本发明公开一种基于支持向量机(SVM)的热裂解产物收率的预测方法，针对乙烯厂需要预测不同裂解原料在不同操作条件下的裂解产物收率和优化操作条件的问题，以已知的裂解原料物性、热裂解工艺条件和产物收率作为样本数据为基础，建立利用回归函数估计的支持向量机(SVM)模型，利用支持向量机模型(SVM)预测热裂解产物收率。该方法既可以预测不同裂解原料和热裂解工艺条件下的产物收率，也优化热裂解工艺条件以获得最大的经济效益。
1.一种基于支持向量机的热裂解产物收率的预测方法，其特征在于，以热裂解原料物性、热裂解工艺条件和产物收率数据为样本，建立利用回归函数估计的支持向量机模型，再利用支持向量机模型预测裂解原料的热裂解产物收率，所述预测方法包括以下步骤：(1)建立样本：收集物性不同的裂解原料，对其物性分析记录，然后将裂解原料与稀释剂通入热裂解实验装置中，在不同工艺条件下进行热裂解反应，分析并计算出热裂解产物收率，样本的数据由裂解原料物性、热裂解工艺条件以及裂解产物收率构成；
(2)建立支持向量机模型：根据裂解原料物性、热裂解工艺条件和裂解产物收率，编写程序，所述程序由数据库、支持向量机训练程序和预测程序组成；数据库采用开放源标准接口的数据库，将样本数据输入数据库，为支持向量机训练程序提供学习训练样本；支持向量训练程序采用标准C语言开发，该程序原理基于支持向量机的原理；支持向量机训练程序调用开放源标准接口数据库，将样本数据输入支持向量机训练程序中的数组中，支持向量训练程序对样本数据进行学习训练，以对样本的规律建立模式识别，形成支持向量机模型，其中裂解原料物性和热裂解工艺条件作为所述模型的输入变量，热裂解产物收率作为输出变量；
(3)裂解产物收率预测：预测程序调用支持向量机模型，并将裂解原料物性和热裂解工艺条件数据输入到支持向量机模型的输入变量中，通过计算预测出热裂解产物收率。
2.如权利要求1所述的基于支持向量机的热裂解产物收率的预测方法，其特征在于，所述预测方法包括以下步骤：(1)建立样本数据：收集已知的裂解原料物性、热裂解工艺条件和裂解产物收率作为样本数据，随机选择一半以上的样本数据作为训练样本数据，剩余的样本数据作为预测样本数据；
(2)输入数据库：将训练样本数据输入数据库中形成样本数据库，裂解原料物性和热裂解工艺条件作为输入变量，裂解产物收率作为输出变量；
(3)建立支持向量机模型：建立基于核函数的支持向量机训练程序，输入变量和输出变量通过支持向量机模型形成映射关系，利用支持向量机训练程序对训练样本数据进行学*习训练，经过学习和训练得到N个支持向量Xi，i＝0，1，...，N，从而形成支持向量机模型：
其中， 表示支撑向量，Yi表示支撑向量的产物收率，αi表示第i个支撑向量的系数，X是输入的物性和热裂解工艺条件，Y(X)表示收率，K(·)是支持向量机的核函数，选自高斯型函数、多项式函数、线性型函数和径向基函数中的一种。
(4)建立支持向量机模型信息数据库：将建立的支持向量机模型的参数信息、支持向量信息和各个系数存储到所述数据库中，参数信息包括径向基核函数类型、伽马参数和支撑向量数目，支持向量信息包括支撑向量的各个维数的数值；
(5)预测裂解产物收率：将预测样本数据中的原料物性和热裂解工艺条件输入所建立的支持向量机模型中，通过支持向量机模型计算出裂解产物收率的预测结果；
(6)确定支持向量机模型：比较步骤(5)得到的预测结果和实验结果，如果预测结果与实验结果的偏差超过可接受的范围时，更换支持向量机核函数或者对支持向量机核函数参数数值调节，然后再重新训练和预测，直至预测值与实验结果的偏差小于10％，这样确定出支持向量机模型，利用所确定的该支持向量机模型预测裂解原料热裂解产物收率。
3.如权利要求1所述的预测方法，其特征在于，所述热裂解原料物性为密度、恩式蒸馏数据、裂解原料族组成、氢含量或碳含量或碳氢比、残碳值、分子量、关联指数和折光指数，或者所述热裂解原料物性为裂解原料的组成。
4.如权利要求1所述的预测方法，其特征在于，所述热裂解工艺条件包括投油量、炉管入口温度、炉管出口温度、炉管入口压力、炉管出口压力、稀释比和停留时间。
5.如权利要求1所述的预测方法，其特征在于，所述产物收率为裂解产生的氢气、甲烷、乙烷、乙烯、乙炔、丙烷、丙烯、丙炔、丁烷、丁烯、丁二烯、苯、甲苯、二甲苯、乙苯、裂解汽油、裂解柴油和燃料油的收率。
基于支持向量机的热裂解产物收率的预测方法
技术领域
[0001] 本发明涉及乙烯工业裂解的技术，更具体地说，本发明涉及预测热裂解产物收率的方法。
背景技术
[0002] 乙烯是化工行业最重要的基础原料，以乙烯为基础或者衍生的系列化工产品广泛用于国民经济各个领域，涉及巨大的经济利益。随着国内国民经济的快速发展，对乙烯的需求也越来越大，2007年国内乙烯总产量达到1024.8万吨，但还不能满足国内对乙烯以及乙烯衍生的需求，需要进口大量的乙烯及其衍生产品。为了满足国内对乙烯的巨大需求，今年来国内进行了第二、三轮乙烯改扩建工程，到2010年，我国乙烯总生产能力将达到1702万吨/年。目前，全世界99％的乙烯是通过管式裂解炉以热裂解/蒸汽裂解方式生产的，而我国乙烯基本都是以此方式生产。
[0003] 管式裂解炉的生产原料大部分都来油气田的轻烃和炼油装置的部分产品，如石脑油、柴油、加氢尾油。由于国内油气资源比较贫乏，石油主要依赖进口，因此国内的裂解原料主要以炼油装置的产品为主，如石脑油。近年原油价格一直较高，造成原油来源广泛，原油物性变化较大，导致裂解原料的物性变化也非常频繁。从国内烯烃厂目前的生产情况来看，尽管大部分烯烃厂管式裂解炉进行了扩建改造，而炼油装置生产能力却没有得到相应增加，造成裂解原料质量变差，供应不足，被迫补充其他油品作裂解原料，如加氢裂化柴油等。由于国内绝大部分裂解炉都没有热裂解模型做为裂解炉操作参考的依据，因此这给裂解炉操作带来了相当大的困难。
[0004] 预测管式裂解炉乙烯等热裂解产物的收率有三种方法：热裂解反应动力学的经验模型、半经验半理论模型、机理模型。国外热裂解产物收率研究起步于上个世纪30年代，由于该技术涉及到管式裂解炉的核心技术，往往对该技术研究过程严加保密，如LUMMUS、TECHNIP、S&W、LINDE。虽然国外裂解炉专利商也提商业模型软件，但价格非常昂贵，限制较多，效果有待验证。而国内还未开发出类似的商业软件。
[0005] 支持向量机(SVM)是一种智能技术，其基本思想是通过事先选择的线性/非线性映射将输入向量X映射到一个高维特征空间Z，然后在这个特征空间中构造最优化的数据分类/数据回归超平面。SVM是一种非参数机器学习方法，实现了机器学习中结构风险最小化原则的设计思想，解决了困扰以往机器学习方法的许多问题。如神经网络的模型选择问题、过学习与欠学习、非线性和维数灾难问题以及局部极小点等问题，都在SVM中得到了较好的解决。SVM适用于解决用传统数学模型方法难以解决的、非确定性的问题，其特别之处在于对小样本的处理能力，恰好能够解决裂解中训练样本偏少的实际问题。同传统的建模技术相比较，SVM模型只需要相关系统的参数和合理的训练数据，这样可以避开热裂解反应动力学模型开发过程中的诸多难题，为预测裂解产物收率和优化提供了一条新的途径。
[0006] 通过SVM模型，针对乙烯厂中不同裂解原料变化，能够预测出裂解炉在不同操作条件下的裂解产物收率，可以寻找出生产目标产物(如乙烯+丙烯、乙烯+丙烯+丁二烯)较优化操作条件，提高裂解炉的目标产物收率，从而提高生产企业的经济效益。
发明内容
[0007] 本发明针对乙烯厂需要预测不同裂解原料在不同操作条件下的裂解产物收率和优化操作条件的问题，提出一种工业裂解炉热裂解产物收率的预测方法，它是基于支持向量机(SVM)数据回归模型的。
[0008] 具体技术方案如下：
[0009] 本发明的基于支持向量机的热裂解产物收率的预测方法是以热裂解原料物性、热裂解工艺条件和产物收率数据为样本，建立利用回归函数估计的支持向量机模型，再利用支持向量机模型预测裂解原料的热裂解产物收率。
[0010] 所述基于支持向量机的热裂解产物收率的预测方法包括以下步骤：
[0011] (1)建立样本：收集物性不同的裂解原料，对其物性分析记录，然后将裂解原料与稀释剂通入热裂解实验装置中，在不同工艺条件下进行热裂解反应，分析并计算出热裂解产物收率，样本的数据由裂解原料物性、热裂解工艺条件以及裂解产物收率构成；
[0012] (2)建立支持向量机模型：根据裂解原料物性、热裂解工艺条件和裂解产物收率，编写程序，所述程序由数据库、支持向量机训练程序和预测程序组成；数据库采用开放源标准接口的数据库，将样本数据输入数据库，为支持向量机训练程序提供学习训练样本；支持向量训练程序采用标准C语言开发，该程序原理基于支持向量机的原理；支持向量机训练程序调用开放源标准接口数据库，将样本数据输入支持向量机训练程序中的数组中，支持向量训练程序对样本数据进行学习训练，以对样本的规律建立模式识别，形成支持向量机模型，其中裂解原料物性和热裂解工艺条件作为所述模型的输入变量，热裂解产物收率作为输出变量；
[0013] (3)裂解产物收率预测：预测程序调用支持向量机模型，并将裂解原料物性和热裂解工艺条件数据输入到支持向量机模型的输入变量中，通过计算预测出热裂解产物收率。
[0014] 更具体地说，所述基于支持向量机的热裂解产物收率的预测方法包括以下步骤：
[0015] (1)建立样本数据：收集已知的裂解原料物性、热裂解工艺条件和裂解产物收率作为样本数据，随机选择一半以上的样本数据作为训练样本数据，剩余的样本数据作为预测样本数据；
[0016] (2)输入数据库：将训练样本数据输入数据库中形成样本数据库，裂解原料物性和热裂解工艺条件作为输入变量，裂解产物收率作为输出变量；
[0017] (3)建立支持向量机模型：建立基于核函数的支持向量机训练程序，输入变量和输出变量通过支持向量机模型形成映射关系，利用支持向量机训练程序对训练样本数据进*行学习训练，经过学习和训练得到N个支持向量Xi，i＝0，1，...，N，从而形成支持向量机模型：
[0018]
[0019] 其中， 表示支撑向量，Yi表示支撑向量的产物收率，αi表示第i个支撑向量的系数，X是输入的物性和热裂解工艺条件，Y(X)表示收率，K(·)是支持向量机的核函数，选自高斯型函数、多项式函数、线性型函数和径向基函数中的一种。
[0020] (4)建立支持向量机模型信息数据库：将建立的支持向量机模型的参数信息、支持向量信息和各个系数存储到所述数据库中，参数信息包括径向基核函数类型、伽马参数和支撑向量数目，支持向量信息包括支撑向量的各个维数的数值；
[0021] (5)预测裂解产物收率：将预测样本数据中的原料物性和热裂解工艺条件输入所建立的支持向量机模型中，通过支持向量机模型计算出裂解产物收率的预测结果；
[0022] (6)确定支持向量机模型：比较步骤(5)得到的预测结果和实验结果，如果预测结果与实验结果的偏差超过可接受的范围时，例如偏差超过10％，更换支持向量机核函数或者对支持向量机核函数参数数值调节，然后再重新训练和预测，直至预测值与实验结果的偏差在可接受的范围内，例如小于10％，这样确定出支持向量机模型，利用所确定的该支持向量机模型预测裂解原料热裂解产物收率。
[0023] 优选地，所述热裂解原料物性可以为密度、恩式蒸馏数据、裂解原料族组成、氢含量或碳含量或碳氢比、残碳值、分子量、关联指数BMCI和折光指数，或者所述热裂解原料物性可以为裂解原料的组成。裂解原料分为液体原料和轻烃，液体裂解原料主要以石脑油、加氢尾油、柴油为主，轻烃主要为乙烷、丙烷、丁烷以及它们的混合物。为了保证模型应用的广泛性，尽量选择物性范围大裂解原料进行试验。对于液体裂解原料，要分析的主要物性有密度、恩式蒸馏数据、裂解原料族组成，对于轻烃，可以分析其详细组成。对于这些物性的选择，尽量要保证各个物性之间是无关的。
[0024] 优选地，所述热裂解工艺条件包括投油量、炉管入口温度、炉管出口温度、炉管入口压力、炉管出口压力、稀释比和停留时间。为了保证模型的应用的广泛性，热裂解反应工艺条件尽量要宽。
[0025] 优选地，所述产物收率为裂解产生的氢气、甲烷、乙烷、乙烯、乙炔、丙烷、丙烯、丙炔、丁烷、丁烯、丁二烯、苯、甲苯、二甲苯、乙苯、裂解汽油、裂解柴油和燃料油的收率。
[0026] 所述稀释剂通常为水，也可以选择氮气或惰性气体。热裂解实验的实验装置可以为小试、中试或工业装置。裂解原料在热裂解反应之后，可以分析计算其热裂解产物的收率。裂解原料物性、热裂解工艺条件以及相应的裂解产物收率的数据便构成了样本的数据。
[0027] 样本的数据库可以采用EXCEL、ACCESS、SOL SEVER等，该数据库为支持向量机训练程序提供要学习训练的数据；支持向量训练程序采用标准C语言开发，支持向量机训练程序的原理基于支持向量机的发明者Vapnik提出的原理。支持向量机训练程序的功能是经过对训练样本数据的分析、计算以及规律模式识别，并形成了类似回归公式的支持向量机模型。预测程序则是往向量机模型输入相应的参量，如裂解原料的物性和热裂解工艺条件，向量机模型根据输入的条件，可以计算裂解原料热裂解产物收率。对于核函数和参数的选择，以预测值与实验值误差为准，要选择那些误差较小的核函数及其参数。
[0028] 每一个样本都包含裂解原料的性质、裂解炉操作工艺条件以及相应的热裂解产物的收率。裂解原料的性质和裂解炉操作条件为输入层，热裂解产物的收率为输出层。样本的数量最好至少为输入层和输出层个数之和的十倍。不同的裂解原料的所选择的物性不同，液体裂解原料组成复杂，因此其物性通常为密度、恩式蒸馏数据、裂解原料族组成，对于轻烃原料，由于其组成为乙烷、丙烷、丁烷，组份简单可以分析，因此选择其详细的组份。裂解原料物性之间最好是无关的。裂解炉操作工艺条件为投油量、停留时间、炉管入口温度、炉管出口温度、炉管出口压力、水油比。输出层为热裂解产物的收率，其中应该选择化工厂比较关心的氢气、甲烷、乙烯、丙烯、丁二烯、芳烃等经济价值较好的热裂解产品。
[0029] 根据裂解原料的特性，选择合适的样本组成。对于轻烃，样本可以为其裂解原料详细组成、热裂解工艺条件、热裂解产物收率；对于液体裂解原料，其样本可以为密度、恩式蒸馏数据、族组成、热裂解工艺条件、热裂解产物收率，也可以选择密度、氢含量、族组成、关联指数、体积平均沸点、热裂解工艺条件、热裂解产物收率等组合。
[0030] 选择好样本以后，将样本数据分为两部分，大部分数据作为训练数据，剩余的少部分作为预测数据。为了保证向量机模型的推广型，通常随即选择样本的三分之二的数据作为训练数据，其余三分之一的数据用作预测数据。根据训练的数据特性，选择适当的支持向量机的核函数以及参数，让支持向量机充分对训练数据的内在规律进行学习和识别，在选择了支持向量机的核函数以及参数后，将预测数据带入支持向量机模型中进行预测，如果绝大部分预测值与实验值偏差低于10％，这就说明支持向量机模型合格，可以应用到实际生产了。如果偏差较大，对支持向量机模型的核函数以及参数进行调整，或者调整样本，直至误差在10％以内。
[0031] 此外，在支持向量机模型中，由于热裂解工艺条件与热裂解产物收率之间存在着映射关系，我们可以通过这种映射关系找出某种热裂解产物最大值时的热裂解的工艺条件，裂解产物如乙烯、丙烯、丁二烯、芳烃等，工艺条件通常为炉管出口温度，或者利用支持向量机模型可以预测的功能，通过利用数学方法，如数值最值搜索，可寻找出裂解原料目标产物最大时候的工艺条件和热裂解产物收率。对于乙烯厂而言，这种热裂解目标产物通常为乙烯+丙烯的收率最大值，或者乙烯+丙烯+丁二烯收率最大值。因此，对于裂解原料变化频繁的乙烯生产厂，支持向量机预测模型可以根据裂解原料的物性，寻找裂解炉最佳的热裂解工艺条件，从而迅速提高生产企业的经济效益。
具体实施方式
[0032] 下面结合实施例进一步描述本发明。本发明的范围不受这些实施例限制，本发明的范围在权利要求书中提出。
[0033] 实施例1
[0034] 首先要建立样本：裂解原料选择石脑油，稀释剂为水。根据工业实际生产情况，每个样本的输入层有12个向量，为石脑油的物性和热裂解工艺条件，其中与热裂解关联的石脑油物性向量有8个：氢含量、关联指数、比重、中平均沸点、正构链烃含量、异构链烃含量、芳烃含量、环烷烃含量；热裂解工艺条件有4个向量：水油比、停留时间、炉管出口温度(COT)、炉管出口压力(COP)；输出层设定有5个向量，为石脑油热裂解的产物收率：氢气、甲烷、乙烯、丙烯、丁二烯的收率。
[0035] 石脑油热裂解实验装置采用中国石油化工股份有限公司北京化工研究院乙烯裂解研究室的模拟炉，总共收集了16种进口和国产石脑油，其中密度最大为0.74克/立方厘米，最小为0.66克/立方厘米。根据乙烯厂实际生产情况，总共进行了三百多次试验，其中水油比控制在0.4～0.65(质量/质量)，停留时间0.15～0.45秒，烃分压为0.17～0.23兆帕，出口温度785～875℃。因此，样本有三百多个数据，每个样本中包含8个物性、4个热裂解工艺条件和5种热裂解产物收率的数据，部分样本见表1。
