基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的丙烷回收流程多目標(biāo)優(yōu)化

衛(wèi)浪 蒲紅宇 向輝 田戩 楊冬磊

1.西南石油大學(xué)土木工程與測(cè)繪學(xué)院 2.中國(guó)石油天然氣股份有限公司塔里木油田分公司油氣運(yùn)銷部

丙烷回收的凝液是重要的化工原料，其用途較廣，丙烷回收可提高油氣田開(kāi)發(fā)的經(jīng)濟(jì)和社會(huì)效益。直接換熱流程(direct heat exchange process，以下簡(jiǎn)稱DHX)，DHX流程由加拿大ESSO公司于1984年開(kāi)發(fā)，并在Judy Creek工廠得到首次應(yīng)用，丙烷回收率由72%提高到95%[1-2]。在對(duì)DHX的工藝參數(shù)分析時(shí)，較多研究者采用單因素分析法分析DHX工藝參數(shù)的影響[3-7]，而DHX流程中涉及的不同參數(shù)之間也存在著相互影響，且其對(duì)丙烷收率和系統(tǒng)能耗的影響往往是非線性的。在實(shí)際生產(chǎn)過(guò)程中，流程的設(shè)計(jì)、設(shè)備參數(shù)的調(diào)試大多依賴于操作人員的經(jīng)驗(yàn)，可能導(dǎo)致流程出現(xiàn)收率低、能耗高的問(wèn)題。為了解決這一問(wèn)題，本研究利用HYSYS模擬DHX流程，建立了低溫分離器溫度、DHX塔頂溫度、回流罐回流溫度，并采用NSGA-Ⅱ(non-dominated sorting genetic algorithm)算法對(duì)丙烷收率和系統(tǒng)能耗的3-12-2型神經(jīng)網(wǎng)絡(luò)模型進(jìn)行多目標(biāo)優(yōu)化，得到最優(yōu)Pareto前沿，對(duì)流程的設(shè)計(jì)與設(shè)備參數(shù)調(diào)試有一定的指導(dǎo)意義。

1 DHX丙烷回收工藝

典型的DHX工藝流程如圖1所示。原料氣經(jīng)主冷箱預(yù)冷后進(jìn)入低溫分離器，分離出的液相先用于冷卻原料氣，隨后進(jìn)入脫乙烷塔中下部，分離出的氣相經(jīng)膨脹機(jī)膨脹端后進(jìn)入重接觸塔塔底。脫乙烷塔塔頂氣相再由主冷箱冷卻，進(jìn)入脫乙烷塔塔頂回流罐，回流罐分離出的氣相經(jīng)降溫節(jié)流后進(jìn)入重接觸塔塔頂，分離出的液相經(jīng)泵增壓后返回脫乙烷塔塔頂作為脫乙烷塔塔頂回流。重接觸塔分離出氣相經(jīng)膨脹機(jī)壓縮后外輸，分離出的液相經(jīng)液烴泵增壓后進(jìn)入脫乙烷塔的中下部。重接觸塔塔頂進(jìn)料含有摩爾分?jǐn)?shù)為60%～70%的液態(tài)乙烷，乙烷氣化制冷降低了重接觸塔塔頂溫度，將逆流而上的氣相中的丙烷及更重?zé)N類組分冷凝下來(lái)，提高了丙烷收率。

以某日處理500×104m3的處理廠的實(shí)際運(yùn)行數(shù)據(jù)建立HYSYS模型，原料氣組分見(jiàn)表1。其中C1與C2的物質(zhì)的量比為11.35，原料氣進(jìn)氣壓力為5 MPa，溫度為25 ℃，其他關(guān)鍵參數(shù)見(jiàn)表2。

表1 原料氣組成%組分摩爾分?jǐn)?shù)組分摩爾分?jǐn)?shù)N22.84n-C40.38CO20.10i-C50.18C186.27n-C50.15C27.60C60.14C31.72C70.30i-C40.32C8+0.00

表2 設(shè)備運(yùn)行參數(shù)與HYSYS模擬參數(shù)對(duì)比設(shè)備實(shí)際運(yùn)行數(shù)據(jù)HYSYS模擬數(shù)據(jù)溫度/℃壓力/kPa溫度/℃壓力/kPa低溫分離器-42.004 950-424 950膨脹機(jī)出口-82.732 100-832 100DHX塔頂部-71.122 050-702 050回流罐頂部-22.652 170-222 170脫乙烷塔塔頂-13.052 200-132 200脫乙烷塔塔底92.622 250902 250

2 收率與系統(tǒng)能耗影響分析

2.1 低溫分離器溫度對(duì)收率與能耗的影響

DHX流程本質(zhì)是冷凝分離，冷凝溫度與壓力是影響回收率的主要因素。各組分的液化率隨溫度的變化如圖2、圖3所示。從圖2和圖3可以看出，降低冷凝溫度、提高冷凝壓力可以提高C3的液化速率，從而提高丙烷收率。隨著冷凝溫度的降低與冷凝壓力的增加，C3的液化速率增大幅度減小，而C1和C2的液化速率明顯增大。冷凝液中存在大量的C2和C1，不僅增加了產(chǎn)品分離的難度，而且還增加了系統(tǒng)能耗。

2.2 重接觸塔溫度對(duì)收率與能耗的影響

重接觸塔溫度對(duì)收率和能耗的影響見(jiàn)圖4，其溫度變化范圍為-74～-64 ℃。由圖4可以看出，重接觸塔溫度從-64 ℃降到-74 ℃時(shí)，收率從90%上升到了93%，而系統(tǒng)能耗從1 540 kW增加到了1 580 kW。

這是由于隨著溫度的降低，進(jìn)入重接觸塔的氣相輕組分不斷發(fā)生液化，使進(jìn)入重接觸塔塔底部的輕組分含量增加，增加了輕組分的分離難度，導(dǎo)致能耗上升[8-9]。

2.3 回流罐溫度對(duì)收率與能耗的影響

回流罐溫度對(duì)收率和能耗的影響見(jiàn)圖5。由圖5可以看出，回流罐溫度從-22 ℃下降到-32 ℃時(shí)，收率由91%上升到98%，而系統(tǒng)的能耗從1 558 kW上升到了1 658 kW。這是由于回流罐溫度降低，對(duì)乙烷的富集作用增強(qiáng)，從而提高了吸收塔低溫汽化制冷效果及收率。

3 GA-BP神經(jīng)網(wǎng)絡(luò)建模

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP(back propagation)神經(jīng)網(wǎng)絡(luò)于1986年由Rumelhart等人提出[10-11]，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，能以任意精度逼近任何非線性函數(shù)，具有良好的非線性關(guān)系構(gòu)建能力[12]。其基本模型結(jié)構(gòu)如圖6所示。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成，其中X1、X2…Xn為輸入變量，Y1、Y2…Yn為輸出變量，ωij、ai為鏈接輸入層與隱含層的權(quán)值與閾值，Vij、bi為鏈接隱含層與輸出層的權(quán)值與閾值，f1、f2為隱含層和輸出層的傳輸函數(shù)。

則BP神經(jīng)網(wǎng)絡(luò)的輸出為：

Y=f2[Vij·f1(ωij·X-ai)-bj]

(1)

BP神經(jīng)網(wǎng)絡(luò)的本質(zhì)是利用梯度下降法調(diào)節(jié)各層神經(jīng)元之間的權(quán)值與閾值，使得BP神經(jīng)網(wǎng)絡(luò)輸出與實(shí)際輸出的均方誤差最小，其目標(biāo)函數(shù)為：

(2)

式中：n為訓(xùn)練樣本；y′i為實(shí)際輸出；yi為BP神經(jīng)網(wǎng)絡(luò)輸出。

3.2 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的輸出值直接取決于鏈接各層神經(jīng)元之間權(quán)值與閾值，倘若初始的權(quán)值與閾值設(shè)置不合理，將使得BP神經(jīng)網(wǎng)絡(luò)的收斂速度變緩，甚至陷入局部最優(yōu)[13-14]。而遺傳算法(genetic algorithm，GA)具有良好的全局搜索能力，它通過(guò)選擇、變異、交叉操作對(duì)個(gè)體進(jìn)行篩選，保留適應(yīng)度值好的個(gè)體，淘汰適應(yīng)度差的個(gè)體，不斷進(jìn)化迭代，最終得到最優(yōu)適應(yīng)度值個(gè)體[15-16]。遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)是通過(guò)GA 來(lái)尋找BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)的初始權(quán)值與閾值，使得優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能更好地預(yù)測(cè)輸出值，其具體步驟如下。

(1) 種群初始化。個(gè)體編碼方法為實(shí)數(shù)編碼，每個(gè)個(gè)體由各層之間的權(quán)值與閾值組成。

(2) 確定適應(yīng)度函數(shù)。適應(yīng)度函數(shù)F為：

(3)

式中：K為適應(yīng)度函數(shù)系數(shù)。

(3) 選擇操作。使用輪賭法選擇若干個(gè)個(gè)體，每個(gè)個(gè)體被選擇的概率Pi為：

(4)

式中：Fi為第i個(gè)個(gè)體的適應(yīng)度值。

(4) 交叉操作。交叉方法采用實(shí)數(shù)交叉法，第k個(gè)染色體ak和第l個(gè)染色體al在j的交叉方法如下：

akj=akj(1-b)+aljb

(5)

alj=alj(1-b)+akjb

(6)

式中：b為在區(qū)間[0,1]的隨機(jī)數(shù)。

(5) 變異操作。選取第i個(gè)個(gè)體的第j個(gè)基因在aij進(jìn)行變異的操作方法如下：

(7)

(6) 計(jì)算適應(yīng)度函數(shù)的值。若適應(yīng)度函數(shù)達(dá)到最小值，則輸出優(yōu)化的權(quán)值與閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值，若沒(méi)有則返回步驟(3)。

(7) 將GA優(yōu)化過(guò)后的BP神經(jīng)網(wǎng)絡(luò)用于對(duì)樣本的訓(xùn)練，得到輸出。

3.3 模型建立及誤差分析

基于上述理論，采集收取該處理廠135組設(shè)備運(yùn)行參數(shù)，將其代入HYSYS中模擬，以低溫分離器溫度、重接觸塔塔頂溫度、回流罐回流溫度為輸入，以丙烷收率與系統(tǒng)能耗為輸出，前125組為訓(xùn)練樣本，后10組為測(cè)試樣本建立3-12-2的BP神經(jīng)網(wǎng)絡(luò)。首先對(duì)樣本做歸一化處理，使輸入層與輸出層的數(shù)據(jù)映射到[0,1]之間，訓(xùn)練結(jié)束后再反歸一化，即可得到樣本的實(shí)際輸出。遺傳算法的具體相關(guān)參數(shù)見(jiàn)表3。

表3 遺傳算法參數(shù)表種群數(shù)目迭代次數(shù)交叉概率變異概率1006000.40.05

通過(guò)建立的BP神經(jīng)網(wǎng)絡(luò)，得到10個(gè)測(cè)試樣本的收率與能耗的預(yù)測(cè)值如圖7、圖8所示。

從圖7與圖8可以看出，兩種神經(jīng)網(wǎng)絡(luò)對(duì)收率與能耗的預(yù)測(cè)值總體趨勢(shì)與實(shí)際輸出趨勢(shì)基本一致，相比之下GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值精度更高，說(shuō)明經(jīng)過(guò)GA改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)具有極高的精度，可以用于后續(xù)多目標(biāo)優(yōu)化的模型。

圖9反映了兩種神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)相對(duì)誤差。由圖9可以看出，BP神經(jīng)網(wǎng)絡(luò)能耗預(yù)測(cè)值的相對(duì)誤差波動(dòng)較大，最大的相對(duì)誤差為6.02%，預(yù)測(cè)能力較差，而GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)能耗與收率的預(yù)測(cè)相對(duì)誤差均在2%以下。

4 基于NSGA-Ⅱ的多目標(biāo)優(yōu)化

4.1 多目標(biāo)優(yōu)化及其概念

在實(shí)際應(yīng)用中常遇到需要使多個(gè)目標(biāo)在給定區(qū)域上均盡可能最佳的優(yōu)化問(wèn)題，該問(wèn)題被稱為多目標(biāo)優(yōu)化問(wèn)題。多目標(biāo)優(yōu)化問(wèn)題一般由n個(gè)決策變量參數(shù)、k個(gè)目標(biāo)函數(shù)和m個(gè)約束條件組成，最優(yōu)化總目標(biāo)如下：

max/miny=f(x)=(f1(x),f2(x)…fk(x))

(8)

subiect toe(x)=(e1(x),e2(x)…em(x))≤0

(9)

其中：

(10)

式中：x為決策變量；y為目標(biāo)向量；X為決策變量x形成的決策空間；Y為目標(biāo)向量y形成的決策空間。

多目標(biāo)優(yōu)化問(wèn)題在絕大多數(shù)情況下各目標(biāo)可能是相互沖突的，即其中一個(gè)目標(biāo)的改善往往會(huì)引起其他目標(biāo)性能的降低。同時(shí)，讓多個(gè)目標(biāo)達(dá)到最優(yōu)通常不可能，這就使得多目標(biāo)優(yōu)化問(wèn)題存在非劣解[17-18]。多目標(biāo)優(yōu)化的所有非劣解構(gòu)成了Pareto最優(yōu)解集，其對(duì)應(yīng)的多目標(biāo)值的集合稱為Pareto前沿[19]。

多目標(biāo)非支配排序遺傳算法NSGA-Ⅱ是2002年Deb等對(duì)算法NSGA的改進(jìn)，它是迄今為止最優(yōu)秀的多目標(biāo)進(jìn)化算法之一[20-21]。NSGA-Ⅱ算法通過(guò)快速非支配排序算法和擁擠度比較算子，引入精英保留策略，將父代與子代種群合并，保留了最優(yōu)秀的所有個(gè)體，提高了種群的整體進(jìn)化水平。本研究將訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型的輸出作為NSGA-Ⅱ算法的目標(biāo)函數(shù)，其算法流程如圖10所示。

4.2 結(jié)果分析

設(shè)置初始種群為100個(gè)，迭代次數(shù)為200代。利用matlab2018進(jìn)行計(jì)算得到的結(jié)果如圖11所示。

由圖11可知，當(dāng)收率逐漸變好時(shí)，系統(tǒng)的能耗也在逐漸上升。這與多目標(biāo)規(guī)劃中在滿足一個(gè)目標(biāo)最優(yōu)時(shí)，其他目標(biāo)往往可能會(huì)受到影響而變差的情況一致。在實(shí)際問(wèn)題中，過(guò)多的非劣解無(wú)法直接應(yīng)用，決策者只能選擇其中最滿意的一個(gè)非劣解作為最終的解，此時(shí)，需要根據(jù)決策者自行選擇設(shè)備操作參數(shù)和產(chǎn)品指標(biāo)來(lái)確定最后的參數(shù)[22-23]。

從Pareto解集中選取A、B兩組工況并代回HYSYS中運(yùn)行，其值見(jiàn)表4。在A工況下，HYSYS中能耗與收率實(shí)際模擬值與Pareto中的值相對(duì)誤差分別為0.20%、0.01%。在B工況下，HYSYS中能耗與收率實(shí)際模擬值與Pareto中的值相對(duì)誤差分別為1.30%、0.06%。這表明Pareto解集值是可靠的，并能為丙烷回收流程的設(shè)計(jì)與參數(shù)選取提供一定的指導(dǎo)。

表4 A、B工況下HYSYS模擬值與Pareto解值對(duì)比參數(shù)HYSYS模擬值Pareto解值相對(duì)誤差/%ABABAB低溫分離器溫度/℃-43.13-42.38-43.13-42.3800重接觸塔溫度/℃-70.42-73.98-70.42-73.9800回流罐溫度/℃-24.00-30.13-24.00-30.1300能耗/kW1 649.502 055.001 653.002 082.400.201.30收率/%94.9699.0694.9799.000.010.06

5 結(jié)論

通過(guò)對(duì)DHX流程的關(guān)鍵參數(shù)分析，基于改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)和NSGA-Ⅱ算法尋優(yōu)可以得到以下結(jié)論：

(1) 在原料氣組成一定時(shí)，低溫分離器溫度、重接觸塔溫度、回流罐溫度對(duì)流程的收率與能耗的影響是非線性的，各個(gè)參數(shù)之間存在著交互作用。

(2) 經(jīng)過(guò)GA改進(jìn)過(guò)的BP神經(jīng)網(wǎng)絡(luò)對(duì)收率與能耗具有高精度的預(yù)測(cè)能力，與實(shí)際的相對(duì)誤差均在2%以下。

(3) Pareto解中的值與實(shí)際輸出的相對(duì)誤差控制在2%以下，說(shuō)明Pareto解是可靠的，對(duì)丙烷回收流程的設(shè)計(jì)與設(shè)備參數(shù)選取有一定的指導(dǎo)價(jià)值。