基于人工智能模型与遗传算法的大气渣油脱硫优化运行决策

《Fuel》:Optimal operation decision for atmospheric residue desulfurization using AI models and a genetic algorithm

【字体: 大 中 小 】 时间:2026年05月21日 来源:Fuel 7.5

编辑推荐:

  摘要:大气渣油脱硫(ARDS)是脱除高硫大气渣油(HSAR)中杂质的关键催化过程。在长期运行中,催化剂会逐渐失活,需逐步提升反应器温度以维持产品质量。工业实践中,反应器温度调整多依赖操作员经验,常导致能源利用效率不佳。为解决该问题,本研究提出一种融合人工神经网

  
摘要:大气渣油脱硫(ARDS)是脱除高硫大气渣油(HSAR)中杂质的关键催化过程。在长期运行中,催化剂会逐渐失活,需逐步提升反应器温度以维持产品质量。工业实践中,反应器温度调整多依赖操作员经验,常导致能源利用效率不佳。为解决该问题,本研究提出一种融合人工神经网络(ANN)与遗传算法(GA)的优化策略。该ANN框架整合了研究人员前期工作建立的杂质脱除预测模型,以及新构建的处理后大气渣油(T-AR)流量预测模型。通过将两类ANN模型与基于GA的优化器耦合,在满足T-AR产品杂质指标的前提下确定最优每日反应器温度曲线,实现能耗最小化。与传统依赖操作员经验的操作策略相比,所提方法累计能耗降低3.03%;若排除操作温度条件相同的工况,节能潜力可达6.50%,验证了该优化框架在提升ARDS运行能效方面的有效性。

论文解读

大气渣油脱硫(Atmospheric Residue Desulfurization, ARDS)是石油炼制产业链中衔接常压蒸馏单元(Crude Distillation Unit, CDU)与流化催化裂化(Fluid Catalytic Cracking, FCC)单元的核心环节。常压蒸馏过程中约30%的进料会转化为高硫大气渣油(High?Sulfur Atmospheric Residue, HSAR),其经济价值较低,需进一步送入FCC单元转化为液化石油气、汽油等高附加值产品。但HSAR中高浓度的硫、氮、镍、钒及康氏残炭(Conradson Carbon Residue, CCR)等杂质会显著降低FCC催化剂活性、缩短其使用寿命,因此必须在进入FCC前通过ARDS工艺完成杂质脱除。ARDS工艺依赖催化剂实现杂质转化,随着运行时间延长,催化剂因杂质沉积逐渐失活,需持续提高反应器温度以维持脱除效率。当前工业现场的温度调整主要依赖操作员经验,仅参考催化剂供应商的通用指导,而实际生产中原油处理量、组分波动显著,经验式调整往往偏于保守,导致反应器温度高于实际需求,既造成不必要的能源消耗,又加速了催化剂老化。在此背景下,基于过程数据量化确定最优反应器温度,成为提升ARDS能效与运行稳定性的关键需求。该研究由韩国光云大学Yungun Jeong、Seok Goo Lee与Yeonsoo Kim团队完成,成果发表于《Fuel》。
研究采用的核心技术方法包括三方面:一是基于实际工业装置运行数据构建双人工神经网络(Artificial Neural Network, ANN)模型,其中杂质脱除预测模型沿用团队前期成果,新增处理后大气渣油(Treated?Atmospheric Residue, T?AR)流量预测模型,均采用滑动窗口训练策略保障长期预测稳定性;二是将两类ANN模型作为约束模块嵌入遗传算法(Genetic Algorithm, GA),以最小化反应器整体温度为优化目标,搜索满足T?AR杂质指标的每日最优温度剖面;三是采用Aspen HYSYS V14.0建立独立工艺机理模型,对优化结果进行验证,排除直接工业投运风险。
研究结果部分首先展示AI模型的构建与性能。杂质脱除预测模型以杂质负荷、反应器温度、累计杂质处理量为输入,引入物理信息训练策略确保与化学反应规律一致,并显式纳入催化剂老化行为表征函数;新增的T?AR流量预测模型同样基于实际工业数据训练。模型精度验证采用回退 horizon 策略,从第29天至第119天逐日训练,以近28天数据为训练集、次日数据为测试集,经91组测试样本评估,平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)达到工业应用要求。
其次为遗传算法的优化框架设计。GA以6个反应器的顶部温度为决策变量,随机生成初始种群后,调用ANN模型预测对应温度下的杂质浓度与T?AR流量,将杂质指标作为约束条件筛选可行解,迭代寻优得到每日最低温度组合。与传统经验调整相比,优化方案在保证T?AR杂质达标的前提下,累计能耗降低3.03%;若剔除温度设定完全相同的工况,节能幅度提升至6.50%。
第三为能量分析与独立验证。研究人员通过Aspen HYSYS V14.0搭建ARDS工艺模型,分别模拟实际工况与优化工况的运行参数,验证结果显示优化温度曲线可在不降低产品质量的前提下减少加热炉负荷,证实节能效果的可靠性。同时开展的不确定性分析表明,模型在不同原料波动范围内均能保持稳定输出。
讨论与结论部分指出,现有同类研究多基于模拟或实验室规模数据,且GA多用于模型参数调优而非直接优化工业操作条件,而本研究首次将实际工业数据与ANN?GA框架结合,并将ANN模型作为优化搜索的约束模块,实现了可直接落地的最优温度决策。该方法突破了经验操作的局限性,在不改变现有装置硬件的前提下,仅通过操作参数优化即可实现可观的节能效益,同时为催化剂寿命延长提供了支撑,对炼厂降本增效与碳减排均具有重要意义。研究同时指出,未来可进一步结合原料预测数据实现前瞻性优化,拓展至更多炼制装置的智能运行决策中。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号