毕业时间：2019年5月（博士）

毕业去向：中国石化石油化工科学研究院

导师：赵锁奇 教授 张霖宙 副教授

学科专业：化学工程与技术

研究方向：油气加工工艺与工程

 

学位论文题目

面向分子炼油的汽油分子组成及调和模型构建

Molecular-Level Compositional and Blending Model for Gasoline Streams

 

论文摘要

汽油调和是炼厂中的重要环节。在调和过程中，组分油的部分关键性质如辛烷值并不是简单的线性加和，给汽油调和优化过程带来了巨大的挑战。随着车用汽油标准不断提高，利用准确的模型来指导调和过程，合理利用高辛烷值组分，实现利润最大化显得尤为重要。基于分子炼油的理念，本文提出了一种分子级的汽油调和计算框架。该框架由三个部分组成：分子性质预测模型，汽油宏观性质混合规则，汽油分子组成模型。

本文探索了将深度学习应用于分子性质和汽油宏观性质的预测的方法。对于分子性质，利用分子图卷积神经网络建立了预测模型，通过学习自动选取分子中的特征结构，并将其可视化，有利于进一步研究结构与性质的关系。对于汽油宏观性质，利用卷积神经网络建立了汽油辛烷值的混合规则。汽油分子组成关系矩阵是该混合规则的核心。卷积神经网络解决了大量分子间作用系数的训练问题。经过216个汽油样品的训练，该模型的预测平均绝对误差约为1个辛烷值单位，可以满足炼厂的需求。

准确的分子组成是分子级模型的基础。本文建立了两种分子组成模型以供不同的场景使用。对于没有单体烃分析条件的场景，建立了以宏观性质反推汽油中烃类和杂原子化合物组成的模型，所得预测值与实验值吻合，平均误差小于5%。本文还详细分析了宏观性质输入项对这种模型预测能力的影响，发现当馏程分布和PIONA组成被输入后，模型所得预测值的平均误差及其波动最低，因此确定这两类性质属于关键性质，需要优先获取，并保证数据的完整和准确。在有GC-FID单体烃分析初始数据的情况下，建立了一种计算机辅助重构分子组成的模型。在该模型中，采用了一种基于统计分布的峰调节算法，用以拆分结果中的共逸出峰，推测未鉴定峰，使得分子组成分布更加合理和完整。在此基础上建立了分子级的汽油调和模型，将组分油的分子组成按调和比例线性加和，即可得到调和汽油的组成并预测其宏观性质。以某炼厂的两组调和汽油配方为例，对该模型进行了验证，预测值与实验值吻合，证明了从分子层次解决汽油调和问题的可行性和有效性。

关键词：分子炼油；汽油分子组成；汽油调和；辛烷值；深度学习

 

创新点

（1）基于分子图卷积神经网络建立了分子性质预测模型，在保证了预测效果准确性的同时，具有自动抽取结构特征并可视化的优点，突显了结构与性质的关系，对选择优质分子，设计工艺路线有指导作用。（见第2章、第3章3.1）

（2）提出了汽油分子组成关系矩阵，并基于卷积神经网络建立了汽油辛烷值预测模型，解决了大量分子间相互作用参数训练的问题。训练后的模型预测误差约1个辛烷值单位，可以满足炼厂需求。（第3章3.2）

（3）建立了基于宏观性质反推汽油分子组成的模型，可以估计汽油中烃类和杂原子化合物的组成，并详细分析了不同宏观性质对模型误差的影响，确定了其中的关键性质，为收集油品宏观性质的优先顺序提供了指导。（见第4章）

（4）以GC-FID单体烃分析数据为基础，建立了计算机辅助汽油分子重构模型。基于统计分布的峰调节算法是该模型的核心，用以拆分GC-FID数据中共逸出和推测未鉴定峰，重构后的分子组成分布更合理。在此基础上还建立了分子级的汽油调和模型。经检验，预测结果与实际值吻合。（见第5章）

 

发表学术论文

1. [1]Cui C, Billa T, Zhang L, Shi Q, Zhao S, Klein MT, Xu C. Molecular representation of the petroleum gasoline fraction. Energy Fuels 2018;32(2):1525–33
   https://doi.org/10.1021/acs.energyfuels.7b03588

2. [2]Cui C, Zhang L, Ma Y, Billa T, Hou Z, Shi Q, Zhao S, Xu C, Klein MT. Computer-aided gasoline compositional model development based on gc-fid analysis. Energy Fuels 2018;32(8):8366–73
   https://doi.org/10.1021/acs.energyfuels.8b01953

3. [3]Feng S, Cui C, Li K, Zhang L, Shi Q, Zhao S, Xu C. Molecular composition modelling of petroleum fractions based on a hybrid structural unit and bond-electron matrix (su-bem) framework. Chem Eng Sci 2019;201:145–56
   https://doi.org/10.1016/j.ces.2019.01.050

4. [4]崔晨, 蔡广庆, 张霖宙. 汽油分子组成模型构建. 石油化工高等学校学报 2018;31(3):1–6.

5. [5]张霖宙, 陈政宇, 吕文进, 李凯宇, 崔晨, 史权, 赵锁奇, 徐春明. 石油加工分子管理平台构建. 中国科学:化学 2018;48(4):411–26.

6. [6]崔晨, 何杉, 吕文进, 张霖宙, 周祥. 基于图卷积神经网络汽油单体烃辛烷值的预测. 石油炼制与化工 2021;52(7):82–7.