乙烯裂解炉高附加值产品收率模型建模.docx

1、乙烯裂解炉高附加值产品收率模型建模 乙烯裂解炉高附加值产品收率模型建模1.引言乙烯被称为化工之母，可以用来加工人们生活的各种塑料、溶剂等。乙烯生产水平成为衡量一个国家或地区石油化工发展的主要标志。乙烯生产的规模、成本、生产稳定性、产品质量等都会对整个石油化工联合企业起到支配作用，因此乙烯装置就成为关系全局的核心生产装置。同时乙烯装置又是石化工业中能耗最大的装置之一，因而世界各国自1960年以来在其节能、降耗、减少投资、方便操作管理、降低生产成本以提高乙烯企业整体经济效益方面开展了广泛的研究并取得了卓有成效的进展，其中乙烯生产过程建模、控制与优化技术是其中最为活跃的研究领域之一。随着近年来计算机

2、技术的发展，先进控制用于乙烯工业生产过各控制越来越普及，在很大程度上保证了生产的安全运行，提高产品收率，降低原料、能源消耗，提高经济效益。在乙烯生产过程中，裂解炉是生产装置的关键设备，它操作是否平稳，不仅影响整个乙烯生产装置的产品质量和产量，而且会影响下游生产置的平稳操作。因此，对乙烯生产过程实施先进控制，首先考虑对裂解炉实施先进控制技术【1】。1.1乙烯裂解炉建模技术研究现状乙烯生产过程建模是指综合应用热力学方法、化工单元操作原理、化学反应等基础学科，采用数学方法来描述乙烯生产这一复杂的工艺过程，通过计算机进行复杂的物流平衡、能量平衡、相平衡等工艺计算，并对组分进行平衡、物理分离、化学反应等

3、计算，使人们从生产现场用主观经验操作装置，转为利用计算机对工况进行科学的分析研究。裂解炉模型主要包括针对裂解过程的反应动力学模型和针对炉膛辐射室的热传递模型【2】，其中裂解过程反应动力学模型的研究已经历了经验模型、分子模型和机理模型三个阶段【3,4】，而辐射室的热传递模型也从最初的零维模型、一维模型发展到比较完善的二维模型【5】。1.2乙烯裂解的机理石油烃通过管式裂解炉进行高温裂解反应以制取乙烯的过程。它是现代大型乙烯生产装置普遍采用的一种烃类裂解方法。 管式裂解炉是其核心设备。为了满足烃类裂解反应的高温、短停留时间和低烃分压的要求，以及提高加热炉的热强度和热效率，炉子和裂解炉管的结构经历了不

4、断的改进。新型的管式裂解炉的热强度可达 290375MJ/（m/h），热效率已可达9293,停留时间可低于0.1s,管式炉出口温度可到900，从而提高了乙烯的产率。 工艺流程 可分为裂解和急冷-分馏两部分（图1管式炉裂解工艺流程）裂解 裂解原料经预热后，与过热蒸汽（或称稀释蒸汽）按一定比例（视原料不同而异）混合，经管式炉对流段加热到500600后进入辐射室，在辐射炉管中加热至780900，发生裂解。为防止高温裂解产物发生二次反应，由辐射段出来的裂解产物进入急冷锅炉，以迅速降低其温度并由换热产生高压蒸汽，回收热量。由饱和或氢含量高的烃原料生成乙烯、丙烯等有用的烯烃的一次裂解反应,基本上取决于反应

5、温度和时间,起决定作用的是较高的反应温度或炉管出口温度。二次反应包括一次反应的产品,因为它们由分子化合而成,它们受反应中分子间距离的影响,换句话说，受烃分压的影响。对于裂解系统，我们把烃和稀释蒸汽混合气体的压力称总压(即表现压力)，烃分压是混合物中烃的压力【6】。 高烃分压降低乙烯选择性,所以对于给定原料,降低稀释比(稀释蒸汽/烃)或增加炉出口压力,降低乙烯收率。由于丙烯经一次反应裂解,生成乙烯和甲烷,所以丙烯不受这种方式影响,因此,通过改变稀释蒸汽比和压力来改变丙烯/乙烯比是可能的,但实际上,这些变量象烃进料流量那样保持不变。所以,产品收率分布的控制主要是通过改变COT或炉出口温度实现【7】

6、。裂解反应开始于烃分子成甲基或乙基自由基,这些自由基是不稳定的化学基因.这些自由基引发一系列其它反应,例如: CH3和H自由基与原料反应。 C2H5自由基与原料反应或分解大的自由基分解。 当自由基 CH3或H从反应物中去除一个氢原子形成较高分子量自由基时引发反应发生: C2H6 +HH2+C2H5 （1-1）C2H6 +CH3CH4 +C2H5（1-2）自由基与一个分子化合而形成一个单独自由基时,发生链增长反应: CH3+C2H4C4H7（1-3）当两个自由 基化合时,发生终止反应: CH3+C2H5C3H8 （1-4）CH3+HCH4 （1-5）二次反应以很多不同方式存在,包含一次反应产生的

7、烯烃,前面的增大反应是一个典型的例子,也使一次反应生成的烯烃脱氢,通过缩合反应形成较大的稳定分子如环烯烃和芳烃也是二次反应。反应物转化率或裂解深度较低时,二次反应不是很重要,这是因为一次反应烯烃浓度低,因而分压低,一次反应转化率较高时,伴随较高温度和烯烃分压,二次反应变得很重要,二次反应,除使所希望的烯烃产品降解外,最终导致焦的生成。在相同的裂解条件下,不同原料得到不同的乙烯收率。一般来讲,原料氢含量较高,乙烯收率较高,例如,乙烷比石脑油产生更多乙烯,而石脑油又比AGO产生更多乙烯。 急冷-分馏 裂解产物经急冷锅炉冷却后温度降为350600，需进一步冷却，并分离出各个产品馏分。来自急冷锅炉的高

8、温裂解产物在急冷器与喷入的急冷油直接接触，使温度降至200220左右，再进入精馏系统，并分别得到裂解焦油、裂解柴油、裂解汽油及裂解气等产物。裂解气则经压缩机加压后进入气体分离装置。结焦机理：裂解炉运转过程中结焦有三种机理：催化结焦、自由基引发结焦、沉积结焦。催化结焦往往发生在炉管运行初始阶段，主要是辐射段炉管中的金属如Ni、Fe的催化形成，结焦特性由管壁表面的纤维结构、绝热特性以及活性中心的多寡决定。分子量小于100的乙炔、乙烯、丁二烯、甲基、已基、酚基自由基易引发新的自由基，不饱和基团也易引发自由基结焦，使炉管表面的结焦不断增加。自由基的活性取决于气体组成、温度、压力和流量。芳烃在高温下反应

9、生成大分子的焦油，进一步沉积形成固体结焦，芳烃缩聚结焦由原料中芳烃含量影响。分析结焦过程，初始结焦主要以催化结焦为主，结焦快速沉积下来，同时增加了自由基结焦的表面积，表面的凹凸不平增加了沉积结焦的机会和速率。当金属微粒下面形成碳纤维后，金属微粒隆起，使更多的碳沉积在上面，碳纤维继续增长。自由基结焦包围在碳纤维外表，凝聚结焦沉积在碳纤维之间，逐渐形成固定的焦碳，引起炉管表面的结焦。 提高烯烃收率而将焦的生成降到最低,这是通过在裂解炉中短停留时间、高温、低压降和优化的稀释蒸汽/烃进料比来完成的。USC裂解炉系统具有这些特征,被设计成乙烯和其它有价值的副产品收率最高,而将不希望生成的组份减到最少。乙

10、烷在高转化率下裂解,需较高的裂解温度，这导致从乙炔途径结焦,尤其当炉管壁出现局部过热时,过热处靠近管壁膜中的反应温度更易发生分解反应。 C2H22C+H2 （1-6）通过这个反应生成的焦通常比经芳烃结焦途径产生的焦硬,密度大。经芳烃途径生成的焦较软。2.根据提供样本数据分析裂解产物的收率根据给定的样本数据，分析COT（出口温度）、FEED（进料负荷）、DS量（汽烃比）对裂解产物收率的影响，这时采用控制变量法进行分析，即在其他两个量保持不变的前提下，控制另外一个量，分析其对裂解产物收率的影响。2.1 COT对裂解产物收率的影响在保持进料负荷为40汽烃比为0.575的情况下，出口温度由810增加到

11、860时对裂解产物收率的影响如下：氢气(H2)收率变大，甲烷(CH4)收率变大，乙炔(C2H2)收率变大,乙烯(C2H4)收率变大，乙烷(C2H6)收率变小，丙烯(C3H6)收率变小，丙烷(C3H8)收率变小，1,3-丁二烯(1,3-C4H6)收率变小，笨(Benzene)收率变大。如表2-1所示：表2-1 COT对裂解产物收率的影响COTFeed汽烃比H2CH4C2H2C2H4C2H6C3H6C3H81,3-C4H6Benzene810400.5750.81211.7960.10925.5332.76716.6010.4376.0293.807816400.5750.84212.2840.1

12、2726.0632.73616.1850.4076.0424.062820400.5750.86212.6150.14126.3962.71215.8520.3846.034.24825400.5750.88813.0280.16326.772.67715.3760.3545.994.47830400.5750.91613.4480.18927.1082.63714.8390.3215.9154.708835400.5750.94613.8740.22227.422.59214.2320.2875.8144.951840400.5750.97714.3030.26127.6692.54213.

13、5750.2525.6885.196850400.5751.04815.1480.3728.0162.42412.130.1865.3725.67860400.5751.13215.9750.52928.1392.27910.5650.134.986.0892.2进料负荷比裂解产物收率的影响在保持出口温度在810和DS量在基本保持不变的的条件下，进料负荷由41变为44对裂解产物收率的影响如下：进口负荷与各个产物的产出量都应成正比线性关系，进料越多，相应的各个产物产出量越多，相应的各个产物的收率也不变。如表2-2所示、：表2-2 进料负荷对裂解产物收率的影响COTFeed汽烃比H2CH4C2H2

14、C2H4C2H6C3H6C3H81,3-C4H6Benzene810400.5750.81211.7960.10925.5332.76716.6010.4376.0293.807810410.5610.80911.7830.10825.4592.79316.6220.4396.0333.786810420.59520.80211.5590.11125.4252.75716.7040.4566.0163.721810430.58140.79911.5480.10925.3532.78216.7220.4586.0193.703810440.56820.79511.5360.10725.2832.

15、80716.7390.4616.0223.6852.3汽烃比对裂解产物收率的影响根据数据表在保持出口温度810，进料负荷为40的条件下，此时汽烃比从0.575逐步增加到0.825，裂解产物的收率有如下变化：氢气(H2)收率变小，甲烷(CH4)收率变小，乙炔(C2H2)收率变大,乙烯(C2H4)收率变小，乙烷(C2H6)收率变小，丙烯(C3H6)收率变大，丙烷(C3H8)收率变大，1,3-丁二烯(1,3-C4H6)收率变小，笨(Benzene)收率变小。如图表2-3所示：表2-3汽烃比对裂解产物收率的影响COTFeed汽烃比H2CH4C2H2C2H4C2H6C3H6C3H81,3-C4H6Ben

16、zene810400.5750.81211.7960.10925.5332.76716.6010.4376.0293.807810400.6250.80911.5810.11425.5742.70416.6660.4516.0083.76810400.6750.80611.3780.11925.62.64516.7210.4655.9853.709810400.7250.80211.1870.12425.6132.58816.7650.4785.963.655810400.7750.79911.0070.1325.622.53316.7990.4915.9323.6810400.8250.79

17、610.8370.13525.6192.48116.8240.5035.9033.5433. MATLAB建立BP神经网络模型BP网络是从结构上讲是典型的前馈型层次型网络，由输入层、输出层以及一到多层隐含层组成，输入信号从输入节点，依次经过各隐含层，最终达到输出节点，其结构如图3-1所示：图3-1 BP神经网络结构示意图其中输入层含M个节点，对应于BP网络可感知的M个输入【8,9】。输出层含有L个节点，与BP网络的L种输出响应相对应。隐含层节点的数目q可根据需要设置。下面利用MATLAB对神经网络进行建模，运行后的图像如下所示图3-1 BP神经网络训练工具箱图3-3 性能响应曲线图3-4 训练

18、曲线图3-5回归曲线3.总结和对未来的展望 通过对乙烯裂解机理知道了乙烯裂解是个很复杂的过程，但是确是衡量一个国家发达水平的关键，通过对样本数据的分析得知了COT，进料负荷，DS两对乙烯产物收率的影响，最后通过MATLAB对BP神经网络进行建模，更加深刻的理解了裂解炉裂解深度的软测量模型。神经网络在系统建模方面具有很大的潜力，它可以根据化工生产过程的输入输出操作数据，充分逼近生产过程的非线性特性。【10】目前，国内外已有许多神经网络在石化生产过程建模中的成功应用范例。本文应用上述基于BP神经网络的建模技术，建立了软测量模型，实现了控制。参考文献：【1】谈婷华.基于神经网络的乙烯裂解炉软测量建模

19、与优化D.东华大学,2007.【2】Kurnar P Kunzru D，Modeling of naphtha pyrolysis，IntChemEngProcessResDev,1985，24(3)：774782【3】郑生明，乙烯裂解炉对流段工艺设计及数学模型，石油化工，1986，15(6)：353360【4】张立国，倪力军，袁渭康，化学反应活性指标与基元反应动力学参数的关系及链烷烃热裂解过程模拟，化工学报，1993，44(6)：651。657【5】张红梅，关志文，毛国梁，用二维模型分析裂解炉管操作工况大庆石油学院学报，1998，22(1)：29-31【6】 王国清,杜志国,张利军等.应用B

20、P神经网络预测石脑油热裂解产物收率J.石油化工,2007,36(7):699-704. 【7】刘纪昌,沈本贤.采用BP神经网络预测石脑油裂解烯烃收率J.石化技术与应用,2010,28(5):369-372,377.【8】王娜,毛先萍.BP神经网络在乙烯裂解炉预测分析中的应用研究J.化学工业与工程技术,2009,30(4):4-7.、【9】黄一俞.乙烯裂解炉过程建模与操作优化D.北京化工大学,2005.【10】刘漫丹， 杜文莉， 钱锋，裂解炉燃料气热值的模糊神经网络软测量，计算机集成制造系统，2003,9(5) 附1： clear;clc;a=xlsread(data.xls);n=;for i

21、=1:30 x=a(1+52*(i-1):52*i,2); for j=5:13 y=a(1+52*(i-1):52*i,j); p=polyfit(x,y,2); yy=polyval(p,x); m=yy-y; find(abs(yy-y)3*std(m); n=n,ans+52*(i-1); endendfor i=1:size(n) a(n(i),:)=;endp=a(:,2:4);f=a(:,5:13);net=newff(p,f,9,tansig,purelin,traingd);inputWeights=net.IW1,1;inputbias=net.b1;layerWeights=net.LW2,1;layerbias=net.b2;net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 1000; net.trainParam.goal = 0.001; net=train(net,p,f); A=sim(net,p); E=f-A;MSE=mse(E);x=850;5;0.83;sim(net,x)net.IW1,1 net.b1,1 net.IW2,1 net.b2,1