摘要 | 第4-5页 |
Abstract | 第5-6页 |
1 绪论 | 第9-18页 |
1.1 研究背景 | 第9-10页 |
1.2 国内外乙烯工业生产现状 | 第10-11页 |
1.3 裂解炉建模和优化控制的国内外研究进展 | 第11-15页 |
1.3.1 裂解炉建模的研究进展 | 第11-14页 |
1.3.2 裂解炉优化控制的研究进展 | 第14-15页 |
1.4 课题研究意义与研究内容 | 第15-16页 |
1.5 论文组织结构 | 第16-18页 |
2 裂解装置的工艺及机理分析 | 第18-25页 |
2.1 裂解装置的工艺过程 | 第18-21页 |
2.1.1 裂解炉种类 | 第18-19页 |
2.1.2 USC-176U型裂解炉技术简介 | 第19-20页 |
2.1.3 裂解炉工艺操作 | 第20-21页 |
2.2 烯裂解反应机理 | 第21-22页 |
2.3 影响裂解产率的主要工艺参数 | 第22-24页 |
2.3.1 裂解深度 | 第23页 |
2.3.2 裂解温度 | 第23页 |
2.3.3 停留时间 | 第23页 |
2.3.4 烃分压 | 第23-24页 |
2.3.5 裂解炉出口压力 | 第24页 |
2.4 本章小结 | 第24-25页 |
3 基于迁移学习算法的裂解过程工况划分 | 第25-37页 |
3.1 工况划分的主要依据 | 第25-28页 |
3.1.1 裂解原料的特性指标 | 第25-27页 |
3.1.2 裂解原料对生产的影响 | 第27-28页 |
3.2 迁移学习算法的基本原理 | 第28-32页 |
3.2.1 迁移学习算法概述 | 第28-29页 |
3.2.2 基于boosting的实例迁移 | 第29-30页 |
3.2.3 TrAdaBoost算法流程描述 | 第30-32页 |
3.3 基于TrAdaBoost算法工况划分 | 第32-33页 |
3.4 仿真结果及分析 | 第33-36页 |
3.5 本章小结 | 第36-37页 |
4 基于PSO优化LS-SVM的裂解炉收率建模 | 第37-49页 |
4.1 主元分析法基本原理 | 第37-39页 |
4.1.1 主元分析法概述 | 第37-38页 |
4.1.2 主元分析法原理分析 | 第38-39页 |
4.2 最小二乘支持向量机的基本原理 | 第39-42页 |
4.2.1 LS-SVM概述 | 第39-40页 |
4.2.2 LS-SVM原理简介 | 第40-42页 |
4.3 粒子群优化算法原理 | 第42-43页 |
4.3.1 PSO基本思想 | 第42-43页 |
4.3.2 粒子群算法原理解析 | 第43页 |
4.4 PSO优化LS-SVM模型参数 | 第43-45页 |
4.5 基于PSO-LS-SVM算法裂解炉产率的预测模型 | 第45页 |
4.6 仿真结果及分析 | 第45-48页 |
4.7 本章小结 | 第48-49页 |
5 基于遗传算法的裂解炉收率优化控制策略 | 第49-58页 |
5.1 遗传算法的原理和方法 | 第49-51页 |
5.1.1 遗传算法概述 | 第49页 |
5.1.2 遗传算法的方法论 | 第49-51页 |
5.2 GA优化控制裂解深度 | 第51-52页 |
5.3 仿真及结果分析 | 第52-55页 |
5.4 能效评估平台应用 | 第55-57页 |
5.5 本章小结 | 第57-58页 |
结论 | 第58-59页 |
参考文献 | 第59-63页 |
攻读硕士学位期间发表学术论文情况 | 第63页 |
攻读硕士学位期间申请专利情况 | 第63-64页 |
致谢 | 第64-65页 |