[發明專利]聚乙烯分子量分布的高精度快速預測模型構建方法及其應用

有效

• 申請號: 201810162139.4
• 申請日: 2018-02-27
• 公開（公告）號: CN108388761B
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 錢鋒;田洲;鐘偉民;杜文莉;葉貞成
• 申請（專利權）人: 華東理工大學
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C20/20;G16C10/00
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 韋東

1.一種構建用于預測聚乙烯分子量分布的模型的方法，所述方法包括：通過數據建模建立操作變量和活性位分布函數參數之間的關系，然后建立活性位分布函數參數與整個分子量分布之間的關系，最后通過混合建模的方法建立起操作變量和聚乙烯分子量分布之間的模型；其中，所述方法包括如下步驟：

步驟1：采集工況數據，對工況數據進行預處理，篩選出不同工況條件的數據N組及相對應的聚乙烯樣品N組，分別記為X_i，i＝1,2,…,N；所述工況數據為單體乙烯進料量f_C2、單體丁烯進料量f_C4、氫氣進料量f_H、反應器壓力P、反應器溫度T、反應器內氫烯比以及丁烯乙烯比

步驟2：獲取步驟1采集得到的聚乙烯樣品的分子量分布數據；通過催化劑各個活性位對應的分布函數加權疊加機制來擬合實際所測得的分子量分布曲線，取得各活性位分布函數參數，組成對應的模型輸出變量，設為Y_i,i＝1,2,…,N；其中，所述分布函數參數為τ_i，i＝1…n，n為對應催化劑的活性位個數；和

步驟3：對輸入樣本數據X和分布函數參數Y進行歸一化處理，分別作為模糊神經網絡的輸入數據和輸出數據，對其進行訓練，獲得模糊神經網絡模型；其中，通過K-means方法對輸入樣本數據進行聚類，獲得聚類數目以及聚類中心，以聚類數目作為模糊神經網絡的規則數、以聚類中心作為各規則的中心初始值形成所述模糊神經網絡的框架；

其中，所述步驟2中活性位個數的求取方法包含以下步驟：

(a)在高溫凝膠色譜儀中測試現場采集的樣本，獲取其相應的分子量分布數據，其中，由于從高溫凝膠色譜儀中直接獲取的是分子量分布的采樣點，因此，以采樣點組成分子量目標向量MD；

(b)假設活性位個數為2，采用以下公式，通過分布函數的加權疊加求得與實際分子量分布之間誤差最小時的分布函數參數和相應的權重：

w_j(logMW)＝2.3026×MW²τ²exp(-MWτ) (1)

其中，(1)式為活性位分布函數，(2)式為各活性位加權疊加后的分子量分布，MW為分子量，τ為分布函數參數，p_j為對應活性位分布函數的權重，w_j(logMW)為第j個活性位在橫坐標為對數級別情況下的分子量分布；取n＝2，設置MW與高溫凝膠色譜儀測試所得目標向量MD的橫坐標值一致帶入以上兩式獲得相應的w(logMW)，組成向量MD_cal，以min(MD_cal-MD)²為目標，通過牛頓下降法獲取最佳的權值和相應的分布函數參數；

(c)設置活性位個數為3，繼續步驟b，以此類推，直到MD_cal和MD之間的誤差穩定在≦1％為止，則取誤差在同一數量級且活性位個數最少的參數為該催化劑對應的活性位個數。

2.如權利要求1所述的方法，其特征在于，所述步驟1中對輸入的工況數據進行的預處理為對所述數據進行歸一化，使得有量綱數據轉化為無量綱數據，其中，歸一化公式如下：

x^*＝(x-x_mean)/(x_max-x_min) (3)。

3.如權利要求1所述的方法，其特征在于，步驟3中通過肘方法獲得k-means聚類數，模糊神經網絡的成員函數采用高斯函數；所述肘方法包括：計算聚類離差平和，以聚類誤差平方和下降速率最快的聚類數為初始神經元節點數量，通過節點數量構建初始模糊神經網絡框架，然后將歸一化后的輸入樣本數據逐個輸入模型，以模型輸出與實際值之間的誤差為目標，通過隨機梯度下降算法對模型前件中心和方差以及后件權重進行調節；所述隨機梯度下降算法每次僅通過一個樣本計算模型輸出與實際輸出之間的誤差，并通過誤差對待調整參數求偏導的方法進行梯度下降調整，如此循環，直至達到最大迭代次數或者精度滿足要求而結束。