基于BP神经网络的乙醇制备烯烃反应条件最优化设计_莫裕俊.pdf

88化工过程2023 年第 2 期（总第 166 期）基于 BP 神经网络的乙醇制备烯烃反应条件最优化设计莫裕俊（盐城工学院，江苏盐城，224000）摘 要：设计乙醇制备烯烃正交实验，提高 C4烯烃收率和选择性。将 A1A4四组不同的Co/SiO2催化剂组合控制在200mg，并使四组催化剂浓度不相等，可得 250400时乙醇转化率、C4烯烃选择性与温度成正相关。建立方程分析组分数据，并比较 5 个因素，可得出 C4烯烃收率最大为 29.06%。建立 BP 神经网络预测其余未知组合，350时，装料方式为 B 则 C4烯烃最大收率为 52.66%；低于 350时，装料方式为 B 则 C4烯烃最大收率29.49%，最优反应温度为 350。关键字：相关性分析；PCA；BP 神经网络；最优化设计；正交实验中图分类号：TP278 文献标志码：A 文章编号：1008-3103（2023）02-0088-04Optimization Design of Olefin Reaction Conditions For Ethanol Preparation Based on BP Neural NetworkMoYu-jun（YanchengInstituteofTechnology，YanchengJiangsu224000，China）Abstract：OrthogonalexperimentofethanolpreparationwasdesignedtoimproveC4Oeneyieldandselectivity.FourdifferentgroupsofCo/SiO2catalystsfromA1toA4werecontrolledat200mg，andthecatalystconcentrationwasunequal，allowingfortheethanolconversionrateandCat2504004.Theolefinselectivityispositivelycorrelatedwiththetemperature.Establishingequationanalysis，componentdata，andcomparing5factors，yieldsC4Themaximumyieldofolefinwas29.06%.TheBPneuralnetworkwasestablishedtopredicttheremainingunknowncombinations，withtheloadingmodebeingCatBat3504Themaximumyieldofolefinswas52.66%.Below350，0B4Themaximumyieldofolefinswas29.49%，andtheoptimalreactiontemperaturewas350.Keywords：correlationanalysis；PCA；BPneuralnetwork；optimizationdesign；orthogonalexperiment基金项目：盐城工学院乙苯脱氢制苯乙烯实验装置等设备（ZB-20170926-033）。作者简介：莫裕俊（2003），男，本科，主要研究方向为应用化学。0 引言随着国家对可持续发展和清洁能源的逐步推广，一些传统制造化学产品的产业方式应逐渐更新或找到一种或多种可替代的方法。C4烯烃的生产正符合这一背景。本文找到一种可用大众常见的乙醇通过偶合方式大量工业生产出 C4烯烃的方式1。1 实验步骤（1）基于各种催化剂组合，观测 7 个温度变化点，样本分别为 250，275，300，325，350，400，450，并逐一探究乙醇转化率-温度、C4烯烃选择性-温度之间的关系（2）在某种特定的催化剂组合与规定温度下分析DOI:10.14127/ki.jiangxihuagong.2023.02.018892023 年4月基于 BP 神经网络的乙醇制备烯烃反应条件最优化设计单次实验在不同时间下产生的结果。（3）考虑不同催化剂组合和温度的影响，探究其给 C4烯烃选择性大小和乙醇转化率带来的变化。（4）在同一实验条件下，为使 C4烯烃收率达到最高，须选择合适的温度和催化剂组合。（5）在同一实验条件下，规定温度小于 350，须选择合适的温度和催化剂组合，使 C4烯烃收率最高。（6）再设计五组实验，并详备地给出实验设计的方式和理由2。2 模型假设（1）假设温度、填料方式、乙醇投入速率、负载量、装料比之间为独立变量；（2）假设除填料方式、催化剂组合和温度以外因素对乙醇转化率和 C4烯烃选择性大小不产生影响；（3）假设附件中数据为真实数据；（4）假设不考虑 A11 无 HAP 组数据。3 实验过程3.1 具体操作3.1.1 探究每种催化剂组合乙醇转化率、C4烯烃转化率与温度的关系为了衡量两个指标变量间的线性关系，一般采用皮尔逊相关系数或斯皮尔曼相关系数进行分析。皮尔逊相关系数通常用r表示，用来衡量变量间的线性相关程度。斯皮尔曼相关系数则用来衡量两个等级或定序变量之间的相关程度。实验中 7 个观测样本，对应反应的 7 个温度变化点，每个样本对应 7 个变量指标，构成大小为 77 的样本矩阵，并对样本矩阵进行标准化处理，得到标准化矩阵。计算标准化样本的相关系数矩阵，并求出特征值和特征向量。建立相关系数矩阵并利用特征值计算主成分贡献率以及累计贡献率。写出累计贡献率超过 80%的特征根对应的主成分，并对其进行分析。对 21 组催化剂组合数据分别建立乙醇转化率-温度、C4烯烃选择性-温度的曲线图像。可用 B1 组的乙醇转化率-温度、C4烯烃选择性-温度的变化数据作为 21 组数据的代表性数据，从而进行分析。但其实，在一个实际的化学反应过程中，各组分随温度的变化而变化，并不是一个简单的线性关系，而是会受到催化剂负载量、活性等众多因素的影响。由此我们筛选出 A3催化剂组合的乙醇转化率与 C4烯烃选择性-温度图并进行分析3。通过拟合系数法构建反应温度对乙醇转化率以及C4烯烃选择性影响的数学模型，并对实验数据指标变量进行统计。结果显示，乙醇转化率和 C4烯烃选择性相比，中间产物以及副产物选择性的平均较高，表明在 350时该反应的产率也较高。对反应中的指标变量乙醇转化率（%）（X1），乙烯选择性（X2），C4 烯烃选择性（X3），乙醛选择性（X4），碳数为 4-12 的脂肪醇（X5），甲基苯甲醛和甲基苯甲醇（X6），以及其他（X7）进行相关性分析和主成分分析。斯皮尔曼相关分析：将实验数据导入 SPSS 中，当显著性水平=0.01 时，乙醇转化率与乙烯的选择性以及乙醛的选择性有很强的负相关关系，乙烯选择性与乙醛的选择性呈正相关关系，表明该反应在350时，乙醇的转化率越高，副产物乙烯和乙醛的产率就越低。当显著性水平=0.05 时，乙烯选择性以及乙醛选择性与碳数为 4-12 的脂肪醇呈正相关关系，表明乙烯和乙醛可能为中间产物，参与了碳数为 4-12的脂肪醇的形成过程，与羟醛缩合机理的过程基本一致，图 1 所示。图 1 羟醛缩合机理图3.1.2 利用控制变量法探究不同催化剂组合和温度对 C4烯烃选择性和乙醇转化率产生的影响（1）解释变量装料方式（Y1）：定性变量，共有两种装料方式，装料方式 A 记为 1，装料方式 B 记为 0。装料比（Y2）：定型变量，指 Co/SiO2和 HAP 的EthanolDehydrogenationAcetaldehydedehydration3-hydroxybutanoldehydrationCrotonaldehyde2-butene-1-ol1,3-butadieneEtOHMPVCH3CHO-H2OCH3CHOEtOHMPVAldolOHOOOHOHOHOHO902023 年第 2 期（总第 166 期）质量比，有三种，分别为 1：1，1：2，2：1。负载量（Y3）：定性变量，Co 与 SiO2的重量之比，分别为 0.5，1，2，54。乙醇投入速率（Y4）：定性变量，乙醇每分钟加入量，单位为毫升 ml/min，分别为 0.3，0.9，1.68，2.1。温度（Y5）：定性变量，反应的温度变化，单位为。有 7 个温度变化点，分别为 250，275，300，325，350，400，450。（2）被解释变量乙醇转化率：单位时间内乙醇的单程转化率，其值为 100%（乙醇进气量-乙醇剩余量）/乙醇进气量。C4烯烃选择性：C4烯烃在产物中的占比。具体计算公式为：C4烯烃所消耗的反应物乙醇的物质的量/SC4烯烃=已消耗乙醇的总物质的量。构建多元线性回归模型：为了研究上述解释变量对乙醇转化率和 C4 烯烃转化率的关系，建立数学模型，通过多元线性回归模型求解：对数据进行多元回归分析，首先对两个回归方程前的五个解释变量的回归系数进行联合显著性检验，p=0 0.05，回归方程1 显著，代表在 95%的置信水平下，拒绝原假设，即i（1，2，.，5）不全为 0。乙醇转化率和各指标变量间存在明显的函数关系5。p=0 0.05，回归方程2 显著，代表在 95%的置信水平下，拒绝原假设，即i（1，2，.，5）不全为 0。C4烯烃选择性和各指标变量间存在明显的函数关系。3.2 设计正交实验3.2.1 对五个不同变量因素进行数据预处理将装料方式独热编码，即装料方式 A 记为（1，0），装料方式 B 记为（0，1）。通过 Excel 直接计算 C4烯烃收率，计算公式如下：C4烯烃收率=乙醇转化率C4烯烃选择性。选取装料比、负载量、装料方式、温度、乙醇投入速率这五个因素作为正交设计因子6。由极差分析可知，主次因素依次为装填表负载量装填方式温度乙醇投入速率。通过正交实验结果分析可得，装填比为 1，负载量为 2，装填方式为 A，温度为 0.3 时，得到的 C4烯烃收率最高，但是正交实验设计中考虑的仅有表格中实验点之间的实验结果，而并未站在整个实验条件区间进行考虑。即初始数据仅有 109 组，其真实数据完全组合有 AAAAA=576 种。故其余部分数据的 C4烯烃收率并未知晓，笔者尝试利用反向传播神经网络来找出他们之间的关系7。利用处理后的数据构造输入与输出样本，根据 C4烯烃收率的影响因素，输入样本，选择装料比、负载量、温度、乙醇投入速率、装填方式，然后输出样本为 C4烯烃收率。选择最大训练次数为 10000 次，期望误差为 10-2，用上文数据对 BP 神经网络进行训练，经过 6356 次迭代训练，误差收敛 10-2。通过对比可发现，预测的 C4 烯烃收率最大为52.66%，其对应最优工艺参数组合是装料比为 1，负载量为 5，乙醇投入速率为 2.1，温度为 350，装料方式为 B。温度低于 350，则剔除预处理数据中高于 350的反应组合，同时剔除所有实验设计组合中高于 350的反应组合，重新利用 BP 神经网络进行训练，通过对比可发现，在温度低于 350，预测的 C4烯烃收率最大为 29.49%，其对应最优工艺参数组合为装料比为 2，负载量为 2，温度为 350，装料方式为B，乙醇投入速率为 2.18，9。3.2.2 根据五个不同变量因素作正交实验确定变量主次关系通过相关性检验可发现，B1组合与其他组合呈正相关关系。即可通过 B1组合说明收率与温度之间的关系，可知收率随着温度上升而增大，综合之前的结果，可确定最优反应温度为 350。3.1.2 中建立了乙醇转化率、C4烯烃的选择性与五个定性变量之间的关系，为方便描述收率与五个定性变量之间的关系，我们再次建立收率与五个定性变量的回归方程。结合两个回归方程，剔除这三个回归方程中共同的负系数因子，找寻正系数因子，其原因是正系数因子对实验结果有着正向加成，而负系数因子对实验结果有负向加成。剔除因子有：Y32，Y34；保留因子有：Y11，Y22，Y42。即剔除负载量为 1 和 5 的因子，保留装料方式为 A、装料比为 1，乙醇投入速率为 0.9。结合神经网络预测的最优的两个实验组合，