化工学报, 2023, 74(9): 3766-3774.
[8]	邢雷, 苗春雨, 蒋明虎, 赵立新, 李新亚. 井下微型气液旋流分离器优化设计与性能分析[J]. 化工学报, 2023, 74(8): 3394-3406.
[9]	张曼铮, 肖猛, 闫沛伟, 苗政, 徐进良, 纪献兵. 危废焚烧处理耦合有机朗肯循环系统工质筛选与热力学优化[J]. 化工学报, 2023, 74(8): 3502-3512.
[10]	诸程瑛, 王振雷. 基于改进深度强化学习的乙烯裂解炉操作优化[J]. 化工学报, 2023, 74(8): 3429-3437.
[11]	尹刚, 李伊惠, 何飞, 曹文琦, 王民, 颜非亚, 向禹, 卢剑, 罗斌, 卢润廷. 基于KPCA和SVM的铝电解槽漏槽事故预警方法[J]. 化工学报, 2023, 74(8): 3419-3428.
[12]	陈国泽, 卫东, 郭倩, 向志平. 负载跟踪状态下的铝空气电池堆最优功率点优化方法[J]. 化工学报, 2023, 74(8): 3533-3542.
[13]	李锦潼, 邱顺, 孙文寿. 煤浆法烟气脱硫中草酸和紫外线强化煤砷浸出过程[J]. 化工学报, 2023, 74(8): 3522-3532.
[14]	刘文竹, 云和明, 王宝雪, 胡明哲, 仲崇龙. 基于场协同和耗散的微通道拓扑优化研究[J]. 化工学报, 2023, 74(8): 3329-3341.
[15]	文兆伦, 李沛睿, 张忠林, 杜晓, 侯起旺, 刘叶刚, 郝晓刚, 官国清. 基于自热再生的隔壁塔深冷空分工艺设计及优化[J]. 化工学报, 2023, 74(7): 2988-2998.