首页 > 技术发展 > 神经网络技术在全炼厂优化方面的应用

神经网络技术在全炼厂优化方面的应用

时间：2020-06-15 来源：网络浏览：

在之前的文章中，我提出了一些关于神经网络技术在化工建模、优化等方面的看法，并通过建立常压塔和催化裂化的反再单元验证了它的可行性。通过前面的分析，个人认为将工业数据、严格机理模型和神经网络技术相结合可以做出一些好玩的事情来。当然，这并不是我个人的先见之明，搜索各类文献均可以看到之前就有很多学者进行过这方面的工作了，但近几年再次被频繁提及的缘由之一也是依赖于个人计算机性能的大幅度提升，让我们可以摆脱前人所遭遇的性能束缚，能够再结合可视化技术将其向前推进一步。

本篇所分享的内容来自互联网，介绍的是如何将神经网络技术应用在全厂优化方面。目前应用最为广泛和成功的全炼厂优化方法主要是线性规划和KBC的全炼厂范围的严格机理模型这两种。线性规划的优点之一是计算速度贼快（毕竟都LP了），但是缺点是没有可靠的Delta-Base数据来维护，则计算结果与实际情况偏差越来越大，直至不可用；全炼厂严格机理模型的优点之一是准（毕竟都是严格机理模型了），但缺点就是如果建模工程师的经验不足，可能会导致整个模型优化计算收敛比较缓慢。那神经网络也许可以“恰当”的填补这一空档。通过使用严格机理模型巧妙、可靠的训练神经网络模型，使其较为广泛的具备严格机理模型的非线性，然后再通过优化该一系列的神经网络模型来非常迅速的获得全厂范围的优化结果。在之前跟斯伦贝谢-VMG的技术交流中，我个人认为它们就是采用了这一技术来解决全厂模型的优化问题的，尽管我问他们具体啥技术时并没告我说。

以下是分享的正文部分，希望这些内容对你能够有所帮助。