辛烷值模型- 数学建模
需积分: 28 99 浏览量
2020-11-27
20:17:36
上传
评论
收藏 18.67MB DOC 举报
汽车尾气已成为大中城市空气污染物的重要来源,生产清洁油品已成为国民经济和社
会可持续发展必须解决的重大问题。为此,国家加快了油品质量升级的步伐。2018 年 1
月 1 日将全面实施国Ⅴ汽油标准(硫含量不大于 10 mg/kg,烯烃含量不大于 24 v/v%)。
汽油质量升级的主要任务是降低汽油中的硫含量、烯烃含量并保持辛烷值。汽油燃料的
辛烷值是一个国家炼制水平和车辆设计制造水平的综合反应，也是炼油厂生产车用汽油、
区别牌号、控制质量、指导生产、调和工艺的重要指标。根据中华人民共和国国家标准
GB 18351-2017 车用乙醇汽油（E10）的规定：车用乙醇汽油的辛烷值必须达到相应的
汽油牌号要求，按研究法辛烷值分为 89 号、92 号、95 号和 98 号 4 个牌号。常规的汽
油清洁质量提升的方式为加氢脱硫降烯烃技术，而烯烃是汽油辛烷值的主要贡献者，因
此该类降烯烃技术将大幅损失汽油的辛烷值，也即降低汽油质量。因此，如何实现既脱
硫、降烯烃,又能保持辛烷值,全面满足汽油质量升级的需求,成为迫切需要解决的重大技术
难题。本文主要针对如何实现辛烷值损失降低的目的进行了理论方面的建模及实验论证。
通过对从催化裂化汽油精制装置采集的 325 个数据样本预处理，将 325*354 个变
量进行选择性剔除。利用特征本身的方差来筛选，同时采用将特征选择和算法训练同时
进行的 wrapper 包装法等进行特征选择，并将特征输入到随机森林机器学习中建立汽油
辛烷值（RON）损失的预测模型，尽可能提升 的预测精度及降低均方误差 MSE 等数
值，通过调节树的最大深度和分裂内部节点等达到对随机森林调参的作用，使得操作变
量在一定范围内实现循环内的遍历取值，从而比较得出该操作变量的最优值。最终通过
可视化展示其主要操作变量优化调整过程中对应的汽油辛烷值和硫含量的变化轨迹，证
实辛烷值不断提升的过程。结果发现随机森林机器学习对于辛烷值（RON）的损失预测
能达到很好的性能效果，但是模型优化所实现的损失降幅仍低于最佳要求，未来可考虑
更换机器学习算法或改变特征选择及方案优化方式，力求达到辛烷值（RON）的最佳损
失降幅，并实现汽油中硫含量、烯烃含量的降低，从而满足国Ⅴ汽油标准，实现油品质
量的不断升级，促使原油化工的学术领域及环保管控的现实领域均实现进一步突破。
关键词： 汽油辛烷值 数据预处理 方差筛选 wrapper 包装法 embedded 嵌入法
随机森林 机器学习
0
剩余52页未读，继续阅读
评论0