催化吸收穩定系統流程模擬的多目標優化報告人：梁士鋒指導教師：姜斌副研究員報告內容：一、課題研究現狀和意義二、多目標遺傳算法的基本概念三、算法選擇和參數確定四、催化吸收穩定系統流程模擬的多目標優化一、課題研究現狀和意義

優化無處不在。優化的理念滲入到了生產和生活的各個領域。上至國家資源優化配置，下至企業追求產品和服務的最高性價比，各行各業都希望達到自己的最優化目標。在化工過程模擬眾多的變量和結果之中，找到一組滿足優化要求的變量，從而最大限度的發揮現有設施的最大效能，這正是化工模擬中優化的價值所在。優化按照優化目標的個數分為單目標優化和多目標優化兩種。實際的優化問題很少是單目標的，比如追求高性價比是要求在成本低的同時質量好，這就是多目標優化。1.1研究現狀

目前，國內外對化工流程模擬軟件只是停留在使用階段，即單純依靠軟件本身的模擬功能，而它們本身的優化功能只是單目標優化，不具備多目標優化功能。多目標優化在化工領域的應用主要集中在單個的操作單元，如反應器、精餾塔等，對較復雜流程的整體優化還沒出現。1.2研究意義

本文利用用modeFRONTIER集成PRO/Ⅱ對流程進行多目標優化，做出Pareto曲線，得出優化點，在理論上對吸收穩定系統操作產生指導意義，并且可以驗證現有工藝的經驗工作點是否處在優化區域之內。對于將工程師從瑣碎繁多的個別工況計算中解放出來，節約模擬時間，提高工作效率，降低生產成本，具有重要意義。所用方法不僅適用于催化吸收穩定系統的優化，也可應用于其它化工流程。二、多目標遺傳算法的基本概念

一般地，多目標最優化問題可表示如下：

式中m為約束條件的數量，X=(x1,x2,…,xn)T為決策向量,(1≤i≤k)為各子目標向量函數，k為子目標的數量。同時優化多個、可能相互沖突的日標函數的多目標優化問題與單目標優化不同，多目標優化問題的特點是極少存在絕對最優解，而是存在一系列無法簡單進行相互比較的解，這種解稱為非劣解或Pareto最優解。在該解集中，對于單個解來說，一個子目標的改善有可能會引起另一個子目標的性能的降低，也就足說每一個解在不犧牲其它目標的前提下無法再進一步對單個目標進行優化。要同時使多個子目標一起達到最優值是不可能的，而只能在它們中間進行協調和折衷處理，使各子目標函數都盡可能地達到最優。

這種關系可表達為：如果fi(x1)≤fi(x2)，i=1,2,?,n，x1,x2∈Rm,那么x1比x2優越；如果不存在這樣一個可行解x1，則稱x2為非劣解或Pareto最優解，所有非劣解構成了多目標優化問題的Pareto最優解集（Pareto-optimalset）。Pareto解集是自變量的集合，每一個Pareto解集的表現型(目標函數)就構成了Pareto前沿（ParetoFront）。如圖1-12所示，圖中A、B、D點是Pareto解，C點不是Pareto解。

多目標優化技術的主要目的就是尋求Pareto解集中的一個或多個滿意解。多目標決策問題的第一步是鑒別非劣解集，然后由決策者輸入的一定的偏好信息從非劣解集中選擇最佳妥協解。圖1-12Pareto最優解的概念Fig.1-12TheconceptofParetosetinobjectivespace多目標遺傳算法的步驟（1）編碼本文使用二進制對變量進行編碼，隨機產生初始種群，將該種群記為oldpop。（2）選擇計算oldpop中每個個體的適應度函數值，并找出一個非劣的個體．根據個體的適應度函數值，按照一定的規則或方法，每個目標等量數目的優良個體被選取，這些新的子種群合并為一個完整的群體。（3）交叉以交叉概率pc從oldpop中選擇出一些個體隨機地搭配成對，對每一對個體以某種規則或方法交換它們之間的部分遺傳基因，生成新的個體。（4）變異以變異概率pm從oldpop中選出一個或幾個個體，以某種規則或方法改變某一個或者幾個遺傳基因的值，生成新的個體。（5）由交叉和變異產生新一代的種群，該種群記為newpop，并找出種群newpop中比較差個體，將種群oldpop的非劣個體替換種群newpop的比較差個體。返回到第2步。（7）當世代數超過預先的設定值，迭代終止。（8）求解最終種群的Pareto最優解集。圖2-2多目標遺傳算法的流程圖

Fig2-2Flowsheetofmulti-objectivegeneticalgorithm三、算法選擇和參數確定3.1催化吸收穩定系統的流程模擬3.1.1模擬所選用的流程3.1.2基礎數據和質量控制指標國內某煉廠催化加工量600kt/a，針對實際操作，模擬基礎數據及控制指標如下：壓縮富氣量為14500kg/h，粗汽油流量為28000kg/h，輕柴油流量為6000kg/h。吸收塔塔頂壓力為1.10MPa（絕壓），全塔壓降為0.03MPa，操作溫度為40℃；解吸塔塔頂壓力為1.24MPa，全塔壓降為0.04MPa。富氣體積組成，見表1。粗汽油和輕柴油恩氏蒸餾數據，見表2。質量控制指標為：脫乙烷汽油中C2<0.1%(mol)，液化氣中C5<0.1%(mol)，穩定汽油中C4<0.5%(wt)。3.2.試驗設計試驗設計又稱DOE（DesignofExperiment），是減少計算次數、獲取設計空間信息、優化前的重要步驟，其本質是對設計空間進行采樣。常用的試驗設計方法有隨機序列法、Sobol序列法、蒙特卡羅法、全因子法、簡因子法、面心立方法、Box-Behnken法、拉丁方法、田口矩陣法等。其中隨機序列法是按照隨機化的原則選擇實驗點或者實驗因素水平。隨機化實驗的優點是使用范圍廣，主要用于實驗的條件很復雜，難以用其他的實驗設計方法的情況。本文采用隨機序列法生成16個點作為優化的初始點。

3.3優化目標和設計變量優化目標（3個）

1）干氣C3以上含量越小越好

2）系統熱負荷最低

3）系統冷負荷最低

3.4設計變量（6個）設計變量也就是影響目標函數的操作變量，對于催化吸收穩定系統，能明顯降低C3以上含量的因素也會明顯地增加能耗。影響催化吸收效果和能耗的因素很多，天津大學經多因素模擬計算得到，主要影響吸收效果的因素次序是：吸收壓力>補充吸收劑中∑C4含量>吸收溫度>補充吸收劑量>吸收塔理論板數;對能耗影響的各因素次序為：吸收壓力>補充吸收劑中∑C4含量>補充吸收劑量>吸收溫度>吸收塔理論板數。確定了主要影響因素后，我們還要確定各個設計變量可以變化的范圍，為此我們利用Pro/II軟件進行了靈敏度分析，當然設計變量的選取還要考慮它們在Pro/II軟件中是否容易變化以及變化后模擬文件收斂特性，因此我們只從中選取了吸收溫度和補充吸收劑量。此外，對于催化吸收穩定系統的吸收效果和能耗，還存在其它間接的影響因素，因此我們又選取了穩定塔進料位置、吸收塔前冷卻罐溫度、穩定汽油冷卻罐溫度以及解吸塔中間再沸器溫度。表3中影響優化目標的6個設計變量及其變化范圍。3.5優化工作流程圖2為優化工作流程。首先由modeFRONTIER的DOE(designofexperiments)功能來產生一組初始參數，這些參數作為優化算法的初始解集。接著調用文件利用Pro/II程序進行批處理運算。在程序中止以后，對運算結果進行后處理，根據實際選取Pareto解集。集合中元素稱為Pareto最優或非劣最優(non-dominated)。所謂Pareto最優就是不可能通過優化其中部分目標而使其它目標同時得到優化。表3影響優化目標的設計變量Tab.3designvariablesinfluencingoptimumtargets3.6算法的選擇NSGAⅡ:NSGA算法的改進算法，引進了兩個新的算子：非劣解系列λi和密集比較算子πn，改進的遺傳算法稱為NSGA-Ⅱ（Non-dominatedSortingGeneticAlgorithm-Ⅱ）。NSGA-Ⅱ不僅克服了NSGA算法的缺點，而且在保持解的多樣性方面NSGA－Ⅱ算法也比NSGA算法要好，因此NSGA-Ⅱ得到了廣泛的應用。MOGAⅡ:是一種改進的多目標遺傳算法，與傳統的多目標算法MOGA相比，它引進了智能多向搜索精英（smartmultisearchelitism），既保留一些極好的解而又不會提前收斂于局部最優。

下面是種群為30,遺傳代數為50代時得到的Pareto解集3.7優化種群和遺傳代數的確定

3.7.1優化種群的確定種群大小是影響多目標遺傳算法的重要參數，當種群規模較小時，提高了遺傳算法的運算速度卻降低了群體的多樣性，有時會引起遺傳算法的早熟現象，使優化不能收斂到Pareto最優解集；當種群規模較大時，降低了算法的運行效率。圖3-11到圖3-18反映了種群在16、30、40時Pareto曲線的進化過程。從圖3-11到3-13，也就是隨著種群的增加，Pareto曲線的形狀并沒有發生變化，只是當種群增大時Pareto曲線上的點更加密集，圖3-14也很鮮明的表達這一點。從圖3-15到3-18也反應了同樣的情況，所以考慮到算法的收斂以及減少機時，我們選擇了種群30作為我們的遺傳參數。3.7.2遺傳代數的確定遺傳代數對于多目標遺傳算法優化是個非常關鍵的參數，如果遺傳代數太小，目標函數就會陷入局部收斂，不能進化到Pareto最優解集，從而使優化失敗；如果遺傳代數過大，優化進化到Pareto最優解集后還會繼續運算，浪費了時間。下面的圖3-19到圖3-28展示了目標函數逐步進化到Pareto最優解集的過程，分別選取了代數20、30、50、70。在圖3-19和3-20中，點的分布都比較分散而且規律性不強，而圖3-21中各點分布較為均勻并且已經形成了一條明顯的Pareto曲線。代數70時也即是圖3-22中，Pareto曲線與圖3-20中相比已經不再移動，只是Pareto曲線上的點更加密集。圖3-19到圖3-22的進化過程很明顯的說明了目標函數進化到Pareto最優解集的過程，圖3-23將20代、30代、50代、70代的曲線集中到一個圖上，更見鮮明的表明了這一點，圖中50代和70代的Pareto曲線已經重合，說明代數為50時已經能夠收斂到Pareto最優解集，所以我們進化代數設為50代。

四、催化吸收穩定系統流程模擬的多目標優化

4.1三目標優化4.1.1優化目標和設計變量4.1.1.1優化目標（3個）1）干氣C3以上含量越小越好2）系統熱負荷最低3）系統冷負荷最低4.1.1.2設計變量（6個）影響催化吸收效果和能耗的因素很多，由于本文所用軟件Pro/II和優化軟件modeFRONTIER，受自身以及相互之間耦合的限制，目前只研究了表3中影響優化目標的6個設計變量。4.1.2優化結果和討論圖4-1和4-2是三目標優化的結果，在減小干氣C3以上含量的同時，也同時使系統的冷、熱負荷分別降至最小。對圖4-1和4-2中任何一個Pareto點來說，不可能在提高一個目標函數的同時也不削弱另外一個目標函數，因此我們得到的就是三目標函數的Pareto解集。為了便于比較，在每一個圖中都包含了工廠的實際數據。圖中的方形點表示求得的Pareto點，五角星表示用于對比的實際數據。從圖4-1和4-2中可以明顯看出實際點都位于Pareto曲線的上方，表明實際操作并沒有處于最優狀況，可以在相同的冷熱負荷下獲得品質更好的干氣，也可以在同樣的干氣質量情況下耗費更少的能耗。

圖4-3是Pareto最優解集對應的決策變量與干氣品質的示意圖。圖4-3(a)是補充吸收劑流量與干氣品質的關系，對于吸收操作來說，增加吸收劑的用量可以提高吸收效果，圖中的曲線趨勢也說明了這一點。圖4-3(a)中實際點位于曲線圖的上方，也即通過多目標優化操作后，可以在同樣的吸收劑量下獲得更好的吸收效果。圖4-3(b)和(f)分別是進吸收塔富氣溫度和干氣品質以及補充吸收劑溫度和干氣品質的關系圖，對于吸收操作來說，低溫有利于吸收，所以我們在(b)和(f)中隨著溫度降低，干氣品質有所提高。而圖4-3(c)、(e)以及(f)則分別是解吸塔中間再沸器溫度與干氣品質、穩定塔進料溫度與干氣品質以及穩定塔進料位置與干氣品質的關系圖，這幾個圖中的曲線都沒有什么規律，原因是這幾個決策變量對干氣品質都是間接的影響，因此沒有規律。圖4-3Pareto解集對應決策變量與干氣品質Fig.4-3DecisionvariablescorrespondingtotheParetooptimalsetwithdrygasquality4.2兩目標優化目標函數