数据挖掘技术在催化裂化MIP工艺产品分布优化中的应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 前言 | 第10-11页 |
| 第2章 文献综述 | 第11-22页 |
| ·催化裂化技术的进展 | 第11-14页 |
| ·FCC降烯烃多产丙烯催化剂 | 第11-12页 |
| ·FCC降烯烃多产丙烯工艺 | 第12-14页 |
| ·催化裂化建模研究进展 | 第14-16页 |
| ·机理建模法 | 第15-16页 |
| ·统计建模法 | 第16页 |
| ·数据挖掘概述 | 第16-17页 |
| ·数据挖掘流程 | 第17-18页 |
| ·数据挖掘的研究方法 | 第18-20页 |
| ·统计分析方法 | 第18-19页 |
| ·决策树方法 | 第19页 |
| ·粗糙集方法 | 第19页 |
| ·人工神经网络方法 | 第19-20页 |
| ·遗传算法 | 第20页 |
| ·数据挖掘技术在化工领域的应用 | 第20-21页 |
| ·本论文的主要研究内容 | 第21-22页 |
| 第3章 数据收集 | 第22-29页 |
| ·催化裂化装置工业数据 | 第22-25页 |
| ·工艺流程简介 | 第22-23页 |
| ·MIP工艺反再系统变量分析和筛选 | 第23-24页 |
| ·数据采集 | 第24-25页 |
| ·工业数据预处理 | 第25-28页 |
| ·预处理方法 | 第25页 |
| ·预处理结果 | 第25-28页 |
| ·小结 | 第28-29页 |
| 第4章 原料油数据的聚类模型 | 第29-42页 |
| ·聚类方法分析和简介 | 第29-33页 |
| ·K-means算法 | 第30-31页 |
| ·模糊C均值聚类算法 | 第31-33页 |
| ·聚类工具的选择 | 第33页 |
| ·原料油数据聚类结果分析 | 第33-40页 |
| ·K-means聚类结果分析 | 第34-36页 |
| ·模糊C均值聚类结果 | 第36-39页 |
| ·两种聚类方法结果比较 | 第39-40页 |
| ·产品收率优化模型 | 第40-41页 |
| ·小结 | 第41-42页 |
| 第5章 MIP反应-再生系统神经网络模型 | 第42-55页 |
| ·变量相关性分析 | 第42-45页 |
| ·神经网络模型的建立 | 第45-51页 |
| ·BP神经网络 | 第45-47页 |
| ·RBF神经网络 | 第47-49页 |
| ·GRNN神经网络 | 第49-51页 |
| ·三种神经网络建模结果比较 | 第51-53页 |
| ·小结 | 第53-55页 |
| 第6章 模型的工业验证 | 第55-70页 |
| ·模型的预测性能 | 第56-59页 |
| ·原料油预热温度对产品分布的影响 | 第56页 |
| ·反应温度对产品分布的影响 | 第56-57页 |
| ·反应压力对产品分布的影响 | 第57-58页 |
| ·回炼油流量对产品分布的影响 | 第58页 |
| ·预提升蒸汽流量对产品分布的影响 | 第58-59页 |
| ·粒子群算法优化汽油收率 | 第59-63页 |
| ·粒子群优化算法简介 | 第59-61页 |
| ·PSO算法优化汽油收率 | 第61-63页 |
| ·遗传算法优化汽油收率 | 第63-69页 |
| ·遗传算法简介 | 第63-65页 |
| ·GA优化汽油收率 | 第65-67页 |
| ·PSO和GA算法结果比较 | 第67页 |
| ·GA的多目标优化 | 第67-69页 |
| ·小结 | 第69-70页 |
| 第7章 结论与展望 | 第70-72页 |
| ·结论 | 第70-71页 |
| ·展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 硕士期间发表的学术论文 | 第78-79页 |
| 致谢 | 第79页 |
