工業裝置的機器學習建模與模擬（二） 建立重整反應器模型

煉油工業的二次裝置種類很多，針對各個裝置科研院所設計單位都有自己獨特的經驗模型，你可能會問，自從1846年人類實現煉油生產以來，為什麼到現在用的都是經驗公式？

這是因為原油的組成太過於複雜，單一組分可達數萬種，根據不同的產地具體組成又各有不同，所以行業里一般會把沸點在某一個範圍之內的混合餾出物視為單一組成，測定其各種性質來逼近原油的性質，當然這不會很精確，而且涉及不同種類的原油時往往會出問題，須知不同的原油也是有不同的風格的。

今後遇到的重組分劃分問題會很多，這裡我們先從一些比較輕鬆的裝置入手，所以今天要講催化重整裝置，重整裝置所涉及的組分比較輕，是可以做到全組分分析的，邏輯關係更為嚴謹。

催化重整指在有催化劑作用的條件下，對汽油餾分中的烴類分子結構進行重新排列成新的分子結構的過程，重要的石油煉製過程之一。原理是在加熱、富氫且催化劑存在的條件下，使原油蒸餾所得的輕汽油餾分（或石腦油）轉變成富含芳烴的高辛烷值汽油（重整汽油），並副產液化石油氣和氫氣的過程。重整汽油可直接用作汽油的調合組分，也可經芳烴抽提製取苯、甲苯和二甲苯。副產的氫氣是石油煉廠加氫裝置（如加氫精制、加氫裂化）用氫的重要來源。

對煉油稍有了解的話，單單看介紹你就知道這個裝置有多麼賺錢了，一個煉廠如果能保證重整長期高負載運行的話，一般效益就不會差。

包括以下四種主要反應：1.環烷烴脫氫；2.烷烴脫氫環化；3.異構化；4.加氫裂化。反應1、2生成芳烴，同時產生氫氣，反應是吸熱的；反應3將烴分子結構重排，為一放熱反應（熱效應不大）；反應4使大分子烷烴斷裂成較輕的烷烴和低分子氣體，會減少液體收率，並消耗氫,反應是放熱的。除以上反應外,還有烯烴的飽和及生焦等反應，各類反應進行的程度取決於操作條件、原料性質以及所用催化劑的類型。以上這段話很重要，後邊會進行相應的解釋。

如果把反應器看做一個從輸入到輸出的模型的話，簡化的反應器模型的輸入包括反應器的操作條件和混合原料的組成，其中混合原料的組成為主。輸出為產物的性質以及產物的組成。

根據手頭收集的樣本來構建映射關係開始訓練固然可以，但是也面臨很多問題：

1. 原子守恆，神經網路並不理解所謂的原子守恆，會造成輸入和輸出之間原子數不守恆；
2. 訓練困難，從眾多的可能之中找出符合各類反應規則的結果難度很大。

如何解決以上的問題呢？

說一句題外話，關於CNN為什麼能在圖像識別方面有著如此優秀的表現。將一張圖片的每個像素的顏色數據作為輸入來進行訓練是可以的，但是雖然包含了全部的數據，但是與識別無關的數據也很多。而經過卷積層之後，卷積層大大降低了輸入維數，提取了有效的特徵，使得網路更容易找到正確的規律。

回到化學反應上來，首先，化學反應的實質是基元反應的疊加，其次，任何化學反應都是可逆的。所以任何複雜的反應都可以由簡單的基元反應疊加而成。

如果弄清楚反應過程，就可以保證原子數守恆，同時降低輸入維度。

如下圖所示的是一個反應矩陣，第一行組分名稱之上是該組分的摩爾變化量，下邊的1和-1是左側的基元反應矩陣，比如C2 P -> CH4，C2 P表示C2 Paraffin，含兩個碳的烷烴，在加氫裂化反應之中， ， 分別在C2 P、H2和CH4在該反應對應的行下寫上-1， 2， -1，表示用1摩爾C2 P和1摩爾H2生成2摩爾CH4，其他行以此類推。

由於最終的摩爾數變化是基元反應疊加的結果，這就是一個多元方程組，可以通過矩陣運算求多元方程組的解，由於結果可能存在的誤差，最終解也可能是最小二乘解。最終神經網路是針對各個基元反應的反應程度進行訓練，可以降低訓練難度。

求出反應程度之後，不僅僅可以求出產物的摩爾組成，而且利用結果還可以做很多其他的事情，比如通過反應熱求出總的反應熱變化量。

以上就是重整裝置的建模方式簡介。