加氢裂化装置精制反应器压差的预测

-1-加氢裂化装置精制反应器压差的预测颜正朝（中国石化扬子石油化工股份有限公司芳烃厂，江苏南京210048）摘要加氢精制反应器床层压差的准确预测对指导生产决策具有十分重要的意义。本研究中，首先利用BP人工神经网络将原始压差数据归一化处理，然后建立了两种反映压差随运行时间变化关系的数学模型。实践表明，后一种模型能真实地反映压差的增长规律。关键词加氢裂化精制反应器压差BP人工神经网络数学模型1前言加氢精制反应器的床层压差，不仅是加氢裂化装置重要的设计参数，而且是装置能否长周期运行的重要制约因素。加氢裂化装置有时并非因为催化剂失活，而是因为反应器压力降超过设计允许值而被迫停工。床层压力降增大会迫使系统降负荷生产，造成能耗增加；更重要的是增大了反应器内件的承载负荷，严重时会使反应器内件坍塌，带来重大经济损失。因此，准确地预测加氢精制反应器床层压差，并根据预测结果及时调整生产工艺参数以延缓压差的上升速率，对于加氢裂化装置长周期稳定运行、提高装置运行效益、确定合理的停工日期都具有十分重要的意义。2现状分析扬子石化高压加氢裂化装置原设计采用美国UOP公司的两段全循环联合加氢裂化工艺，年加工120万吨减压柴油（VGO）、焦化重柴（HCGO）和焦化轻柴（LCGO）的混合料，生产轻、重石脑油、液化汽和干气。装置于1993年进行了扩容改造，将原流程改造为两个系列一次通过流程，产能扩大为200万吨/年，增产航煤基础油、柴油和加氢尾油。装置Ⅰ、Ⅱ系列精制反应器（DC101A、DC101C）于2004年8月份大检修期间装填了抚顺石油化工研究院生产的FF-26型精制催化剂，反应器顶部加装了1.2米高的FZC系列保护型催化剂层。扬子加氢裂化装置Ⅰ系列加工量为120万吨/年，Ⅱ系列为80万吨/年。Ⅰ系列由于处理负荷较大，床层压差增长速率也较Ⅱ系列快的多。以往的几次系统被迫停车撇头都是因为Ⅰ系列精制反应器DC101A床层压差快速增长造成的，因此在本文中仅分析预测Ⅰ系列精制反应器的床层压差。图1是DC101A床层压差（设计指标上限是350kPa）自2004年8月11日至2006年8月11日开工两年来的变化趋势，压差从开工初期的80kPa左右增加到近200kPa。进一步分析压差趋势图，可以看出压差总体上随催化剂使用天数呈指数形式增长，增长的速率越来越快。为准确预测压差增长趋势，必须建立适当的数学模型，计算出压差到达指标上限的日期，为确定合理的生产方案和停工日期提供决策依据。-2-0501001502002500100200300400500600700800催化剂使用天数(day)DC101A压降(kPa)图1精制反应器床层压差的变化趋势3模型建立加氢精制反应器属于滴流床反应器，是工业过程中广泛使用的一类气、液、固三相催化反应装置。由于气、液、固三相的存在，反应器内流动、混合、传质过程十分复杂，迄今为止尚未见十分成功的流体动力学模型报道[1]。在工业实践中，精制反应器压差受到系统负荷（包括原料油流量和循环氢流量）的影响最大，其它参数例如原料油粘度、循环氢组份、反应温度也会对压差产生较大影响。运行周期内反应器床层压差的增长速率会受到原料杂质浓度（包括金属离子、固体颗粒、胶质等）、原料过滤器过滤效果、氢油比等诸多复杂因素的影响。由于监测手段的限制，并且为建立模型的方便，在本研究中，我们将对压差的影响因素作适当简化。假设在运行周期内，原料的各种性质、精制反应温度、过滤器的过滤效果均不发生变化。收集开工以来的压差数据（见图1），我们发现精制反应器压差在开工初期变化很平缓，随着运转周期的延长，其增长速率越来越快。图(1)中也存在某些时期压差变化较为剧烈的现象，这是系统负荷变化较大的时期的数据。要得出床层压差与催化剂运行天数的关系，必须屏蔽负荷（原料油流量和循环氢流量）变化的影响，为此我们用BP人工神经网络程序对原始压差数据进行归一化处理。归一化条件：原料油流量取175m3/h，循环氢流量取160kNm3/h，这是运行周期内大部分时间系统负荷的数值。人工神经网络（ANN）是在对人类大脑思维的生理研究的基础上，用数学方法模拟生物神经元的某些基本功能元件，按各种不同的联结方式组织起来的一个网络。ANN目前被广泛应用于模式识别、自动控制、质量预测、函数逼近等方面，是近年来人工智能科学领域里的一个重要分支。人工神经网络有多种形式，其中反向传播人工神经网络（Back-PropagationArtificialNeuralNetwork，简称BP神经网络）是一种广泛使用的网络模型，它充分体现了人工神经网络的特点[2]。图2是BP人工神经网络原理示意图，它一般包括输入层、隐含层和输出层三层网络结构。-3-在本研究中，输入层变量有3个，分别为催化剂使用天数t、原料油流量1008F、循环氢流量1014F；输出层变量有1个，为床层压差P；隐含层层数取3。将原始压差数据作为样本输入网络，通过训练确定最优的网络参数，再将1008F=175m3/h、1014F=160kNm3/h输入网络，得出在此条件下运行周期内反应器床层压差。经神经网络归一化计算后的压差数据与原始压差数据的比较见图3。由图3可见归一化后的计算数据与原始数据吻合很好，能真实反映压差随催化剂使用天数的关系。0501001502002500100200300400500600700催化剂使用天数(day)DC101A压降(kPa)图3经归一化处理后数据与原始压差数据的比较从上图中还可发现归一化数据的变化曲线与指数函数相类似，因此假设压差模型：atePP0(1)(1)式中P为床层压差，kPa；0P为开工初期床层压差，kPa；t为催化剂运行天数，day；a不妨称为增长因子，1day。利用Matlab软件拟合计算得到0P=80.2kPa，a=0.0012441day。………………………………………FTPKJ输入信号输入层隐含层输出层输出信号图2BP人工神经网络原理示意实际压差归一化处理的数据-4-0501001502002500100200300400500600700催化剂使用天数(day)DC101A压差(kPa)图4模型(1)与原始压差数据的对比4模型修正上述模型的曲线与实际压差变化趋势对比见图4。由图4可见此模型曲线在催化剂运行初期高估了压差的增长速率，后来的生产实践证明：催化剂使用末期的压差增长速率又被它低估。因此此模型不能真实反映压差的变化规律，必须进行修改。从上面的分析可知，压差增长因子a实际上是变化的，它应该是随着时间的延长逐渐变大。因此我们假设cbta，t为催化剂运行天数，b、c是待定常数，则（1）模型变为：ctbtePP20（2）利用Matlab拟合计算得到：0P=83.4kPa，b=261038.1day，c=1410117.1day。0501001502002503003504002004-8-112004-10-112004-12-112005-2-112005-4-112005-6-112005-8-112005-10-112005-12-112006-2-112006-4-112006-6-112006-8-112006-10-112006-12-112007-2-112007-4-11日期（kPa）图5模型(2)与实际压差数据的对比实际压差模型（1）实际压差模型2-5-模型(2)与实际压差数据的对比见图5。从图5我们发现模型(2)能很好地反映压差真实的增长规律。由模型(2)计算得到：在保持当前运行条件下，当装置运行到2007年4月13日时，DC101A床层压差将到达350kPa。4结论经过将加氢精制反应器床层压差数据经过人工神经网络归一化处理后，建立了atePP0和ctbtePP20两种压差随运行时间变化的数学模型。工业实践表明，后一种模型比较准确地反映了压差的增长规律。PredictionoftheHydrorefiningReactorPressureDropofHydrocrackingUnitYanZhengchao（AromaticPlantofYangziPetrochemicalCo.ltd,Nanjing,210048,China）Abstract:Itisparticularlyessentialtopredictthepressuredropofhydrorefiningreactorfordirectingtheproductionofhydrocrackingunit.Inthisstudy,firstly,theoriginalpressuredropdatawasnormalizedbyBPartificialneuralnetwork.Twomathematicalmodelswereestablishedtoperformtherelationshipbetweenpressuredropandrunningtimeoftheunit,whereafter.Thepracticetestifiedthatthelastmodelcanrevealtheregularofthepressuredrop’sincreasetrend.Keywords:hydrocrackinghydrorefiningreactorpressuredropBPartificialneuralnetworkmathematicalmodel参考文献[1]韩崇仁加氢裂化工艺与工程[M].北京：中国石化出版社，2001[2]G.Zahedi,A.Elkamel,A.Lohi,A.Jahanmiri,M.R.Rahimpor.Hybridartificialneuralnetwork-FirstprinciplemodelformulationfortheunsteadystatesimulationandanalysisofapackedbedreactorforCO2hydrogenationtomethanol.ChemicalEngineeringJournal[J].115(2005)113–120