1
乙醇偶合制备 C4 烯烃影响因素组合优化设计
摘要
本文通过建立回归模型、KMeans 聚类模型、神经网络模型等，并利用数学
统计分析方法，分析了以 Co 负载量、Co/SiO2 和 HAP 装料比作为催化剂对乙
醇转化率和 C4 烯烃选择性及收率的影响。
针对问题一，构建 KMeans 聚类模型，找出作用效果受温度影响相近的几类
组合进行划分，然后使用回归模型拟合，分别求出乙醇转化率、C4 烯烃的选择
性与温度的关系式，得出拟合度较好的回归模型。对于第二问，由相关性分析
得出时间对乙醇转化率、C4 烯烃的选择性的影响效果相关性的强度，根据相关
性强弱建立回归模型，通过回归模型分析得到产物更高产量需要控制的时间。
针对问题二，建立随机森林模型，计算每种催化剂组合的成分参数及温度
对乙醇转化率、C4 烯烃的选择性大小的贡献，确定影响的权重系数，其中发现
温度无论是对于乙醇转化率还是 C4 烯烃选择性都有极为强烈的影响，大幅领先
于第二种影响因素。
针对问题三，基于前两问题的分析求解结果，构建 BP 神经网络模型，对数
据进行处理，计算均方误差及不同的激活函数，更新权重及偏置，进行模型调
优，并采用目前主流的深度学习框架 Tensorflow、Pytorch、Keras 进行多次实
验，反复验证模型准确性，并最终得出最优的催化剂组合（Co 负载量、投料
比、乙醇浓度）、温度条件、投料方式，催化剂组合(Co 负载量：0.804wt%，
Co/SiO2-HAP 投料比：1 比 1，乙醇加入速率：0.75165ml/min，投料方式：A
种，温度：400℃)以及在温度不超过 350℃情况的最优结果(Co 负载量：
0.500wt%，Co/SiO2-HAP 投料比：1 比 1，乙醇加入速率：0.30305ml/min，投
料方式：A 种，温度：349℃)。
针对问题四，基于上述问题的求解，发现不同催化剂组合的成分参数在一
定范围内会有不同的作用效果并且考虑时间对乙醇偶合制备 C4 烯烃反应的影
响，采用黄金分割法及控制变量的方法去增设对照实验，进一步增加研究的深
度，补充实验，尽可能达到科学全面高效的目的。
关键词：回归分析 聚类分析 多变量优化 随机森林 神经网络
- 1
- 2
- 3
- 4
- 5
- 6
前往页