基于深度学习的催化裂化装置产品收率预测

doi:10.3969 /j.issn.1005 -8168.2023.01.012

石油化工设计 ›› 2023, Vol. 40 ›› Issue (1): 44-51.doi: 10.3969 /j.issn.1005 -8168.2023.01.012

• 工艺优化 • 上一篇

基于深度学习的催化裂化装置产品收率预测

周宇阳

中国石化工程建设有限公司，北京 100101

收稿日期:2020-09-18 接受日期:2020-09-18 出版日期:2023-02-25 发布日期:2023-03-07
通讯作者: 周宇阳，zhouyuyang@sei.com.cn E-mail:zhouyuyang@sei.com.cn
作者简介:周宇阳，男，2017年毕业于Texas A&M 大学石油工程专业，工程师，主要从事工厂设计工作，研究方向为人工智能算法在石油石化行业的应用。联系电话：010-84878195；E-mail：zhouyuyang@sei.com.cn

FCC Unit Product Yield Prediction Model Based on Deep Learning

Zhou Yuyang

SINOPEC Engineering Incorporation，Beijing，100101

Received:2020-09-18 Accepted:2020-09-18 Online:2023-02-25 Published:2023-03-07
Contact: Zhou Yuyang,zhouyuyang@sei.com.cn E-mail:zhouyuyang@sei.com.cn

摘要/Abstract

摘要： 催化裂化装置对炼厂生产效益关系重大，准确预测并优化其产品收率和生焦产率对提高装置效益，改善全厂总流程具有重要意义。通过采用深度学习中梯度树（GBDT）算法和机器学习中神经网络（ANN）算法，基于系统内多家炼厂的催化裂化装置生产数据，建立了收率预测模型，总结了针对生产数据的数据处理经验。结果表明：基于深度学习的梯度树算法在预测效率、准确性和稳定性更好，使用人工智能方法能基于大数据准确预测装置产品收率，有助于开展基于数据模型的装置操作优化和全厂总流程优化，提高全厂经济效益

关键词: 深度学习, 催化裂化, 人工智能, 操作优化

Abstract: Catalytic cracking unit has a significant impact on refinery production efficiency. Accurate prediction and optimization of its product yield and coke yield is important to improve the efficiency of the unit and the overall process flow of the refinery. In this paper, a yield prediction model was developed based on the production data from the FCC units in several refineries of SINOPEC by applying Gradient Boosting Decision Tree (GBDT) algorithm in deep learning algorithm and the neural network (ANN) algorithm to summarize the data processing experience for production data. The results show that the gradient tree algorithm based on deep learning performs better in prediction efficiency, accuracy and stability. Artificial intelligence methods can accurately predict product yield based on big data, help to carry out unit operation optimization and plant-wide overall process flow optimization based on data model, and improve plant-wide economic efficiency.

Key words: deep learning, catalytic cracking/FCC, artificial intelligence, operation optimization

周宇阳. 基于深度学习的催化裂化装置产品收率预测[J]. 石油化工设计, 2023, 40(1): 44-51.

Zhou Yuyang. FCC Unit Product Yield Prediction Model Based on Deep Learning[J]. Petrochemical Design, 2023, 40(1): 44-51.

[1]	陈文武，王建军，张伟亚，潘隆. 催化裂化装置关键设备故障分析及对策[J]. 石油化工设备技术, 2022, 43(5): 23-27.
[2]	江盛阳. BSX型第三级旋风分离器在催化裂化装置改造中的应用[J]. 石油化工设备技术, 2022, 43(4): 10-14.
[3]	汤东征，马晶晶，张勇，汤鹏杰. 催化裂化装置滑阀螺栓断裂失效分析[J]. 石油化工设备技术, 2022, 43(2): 52-54，58.
[4]	张军军. 催化裂化装置原料油喷嘴在线疏通新技术介绍[J]. 石油化工设备技术, 2022, 43(2): 55-58.
[5]	程光剑，李学，李志宇，于浩. 催化裂化装置烟气轮机结垢物的原因分析及预防措施[J]. 石油化工设备技术, 2022, 43(2): 59-62.
[6]	杨松柏, 余鹏翔, 戴景义. 塔里木乙烷制乙烯智能工厂建设探索和思考[J]. 乙烯工业, 2021, 33(4): 1-5.
[7]	裴广尧, 邓德刚, 高晨阳. 废碱湿式氧化技术的工业运行及操作优化[J]. 乙烯工业, 2021, 33(4): 17-21.
[8]	张可伟，郑显伟，孙新文，何承厚，王建军. 催化裂化装置沉降器防结焦技术的研究与应用[J]. 石油化工设备技术, 2021, 42(4): 31-33.
[9]	许步建, 谢恪谦. 催化裂化装置主分馏塔中段取热设计探讨[J]. 石油化工设计, 2021, 38(3): 1-3.
[10]	杨玖坡. 渣油加氢裂化未转化油蒸汽发生器传热计算及操作优化 [J]. 石油化工设计, 2021, 38(3): 14-18.
[11]	江盛阳, 段丹, 范声. 催化裂化装置产品质量优化Aspen Plus模拟研究 [J]. 石油化工设计, 2021, 38(3): 52-55.
[12]	黎蓉，陈诚. 人工智能与计算流体力学在压力容器设计中的应用[J]. 石油化工设计, 2021, 38(2): 50-53.
[13]	何新民，陈信贤，刘伟，顾嵘，罗铁柱. 储运联合车间装卸车安全、快捷受控作业的优化措施[J]. 石油化工安全环保技术, 2021, 37(1): 15-17.
[14]	秦中良，李子国，羊晓磊. 半干法脱硫工艺在催化裂化装置中的应用[J]. 石油化工安全环保技术, 2021, 37(1): 48-53.
[15]	郑端阳，南广利. 催化裂化装置再生滑阀导轨螺栓断裂的失效分析[J]. 石油化工设备技术, 2020, 41(5): 59-62.

基于深度学习的催化裂化装置产品收率预测

FCC Unit Product Yield Prediction Model Based on Deep Learning

赞

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0