Промышленная компьютерная модель снижения потерь октанового числа очищенного бензина в процессе S Zorb

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Метод реактивной адсорбционной десульфуризации S Zorb - одна из основных технологий удаления серы из бензина в процессе жидкостного каталитического крекинга (FCC) на установках Китая, сопряженная, однако, с некоторым снижением октанового числа получаемого бензина (ОЧИ, RON). Для оптимизации рабочих переменных и уменьшения потерь прогнозированного октанового числа бензина (r-RON) были созданы три компьютерно-управляемые модели нейронной сети: с обратной передачей ошибки обучения (BPNN); с радиальной базисной функцией (RBFNN); с обобщенной регрессией (GRNN). Показано, что наилучшим является эффект модели с алгоритмом оптимизации роя частиц PSO-BPNN, обеспечивающей наибольшее снижение потерь r-RON на 48.55%. Методы исследования, использованные для создания компьютерно-управляемой модели снижения потерь r-RON, заслуживают применения на других блоках установки S Zorb.

Об авторах

Chen Bo

International Joint Research Center of Green Energy Chemical Engineering, East China University of Science and Technology

Email: petrochem@ips.ac.ru
200237, Shanghai, China

Wang Jie

International Joint Research Center of Green Energy Chemical Engineering, East China University of Science and Technology

Email: petrochem@ips.ac.ru
200237, Shanghai, China

Liu Song

SINOPEC Shanghai Gaoqiao Petrochemical Co

Email: petrochem@ips.ac.ru
200129, Shanghai, China

Ouyang Fusheng

International Joint Research Center of Green Energy Chemical Engineering, East China University of Science and Technology

Email: ouyfsh@ecust.edu.cn
200237, Shanghai, China

Xiong Da

International Joint Research Center of Green Energy Chemical Engineering, East China University of Science and Technology

Email: petrochem@ips.ac.ru
200237, Shanghai, China

Zhao Mingyang

SINOPEC Shanghai Gaoqiao Petrochemical Co

Автор, ответственный за переписку.
Email: petrochem@ips.ac.ru
200129, Shanghai, China

Список литературы

  1. Qiu L.M., Xiang Y.J., Xin M.D., Zou K., Zheng A.G., Xu G.T. Structural verification of nickel sulfide on spent S Zorb adsorbent as studied by HRTEM and XPS // J. Mol. Struct. 2020. V. 1202. P. 127215-127215. https://doi.org/10.1016/j.molstruc.2019.127215
  2. Ribeiro E Sousa L.R., Miranda T., e Sousa R.L., Tinoco J. The use of data mining techniques in rockburst risk assessment // Engineering. 2017. V. 3. P. 552-558. https://doi.org/10.1016/J.ENG.2017.04.002
  3. Ouyang F.S., Zhang J.H., Fang W.G. Optimizing product distribution in the heavy oil catalytic cracking (MIP) process // Petrol. Sci. Technol. 2017. V. 35. P. 1315-1320. https://doi.org/10.1080/10916466.2017.1297826
  4. Sadighi S., Mohaddecy R.S., Norouzian A. Optimizing an industrial scale naphtha catalytic reforming plant using a hybrid artificial neural network and genetic algorithm technique // Bull. Chem. React. Eng. Catal. 2015. V. 10. P. 210-220. https://doi.org/10.9767/bcrec.10.2.7171.210-220
  5. Zhu W.B., Webb Z.T., Mao K., Romagnoli J. A deep learning approach for process data visualization using t-distributed stochastic neighbor embedding // Ind. Eng. Chem. Res. 2019. V. 58. P. 9564-9575. https://doi.org/10.1021/acs.iecr.9b00975
  6. Chang P., Li Z.Y., Wang G.M., Wang P. An effective deep recurrent network with high-order statistic information for fault monitoring in wastewater treatment process // Expert Syst. Appl. 2020. V. 167. P. 114141. https://doi.org/10.1016/j.eswa.2020.114141
  7. Martínez-Martínez J.M., Escandell-Montero P., Soria-Olivas E., Martín-Guerrero J.D., Serrano-López A.J. A new visualization tool for data mining techniques // Prog. Artif. Intell. 2016. V. 5. P. 137-154. https://doi.org/10.1007/s13748-015-0079-4
  8. Chang Z.H., Zhang Y., Chen W.B. Electricity price prediction based on hybrid model of adam optimized LSTM neural network and wavelet transform // Energy. 2019. V. 187. P. 115804. https://doi.org/10.1016/j.energy.2019.07.134
  9. Luor D.C. A comparative assessment of data standardization on support vector machine for classification problems // Intell. Data Anal. 2015. V. 19. P. 529-546. https://doi.org/10.3233/IDA-150730
  10. Duan H.M., Pang X.Y. A multivariate grey prediction model based on energy logistic equation and its application in energy prediction in China // Energy. 2021. V. 229. P. 120716. https://doi.org/10.1016/J.ENERGY.2021.120716
  11. Fang S.E., Chen S. Model-free damage localization of structures using wavelet based grey relational analysis // Smart Mater. Struct. 2020. V. 29. № 8. P. 085046. https://doi.org/10.1088/1361-665X/ab99da
  12. Cai Y.G., Xi M.C., Xue Q.H. Study on the applications of neural networks for processing deformation monitoring data // Appl. Mech. Mater. 2014. V. 501-504. P. 2149-2153. https://doi.org/10.4028/www.scientific.net/AMM.501-504.2149
  13. Zhang E.L., Hou L., Shen C., Shi Y.L., Zhang Y.X. Sound quality prediction of vehicle interior noise and mathematical modeling using a back propagation neural network (BPNN) based on particle swarm optimization (PSO) // Meas. Sci. Technol. 2016. V. 27. P. 015801. https://doi.org/10.1088/0957-0233/27/1/015801
  14. Liu Xm., Liu Jc., Xu Yr. Motion control of underwater vehicle based on least disturbance BP algorithm // J. Marine. Sci. Appl. 2002. V. 1. P. 16-20. https://doi.org/10.1007/BF02921411
  15. Potts M.A.S., Broomhead D.S. Time series prediction with a radial basis function neural network // Proc. SPIE. 1991. V. 1565. P. 255-266. https://doi.org/10.1117/12.49782
  16. Zhao Y.P., Zhou X.L. K-means clustering algorithm and its improvement research // J. Phys.: Conf. Ser. 2021. V. 1873. P. 012074. https://doi.org/10.1088/1742-6596/1873/1/012074
  17. Yousef W.A. Estimating the standard error of cross-validation-based estimators of classifier performance // Pattern Recognit. Lett. 2021. V. 146. P. 115-125. https://doi.org/10.1016/J.PATREC.2021.02.022
  18. Liang F., Gao J., Xu L. Thermal performance investigation of the miniature revolving heat pipes using artificial neural networks and genetic algorithms // Int. J. Heat Mass Transf. 2020. V. 151. P. 119394. https://doi.org/10.1016/j.ijheatmasstransfer.2020.119394
  19. Ying J.L., Xiao J.C. Simulated annealing algorithm improved BP learning algorithm // Appl. Mech. Mater. 2014. V. 513-517. P. 734-737. https://doi.org/10.4028/www.scientific.net/AMM.513-517.734
  20. Wang H.L., Hu Z.B., Sun Y.Q., Su Q.H., Xia X.W. Modified backtracking search optimization algorithm inspired by simulated annealing for constrained engineering optimization problems // Comput. Intell. Neurosci. 2018. V. 2018. article ID 9167414. 27 pp. https://doi.org/10.1155/2018/9167414

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».