来自移动课题结题报告

催化吸收稳定系统流程模拟的多目标优化报告人：梁士锋指导教师：姜斌副研究员报告内容：一、课题研究现状和意义二、多目标遗传算法的基本概念三、算法选择和参数确定四、催化吸收稳定系统流程模拟的多目标优化一、课题研究现状和意义

优化无处不在。优化的理念渗入到了生产和生活的各个领域。上至国家资源优化配置，下至企业追求产品和服务的最高性价比，各行各业都希望达到自己的最优化目标。在化工过程模拟众多的变量和结果之中，找到一组满足优化要求的变量，从而最大限度的发挥现有设施的最大效能，这正是化工模拟中优化的价值所在。优化按照优化目标的个数分为单目标优化和多目标优化两种。实际的优化问题很少是单目标的，比如追求高性价比是要求在成本低的同时质量好，这就是多目标优化。1.1研究现状

目前，国内外对化工流程模拟软件只是停留在使用阶段，即单纯依靠软件本身的模拟功能，而它们本身的优化功能只是单目标优化，不具备多目标优化功能。多目标优化在化工领域的应用主要集中在单个的操作单元，如反应器、精馏塔等，对较复杂流程的整体优化还没出现。1.2研究意义

本文利用用modeFRONTIER集成PRO/Ⅱ对流程进行多目标优化，做出Pareto曲线，得出优化点，在理论上对吸收稳定系统操作产生指导意义，并且可以验证现有工艺的经验工作点是否处在优化区域之内。对于将工程师从琐碎繁多的个别工况计算中解放出来，节约模拟时间，提高工作效率，降低生产成本，具有重要意义。所用方法不仅适用于催化吸收稳定系统的优化，也可应用于其它化工流程。二、多目标遗传算法的基本概念

一般地，多目标最优化问题可表示如下：

式中m为约束条件的数量，X=(x1,x2,…,xn)T为决策向量,(1≤i≤k)为各子目标向量函数，k为子目标的数量。同时优化多个、可能相互冲突的日标函数的多目标优化问题与单目标优化不同，多目标优化问题的特点是极少存在绝对最优解，而是存在一系列无法简单进行相互比较的解，这种解称为非劣解或Pareto最优解。在该解集中，对于单个解来说，一个子目标的改善有可能会引起另一个子目标的性能的降低，也就足说每一个解在不牺牲其它目标的前提下无法再进一步对单个目标进行优化。要同时使多个子目标一起达到最优值是不可能的，而只能在它们中间进行协调和折衷处理，使各子目标函数都尽可能地达到最优。

这种关系可表达为：如果fi(x1)≤fi(x2)，i=1,2,⋯,n，x1,x2∈Rm,那么x1比x2优越；如果不存在这样一个可行解x1，则称x2为非劣解或Pareto最优解，所有非劣解构成了多目标优化问题的Pareto最优解集（Pareto-optimalset）。Pareto解集是自变量的集合，每一个Pareto解集的表现型(目标函数)就构成了Pareto前沿（ParetoFront）。如图1-12所示，图中A、B、D点是Pareto解，C点不是Pareto解。

多目标优化技术的主要目的就是寻求Pareto解集中的一个或多个满意解。多目标决策问题的第一步是鉴别非劣解集，然后由决策者输入的一定的偏好信息从非劣解集中选择最佳妥协解。图1-12Pareto最优解的概念Fig.1-12TheconceptofParetosetinobjectivespace多目标遗传算法的步骤（1）编码本文使用二进制对变量进行编码，随机产生初始种群，将该种群记为oldpop。（2）选择计算oldpop中每个个体的适应度函数值，并找出一个非劣的个体．根据个体的适应度函数值，按照一定的规则或方法，每个目标等量数目的优良个体被选取，这些新的子种群合并为一个完整的群体。（3）交叉以交叉概率pc从oldpop中选择出一些个体随机地搭配成对，对每一对个体以某种规则或方法交换它们之间的部分遗传基因，生成新的个体。（4）变异以变异概率pm从oldpop中选出一个或几个个体，以某种规则或方法改变某一个或者几个遗传基因的值，生成新的个体。（5）由交叉和变异产生新一代的种群，该种群记为newpop，并找出种群newpop中比较差个体，将种群oldpop的非劣个体替换种群newpop的比较差个体。返回到第2步。（7）当世代数超过预先的设定值，迭代终止。（8）求解最终种群的Pareto最优解集。图2-2多目标遗传算法的流程图

Fig2-2Flowsheetofmulti-objectivegeneticalgorithm三、算法选择和参数确定3.1催化吸收稳定系统的流程模拟3.1.1模拟所选用的流程3.1.2基础数据和质量控制指标国内某炼厂催化加工量600kt/a，针对实际操作，模拟基础数据及控制指标如下：压缩富气量为14500kg/h，粗汽油流量为28000kg/h，轻柴油流量为6000kg/h。吸收塔塔顶压力为1.10MPa（绝压），全塔压降为0.03MPa，操作温度为40℃；解吸塔塔顶压力为1.24MPa，全塔压降为0.04MPa。富气体积组成，见表1。粗汽油和轻柴油恩氏蒸馏数据，见表2。质量控制指标为：脱乙烷汽油中C2<0.1%(mol)，液化气中C5<0.1%(mol)，稳定汽油中C4<0.5%(wt)。3.2.试验设计试验设计又称DOE（DesignofExperiment），是减少计算次数、获取设计空间信息、优化前的重要步骤，其本质是对设计空间进行采样。常用的试验设计方法有随机序列法、Sobol序列法、蒙特卡罗法、全因子法、简因子法、面心立方法、Box-Behnken法、拉丁方法、田口矩阵法等。其中随机序列法是按照随机化的原则选择实验点或者实验因素水平。随机化实验的优点是使用范围广，主要用于实验的条件很复杂，难以用其他的实验设计方法的情况。本文采用随机序列法生成16个点作为优化的初始点。

3.3优化目标和设计变量优化目标（3个）

1）干气C3以上含量越小越好

2）系统热负荷最低

3）系统冷负荷最低

3.4设计变量（6个）设计变量也就是影响目标函数的操作变量，对于催化吸收稳定系统，能明显降低C3以上含量的因素也会明显地增加能耗。影响催化吸收效果和能耗的因素很多，天津大学经多因素模拟计算得到，主要影响吸收效果的因素次序是：吸收压力>补充吸收剂中∑C4含量>吸收温度>补充吸收剂量>吸收塔理论板数;对能耗影响的各因素次序为：吸收压力>补充吸收剂中∑C4含量>补充吸收剂量>吸收温度>吸收塔理论板数。确定了主要影响因素后，我们还要确定各个设计变量可以变化的范围，为此我们利用Pro/II软件进行了灵敏度分析，当然设计变量的选取还要考虑它们在Pro/II软件中是否容易变化以及变化后模拟文件收敛特性，因此我们只从中选取了吸收温度和补充吸收剂量。此外，对于催化吸收稳定系统的吸收效果和能耗，还存在其它间接的影响因素，因此我们又选取了稳定塔进料位置、吸收塔前冷却罐温度、稳定汽油冷却罐温度以及解吸塔中间再沸器温度。表3中影响优化目标的6个设计变量及其变化范围。3.5优化工作流程图2为优化工作流程。首先由modeFRONTIER的DOE(designofexperiments)功能来产生一组初始参数，这些参数作为优化算法的初始解集。接着调用文件利用Pro/II程序进行批处理运算。在程序中止以后，对运算结果进行后处理，根据实际选取Pareto解集。集合中元素称为Pareto最优或非劣最优(non-dominated)。所谓Pareto最优就是不可能通过优化其中部分目标而使其它目标同时得到优化。表3影响优化目标的设计变量Tab.3designvariablesinfluencingoptimumtargets3.6算法的选择NSGAⅡ:NSGA算法的改进算法，引进了两个新的算子：非劣解系列λi和密集比较算子πn，改进的遗传算法称为NSGA-Ⅱ（Non-dominatedSortingGeneticAlgorithm-Ⅱ）。NSGA-Ⅱ不仅克服了NSGA算法的缺点，而且在保持解的多样性方面NSGA－Ⅱ算法也比NSGA算法要好，因此NSGA-Ⅱ得到了广泛的应用。MOGAⅡ:是一种改进的多目标遗传算法，与传统的多目标算法MOGA相比，它引进了智能多向搜索精英（smartmultisearchelitism），既保留一些极好的解而又不会提前收敛于局部最优。

下面是种群为30,遗传代数为50代时得到的Pareto解集3.7优化种群和遗传代数的确定

3.7.1优化种群的确定种群大小是影响多目标遗传算法的重要参数，当种群规模较小时，提高了遗传算法的运算速度却降低了群体的多样性，有时会引起遗传算法的早熟现象，使优化不能收敛到Pareto最优解集；当种群规模较大时，降低了算法的运行效率。图3-11到图3-18反映了种群在16、30、40时Pareto曲线的进化过程。从图3-11到3-13，也就是随着种群的增加，Pareto曲线的形状并没有发生变化，只是当种群增大时Pareto曲线上的点更加密集，图3-14也很鲜明的表达这一点。从图3-15到3-18也反应了同样的情况，所以考虑到算法的收敛以及减少机时，我们选择了种群30作为我们的遗传参数。3.7.2遗传代数的确定遗传代数对于多目标遗传算法优化是个非常关键的参数，如果遗传代数太小，目标函数就会陷入局部收敛，不能进化到Pareto最优解集，从而使优化失败；如果遗传代数过大，优化进化到Pareto最优解集后还会继续运算，浪费了时间。下面的图3-19到图3-28展示了目标函数逐步进化到Pareto最优解集的过程，分别选取了代数20、30、50、70。在图3-19和3-20中，点的分布都比较分散而且规律性不强，而图3-21中各点分布较为均匀并且已经形成了一条明显的Pareto曲线。代数70时也即是图3-22中，Pareto曲线与图3-20中相比已经不再移动，只是Pareto曲线上的点更加密集。图3-19到图3-22的进化过程很明显的说明了目标函数进化到Pareto最优解集的过程，图3-23将20代、30代、50代、70代的曲线集中到一个图上，更见鲜明的表明了这一点，图中50代和70代的Pareto曲线已经重合，说明代数为50时已经能够收敛到Pareto最优解集，所以我们进化代数设为50代。

四、催化吸收稳定系统流程模拟的多目标优化

4.1三目标优化4.1.1优化目标和设计变量4.1.1.1优化目标（3个）1）干气C3以上含量越小越好2）系统热负荷最低3）系统冷负荷最低4.1.1.2设计变量（6个）影响催化吸收效果和能耗的因素很多，由于本文所用软件Pro/II和优化软件modeFRONTIER，受自身以及相互之间耦合的限制，目前只研究了表3中影响优化目标的6个设计变量。4.1.2优化结果和讨论图4-1和4-2是三目标优化的结果，在减小干气C3以上含量的同时，也同时使系统的冷、热负荷分别降至最小。对图4-1和4-2中任何一个Pareto点来说，不可能在提高一个目标函数的同时也不削弱另外一个目标函数，因此我们得到的就是三目标函数的Pareto解集。为了便于比较，在每一个图中都包含了工厂的实际数据。图中的方形点表示求得的Pareto点，五角星表示用于对比的实际数据。从图4-1和4-2中可以明显看出实际点都位于Pareto曲线的上方，表明实际操作并没有处于最优状况，可以在相同的冷热负荷下获得品质更好的干气，也可以在同样的干气质量情况下耗费更少的能耗。

图4-3是Pareto最优解集对应的决策变量与干气品质的示意图。图4-3(a)是补充吸收剂流量与干气品质的关系，对于吸收操作来说，增加吸收剂的用量可以提高吸收效果，图中的曲线趋势也说明了这一点。图4-3(a)中实际点位于曲线图的上方，也即通过多目标优化操作后，可以在同样的吸收剂量下获得更好的吸收效果。图4-3(b)和(f)分别是进吸收塔富气温度和干气品质以及补充吸收剂温度和干气品质的关系图，对于吸收操作来说，低温有利于吸收，所以我们在(b)和(f)中随着温度降低，干气品质有所提高。而图4-3(c)、(e)以及(f)则分别是解吸塔中间再沸器温度与干气品质、稳定塔进料温度与干气品质以及稳定塔进料位置与干气品质的关系图，这几个图中的曲线都没有什么规律，原因是这几个决策变量对干气品质都是间接的影响，因此没有规律。图4-3Pareto解集对应决策变量与干气品质Fig.4-3DecisionvariablescorrespondingtotheParetooptimalsetwithdrygasquality4.2两目标优化目标函数