Моделирование процесса термолиза тяжелых нефтяных остатков методом нейронных сетей

• Автор: Запылкина, Вероника Валерьевна
• Шифр специальности: 05.17.08
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Уфа
• Количество страниц: 115 с. : ил.

СОДЕРЖАНИЕ

Введение
1 Аналитический обзор
1.1 Современные представления о связующих материалах нефтяного происхождения
1.1.1 Использование нефтяного пека в качестве спекающей
добавки
1.1.2 Использование нефтяного пека в качестве связующего
материала
1.2 Сырье для получения нефтяного пека
1.3 Технологические схемы производства нефтяного пека из тяжелых нефтяных остатков
1.4 Закономерности термических превращений при термолизе тяжелых нефтяных остатков
1.4.1 Основные факторы процесса термолиза
1.4.2 Продукты процесса термолиза и направления их использования
1.5 Химический состав и структура нефтяного пека
1.6 Общая характеристика углеродных сорбентов
1.6.1 Активные угли
1.6.2 Получение углеродных сорбентов на основе различных тяжелых остатков
1.6.3 Математическое моделирование методом нейронных
сетей
Выводы
2 Выбор объектов и методов исследования
2.1 Выбор и обоснование вида сырья
2.2 Методика проведения эксперимента
2.3 Методики проведения анализов для нефтяного пека
2.3.1 Определение содержания карбенов и карбоидов (а-фракция) «горячим способом» Гольде
2.3.2 Определение группового химического состава тяжелых остатков на хроматографе «Градиент-М»
2.4 Методики проведения анализов углеродного сорбента
2.4.1 Методика определения механической прочности на раздавливание
2.4.2 Методика определения адсорбционной активности по

2.4.3 Методика определения удельной поверхности по азоту
3 Исследовательская часть
3.1 Исследование процесса термолиза тяжелых нефтяных остатков
3.2 Моделирование процесса термолиза тяжелых нефтяных остатков
3.2.1 Сбор данных по процессу термолиза для нейронной сети
3.2.2 Выбор архитектуры нейронной сети
3.2.3 Обучение нейронной сети
3.2.4 Проверка адекватности полученной модели
3.3 Альтернативные методы математического описания процесса термолиза
3.4 Изучение влияния группового состава нефтяного пека на его спекающую способность
Выводы
4 Изучение пористого углеродного материала полученного из нефтяного пека и бурого угля
4.1 Получение и исследование свойств пористого углеродного материала
4.2 Изучение влияния содержания связующего материала на механическую прочность и адсорбционную активность образцов углеродного материала
Выводы
5 Технико-экономическое обоснование производства углеродного сорбента на основе нефтяного пека и бурого угля
5.1 Анализ рынка углеродных сорбентов
5.2 Материальный баланс установки
5.3 Расчет капитальных затрат
5.4 Расчет себестоимости готовой продукции
5.5 Основные технико-экономические показатели
Основные выводы
Библиографический список

Список сокращений
ABT - атмосферно-вакуумная трубчатка;
АГ-3 - активированный уголь;
АР-3 - марка активного рекуперационного угля;
АСК - активированный силикагель крупнопористый;
ai-фракция - группа веществ, нерастворимых в хинолине;
а2-фракция - группа веществ, нерастворимых в толуоле, но растворимых в
хинолине;
а-фракция - группа веществ, нерастворимых в толуоле;
ß-фракция - массовая доля веществ, нерастворимых в изооктане, но растворимых в толуоле;
БашНИИНП - «Башкирский научно-исследовательский институт нефтехимпереработки»;
БЭТ - Брунауэр - Эммет - Теллер;
ВРТ - высокоточный регулятор температуры;
у-фракция - массовая доля веществ, растворимых в гептане;
ИНХП - «Институт нефтехимпереработки РБ»
КИП - контрольно-измерительный прибор;
КиШ - «кольцо и шар»;
J1ATP - лабораторный автотрансформатор;
НПЗ - нефтеперерабатывающий завод;
НПО - научно-производственное объединение;
ПДК - предельно допустимые концентрации;
ПК - прочность катализатора;
ПЦА - полициклические ароматические углеводороды; а - средний квадрат ошибки;
ССЕ - сложные структурные единицы;
ТНО - тяжелый нефтяной остаток;
УГНТУ - Уфимский нефтяной технический университет;
УЗК - установка замедленного коксования;

Тип сети следует выбирать исходя из поставленной задачи и массива данных для обучения [111]. Классификация нейронных сетей в зависимости от архитектуры связей представлена на рисунке 1.5 [112].
Рисунок 1.5 - Классификация нейронных сетей
Способность обучения и накопления знаний является наиболее важным их свойством. При этом нейронная сеть способна обладать чертами близкими к искусственному интеллекту.
Сеть, натренированная на определенном множестве данных, может обобщать полученную информацию для дальнейшей обработки данных, не использовавшихся в процессе обучения. Процесс обучения нейросети представлен на рисунке 1.
Рисунок 1.6 - Процесс обучения нейросети