在乙烯生產過程中，準確實時的測定裂解原料的組成和性質，優化裂解操作參數，不僅能提高乙烯收率、延長裂解爐管除焦時間、降低能耗、保證裝置高負荷平穩運行，同時也能提高經濟效益。目前，按照常規分析方法對裂解原料組成及性質的全面評價需較長時間（大約5h左右）。近年來隨著乙烯裝置加工能力的增加，原料切換越來越頻每繁，原料來源的復雜性對分析提出了更高的要求，而常規分析方法不能完全滿足裂解裝置優化運行對原料分析的要求。目前一些乙烯裝置裂解操作參數的優化按以下方式進行，根據原料性質、在線色說對裂解氣的分析分析結果和溫度壓力等操作參數的變化來對工藝條件和參數進行調整。但由于按照常規分析方法對裂解原料進行分析存在比較嚴懲的滯后，因此，選擇一種新的、方便易行的分析方法對裂解原料組成及性質進行快速測定，從而進一步發揮先進控制系統的作用，不論對提高乙烯工業的技術水平，，還是增加經濟效益都具有重要的意義。紅外光譜分析技術集光譜測量技術、計算機技術、化學計量學技術和基礎分析技術于一體，已成為20世紀90年代以來發展最快的分析技術之一。由于樣品的組成信息在光譜之間進行關聯，建立校正模型對求知樣品的性質進行預測。目前，烯烴廠裂解原料采用氣相色譜分析，一般每天1至2次。為降低分析成本，縮短分析周期，加快分析數據的反饋速度，為工藝條件優化操作奠定了基礎。本論文研究利用紅外分析方法快速測定烯烴廠蒸汽裂解原料石腦油組成性質。在此基礎上，將原料性質、裂解爐操作條件與裂解氣相產物中的乙烯、丙烯含量以及裂解深度數據進行關聯，初步進行了探索性研究，運用支持向量機方法建立校正模型并經網絡方法做了對比。
1、支持向量機原理
支持向量機方法是建立在統計學習理論的VC維理論和結構風險最小原理基礎上的，根據有限的樣本信息在模型的復雜性之間尋求更佳折哀，以期獲得更好的推廣能力。統計學習理論是一種小樣本統計理論，著生研究在小樣本情況下的統計學習問題。以此為基礎的支持向量機方法與神經網絡方法相比，前者具有更強的理論依據和更好的水泛化能力。更好地適用于解決小樣本的機器學習問題。支持向量機方法的幾個主要優點有：它是專門針對有限樣本，目標是得到現有信息下的優越解而不僅是樣本數趨于無窮大時的優越值；算法將轉化成為一個二次尋優問題，從理論上說，得到的將是全局的優越點，解決了神經網絡方法中的局部極值問題；算法將實際問題通過非線性變換轉換到高維的特征空間，在高維空間中構造性判別函數來實現原空間中的非線性判別函數，能保證機器學習有較好的推廣能力，同時巧妙地解決了維數“災難”問題，算法復雜度與樣本維數無關。
對于非線性問題，支持向量機回歸方法的主要是將原始問題通過非線性變換轉化為某高維空間的線性問題，并在高空間中進行線性求解。
2、儀器與樣品
（1）實驗樣品
共收集62個石腦油樣品，其中45個作為校正集，其余17個作為驗證集。
（2）儀器及光譜測量條件
傅里葉變換紅外光譜儀（FT-NIR）：加拿大Bomem公司生產，MB-160型，InGaAs檢測器，光譜采集范圍4000至10000cm-¹，分辨率4cm-¹，5mm石英樣品池，光譜測量條件：空氣為參比，室溫為（22±5）℃。
（3）裂解爐
齊魯乙烯裝置BA1102：美國ABB Lummus SRT-IV型裂解爐。
（4）裂解氣測定儀器
美國ABB公司的PYGAS3000系列110型在線色譜。
3、結論與展望
可以看出，對于石腦油密度、終餾點、正構烷烴、異構烷烴、烯烴、芳烴和環烷和環烷烴會含量的預測，紅外方法能夠得到與參考方法相當的結果。通過支持向量機方法初步建立模型的探索性研究表明，該模型能夠很好比較好地預測乙烯、丙烯產率以及裂解深度。接下來的工作將通過進一步考察模型的適用性，從而可能達到通過模型選取優越的操作參安，利用優化的操作參婁實際裝置進行操作，提高蒸汽裂解的效率。
111儀器信息網
