基于代理模型的催化重整径向移动床反应器多目标优化研究

Computational fluid dynamics (CFD) model based multi-objective optimization has high computational complexity and cannot meet the requirement of real-time optimization. This project proposes a systematical solution framework with interactive implementation of surrogate model construction and multi-objective optimization. The CFD model is simulated step-by-step to generate samples for guiding the surrogate model construction and update as well as validating the effectiveness of multi-objective optimization, which is greatly helpful to dramatically decrease the simulation number of CFD model. A novel iterative sample generation method with space-filling and active learning strategies is proposed to develop a fast and accurate surrogate model technique. A strategy with possibility Pareto dominate degree and concentration index of immune algorithm is proposed to evaluate and optimal select among a set of uncertain multi-objective optimal solutions. Then, a molecular level reaction kinetic model coupled CFD model is developed for a typical catalytic reforming moving-bed reactor. Based on non-uniform characteristics feature extraction of flow distribution, a quantitative model among operating conditions, flow distribution and product distribution is established to capture the transfer and reaction characteristics in the reactor. Moreover, a multi-objective product oriented optimization model is proposed to reveal the complex relationship among main product and by-product in the catalytic reforming plant and achieve multi-objective and refined regulation of reforming plant. The successful implementation of this project will provide a strong theoretical and technical support for CFD model based multi-objective optimization of complex reactors such as fluidized bed reactor.

为突破基于计算流体力学（CFD）模型的多目标优化计算复杂度高，难以实时优化的瓶颈，本项目提出代理模型构建与多目标优化交互执行的解决框架，它将逐步调用CFD模拟产生样本数据，指导建立与更新代理模型，并验证优化效果，以大幅减少CFD模拟次数。提出融合空间填充和主动学习混合策略的样本点迭代生成方法，发展快速、精确的代理模型开发技术；提出融合可能性Pareto支配度和免疫算法浓度指标的不确定多目标解集评价和优选策略，开发高效的基于代理模型的多目标优化方法。基此，面向典型的催化重整移动床反应器，创建耦合分子水平反应动力学的CFD模型，提取流场分布不均匀性特征，建立操作条件—流场分布—产品分布的定量模型，获取传递与反应特性；建立以多目标产品为导向的优化模型，认清重整装置内主/副产物分布的相互关系，实现精细化、多目标调控。本项目的实施将为流化床等复杂反应器的CFD模型多目标优化提供强大的理论和技术支持。

针对典型的催化重整移动床反应器工业装置，本项目开展了系统地建模与优化研究：（1）面向以生产芳烃为目标的催化重整过程，建立了27集总反应动力学模型，考虑到催化剂在径向移动床反应器内沿轴向活性递减的特性，提出了基于催化剂活性衰减的多区建模策略，建立了基于27集总反应动力学模型的多区串并联平推流反应器模型，设计了基于自适应权重最小二乘法的分步优化参数估计策略，结果表明所构建模型能对预测产品分布与反应器出口温度进行精准预测；（2）为更精确地获得催化重整反应器内的集总组分和温度的分布信息，并考虑催化剂失活的影响，提出了基于网格化的多区平推流模型的反应器模型；基于工业装置的实际生产操作数据，通过模型参数灵敏度分析，确定了模型参数的分步估计策略，并结合正交网格自适应直接搜索方法，实现了模型参数的高效、精确估计；以此为基础，综合考虑芳烃收率、轻质芳烃收率和氢气收率的最大化，重质芳烃收率、轻质烷烃收率和能耗的最小化，建立了催化重整反应装置的多目标优化模型，提出采用结合多目标遗传算法和水平图决策方法，实现了工业催化重整装置产品的多目标、精细化调控；（3）考虑到催化重整反应过程石脑油原料的组成波动大，采用固定的操作条件难以保证反应器的最优运行；以多区串并联平推流反应器模型为基础，同时考虑最大化芳烃产率、最大化氢气产率和最小化能耗三个相互冲突的目标，建立了基于进料组成随机分布的多目标鲁棒操作优化模型，系统考察了均值方差模型、Minimax机会约束模型和Maximax机会约束模型三类鲁棒优化模型；提出了基于数据驱动的在线和离线代理模型两种不确定性多目标优化策略，显著提高了优化速度；研究结果表明，所提方法能有效实现催化重整过程的鲁棒操作优化，提高了进料组成不确定性条件的操作优化水平。本项目的实施为工业催化重整装置的操作优化提供强大的技术支撑，并丰富了不确定环境下多目标优化的理论和方法。

内容获取失败，请点击重试