基于原油性质的直馏沥青性质智能预测模型研究.pdf

基于原油性质的直馏沥青性质智能预测模型研究于子浩，郭小圣，陈博（中石化（大连）石油化工研究院有限公司，辽宁省大连市 ）摘要：介绍了采用 算法模型对直馏沥青性质的数据处理及模型预测建立的过程。以炼油企业常减压装置运行数据、原油评价数据为基础，结合生产经验扩展数据特征，对收集到的 条沥青产品分析数据建立数据驱动的回归模型，利用梯度提升树模型充分挖掘原油性质与沥青性质间的关联，智能预测沥青产品在不同目标针入度下的软化点、延度（）等关键指标性质，其中沥青软化点预测决定系数大于 。经对比，拓展的数据特征能有效提高模型预测能力。同时分析了不同数据下模型预测的能力，随着数据的不断积累，模型预测潜力较大。该模型可为企业提供生产高标号沥青所需要的原油配比，协助企业优化全局生产流程，实现降本增效。关键词：原油性质直馏沥青性质智能预测模型特征扩增软化点预测延度预测 直馏沥青产品具有生产工艺简单、成本低、性质可控等优点，可满足大部分道路的建设需求，占据了沥青市场的主要份额 。同时，直馏沥青的生产还可优化渣油组分的平衡，有助于企业根据市场需求优化炼油厂加工流程 。生产高等级直馏沥青的关键在于筛选与调配适宜的原油品种及比例，实际生产中主要依靠实验数据与生产经验进行调度 。由于蒸馏实验存在成本高、周期长、响应速度慢等问题，同时实际生产过程中原油品种多，后续流程复杂，故原油在储罐与管道中无法按实验比例混合，实验数据缺少拓展性与泛化性。在已有的使用数据驱动模型预测沥青性质的工作中 ，主要使用实验数据进行建模，由于实验数据成本高，数据少，无法发挥模型的预测潜力。随着企业数字化、信息化的发展以及人工智能算法的发展，隐藏在庞大的工业数据资源中的价值在被不断挖掘。该研究使用企业生产数据为基础，训练人工智能模型预测沥青产品的软化点、延度等性质，为企业直馏沥青生产与原油调合提供指导。数据准备 数据收集收集整理了 年某沿海炼化企业沥青生产数据，包括沥青产品罐区 （实验室信息管理系统）分析数据、加工原油台账、原油到港评价数据。其中，沥青产品数据共 条，包括密度、针入度、针入度指数、软化点、动力黏度（）、延度（）、蜡含量、闪点（开口）等 个特征；到港原油评价数据包括 种原油，共 条快速评价数据，包含原油的 （实沸点蒸馏）曲线，各个组分收率以及组分主要物性；原油台账数据记录了 年常减压装置进原油混合比例以及部分 （分布式控制系统）工艺数据。为了预测沥青产品的性质，需要将沥青评价数据作为数据标签，将对应的原油性质与操作条件作为数据特征。以沥青评价数据中的评价日期为基准，对齐数据，查找当天原油加工台账中的混油比例。通过混油中的各个原油名称与日期，在原油评价数据中查找最近的一次原油评价数据。将得到的原油各项性质数据按混油比例进行加权平均，最终得到完整的沥青生产评价数据。沥青评价、装置操作参数及混油性质数据样例分别见表 。数据处理针对原油评价数据中密度、硫含量、石脑油芳收稿日期：。作者简介：于子浩，助理工程师，硕士研究生，年毕业于东北大学计算数学专业，从事石油炼制工程研究工作。联系电话：，：。基金项目：国家重点研发计划项目：流程制造资源与能源计划排产软件研发与应用（）；中国石油化工股份有限公司科技开发项目：炼化全局资源优化技术开发与工业应用（）；大连市支持高层次人才创新创业项目：基于图神经网络的混合现实智能炼油厂优化平台（）。烃潜含量（芳潜）、柴油十六烷指数存在缺失的情况，因特征缺失量较少，故使用同种原油的平均值来进行缺失值填充。针对得到的数据集，进行统计分析，计算各项数据的均值、标准差、四分位数等指标并评价数据的质量。沥青性质分析见表 。根据表 显示，沥青性质评价数据中，动力黏度（）与延度（）数据的波动较大，其余性质较为稳定。根据数据箱型图分位点统计分析，延度（）的异常点较多。根据统计四分位数，在分位数外的数据，根据经验对照混油比例和操作参数数据逐条进行验证。表 沥青评价数据样例 针入度（，）（）针入度指数 软化点 动力黏度（）（）延度（）延度（）（蜡），闪点（开口）残留针入度比，残留延度（）表 装置操作参数 原油进装置流量（）一级减压炉总出口温度 一级减压炉炉膛温度 一级减压炉燃料气流量（）一级减压塔塔顶温度 一级减压塔塔顶真空度 一级减一出装置流量（）一级减二出装置流量（）一级减压炉总出口温度 二级减压炉炉膛温度 减压渣油温度 过热蒸汽温度 二级减压炉燃料气流量（）二级减压塔塔顶温度 二级减压塔塔顶真空度 二级减一出装置流量（）二级减二出装置流量（）二级减三出装置流量（）二级减压塔塔底温度 渣油出装置流量（）塔底汽提蒸汽流量（）表 混油性质数据样例 混油密度（）（）（混油硫），混油酸值（）（混油氮），石脑油质量收率，石脑油芳潜指数 石脑油芳烃指数 直馏柴油收率，柴油十六烷指数 蜡油（蜡油），密度（）（）残炭，（硫），（氮），（饱和烃），（芳烃），（胶质 沥青质），渣油（渣油），密度（）残炭（）（硫），（氮），各馏程下混油实沸点蒸馏量占比，初馏点 特征扩增直馏沥青是原油经过常减压蒸馏装置后的减压渣油组分，沥青产品性质也直接与原料 以上渣油的性质有关，尤其是渣油的四组分（饱和分、芳香分、胶质、沥青质）数据。炼油厂的原油数据中不包含渣油的四组分数据，使用原油数据库中的数据以及收集到的各个炼油厂详细评价数据进行数据扩增。同样根据沥青产品的分析时间优先查找时间跨度最小的原油详细评价报告，获得其中渣油四组分、蜡含量数据，对于原油评价中其他特征的偏差不进行修正，尽量保证数据分布的一致性。表 沥青性质分析 项目均值标准差针入度 针入度指数 软化点 动力黏度（）（）延度（）（蜡），溶解度，密度（）（）残留针入度比，残留延度（）渣油评价数据在之前的沥青性质研究以及生成过程中有许多总结得到的经验公式。将扩增的数据计算结果添加到数据集中成为新的特征，扩增数据集，帮助模型发掘数据的关联，增强模型的泛化能力。模型建立使用 作为预测模型，是一个基于梯度提升树的算法框架，使用二阶导数近似损失函数，提高计算精度和计算效率。具有分布式、高效率的特点。代入如前面准备好的数据进行回归任务训练，将数据集分为 的训练集和 的测试集，在训练集中再进行交叉验证提高训练质量。模型的基学习器仍然采用回归树模型，损失函数为 （均方误差）。对模型关键超参数进行全局参数寻优后，得到最后的模型。同时，使用数据建立线性回归模型作为对比模型，由于数据特征多，使用带有正则项的岭回归建模，同样对正则参数进行寻优。模型预测与线性模型指标对比见表 。由表 可知，相比使用最小二乘法的线性模型，基于 构建的模型预测能力明显提高，对于数据波动较小的软化点指标，预测模型决定系数达到 ，能很好地预测趋势性的变化。使用没有经过前面特征扩张的原始数据训练模型，数据扩增前后的模型预测指标对比情况见表 。表 预测模型与线性模型指标对比 项目软化点预测模型 线性模型延度（）预测模型 线性模型平均误差，决定系数（）表 数据扩增前后预测指标对比 项目软化点扩增数据模型原始数据模型延度（）扩增数据模型原始数据模型平均误差，决定系数（）由表 可知，经过数据扩增，沥青软化点和延度（）的预测能力均有提升。为进一步探究数据量对沥青性质预测模型的影响，将训练模型的 条数据按时间取前 的数据和前 的数据，按上面的方法重新构建预测模型，得到不同数据量下预测指标对比见表。表 不同数据量下预测指标对比 项目前 的数据模型前 的数据模型平均误差，决定系数（）表 显示，随着数据量的增长，模型的预测能力有明显提升。对于梯度提升树模型而言，如果数据量的进一步增加，模型预测能力的提升可能放缓，但就当前数据量而言，模型的预测能力尚未到达瓶颈。结论使用数据驱动的人工智能模型建立的沥青性质预测模型具有较好的预测能力，且泛化能力强，能够为企业的沥青生产及原油筛选排序提供科学的指导。研究所用到的经过特征扩增后的梯度提升树算法有较强的非线性拟合能力，能挖掘原油宏观性质到沥青产品性质间的统计关联，建立集成预测模型。模型对于软化点一类连续性较强的性质，预测决定系数达到 ；对于延度（）一类较为跳跃的性质，预测决定系数也大于 。模型也根据原油及混合油比例预测沥青产品的关键性质，为沥青生产计划提供有效指导与参考。模型在相对较小的样本下展现出了远超线性模型的预测能力，同时模型预测效果与数据量关系仍然较大。模型的最佳参数选择方向依然是防止过拟合的保守方向，模型的预测能力与数据量成正相关，需要更多数据发掘模型的预测潜力。使用企业生产数据处理后建立数据驱动的智能预测模型充分挖掘了工业数据的价值，提高了企业数字资产的利用率。同时研究中也存在部分问题：沥青的生产过程中涉及到的装置参数多，无法全部在数据系统中得到，模型的特征无法涵盖所有决定因素，对模型表现上限造成一定影响。同时同种原油不同批次的性质也存在一定差异，导致数据准确性存在偏差，后续的研究中需要不断维护原油数据。实际的生产过程较为平稳，导致积累的数据特征分布也较为集中，未来可以将生产数据与实验数据进行结合，不同企业数据进行结合，进一步增强模型的泛化能力。参考文献 刘振华，程国香，冯敏哿，等 高等级道路沥青生产技术的开发与应用 石油炼制与化工，（）：和凤祥，陈雪，臧娜，等 石油沥青的性质与应用概述 炭素，（）：张德勤 石油沥青生产与应用 北京：中国石化出版社，：黄小侨 基于沥青生产的常减压过程模拟及排产计划优化研究 青岛：中国石油大学（华东），郭皎河，吴晓颖，傅丽，等 不同工艺制备的沥青性能研究 中国胶粘剂，（）：谭忆秋，公维强，周纯秀，等 基于 神经网络的沥青混合料低温性能预测模型 中外公路，（）：窦福合，许志明，王品一，等 神经网络在沥青延度预测上的应用 石油沥青，（）：覃宇鹏 油页岩废渣与 复合改性沥青混合料的路用性能分析及预测 长春：吉林大学，（编辑焦瑞），（），）：，（），：，