文献类型：期刊文章

作　　者：杨帆[1] 周敏[2] 戴超男[1] 曹军[3]

YANG Fan;ZHOU Min;DAI Chaonan;CAO Jun(Data Intelligence Application Lab,Lenovo Group,Chengdu 610041,China;Sichuan Provincial Key Lab of Process Equipment and Control,Sichuan University of Science and Engineering,Zigong 643000,China;School of Mechanical and Power Engineering,East China University of Science and Technology,Shanghai 200237,China)

机构地区：[1]联想数据智能应用实验室,四川成都610041 [2]四川理工学院过程装备与控制工程四川省高校重点实验室,四川自贡643000 [3]华东理工大学机械与动力工程学院,上海200237

出　　处：《石油学报（石油加工）》

基　　金：上海市自然科学基金项目(18ZR1409000);过程装备与控制工程四川省高校重点实验室开放基金项目(GK201818)资助

年　　份：2019

卷　　号：35

期　　号：4

起止页码：807-817

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：基于某石化企业的LIMS(Laboratory information management system)及DCS(Distributed control system)系统中的工业生产数据,结合工业经验中已知的影响催化裂化产品收率的重要因素,通过分析监控指标与实际汽油收率的相关性,筛选出与汽油收率的正负相关性较高的分析指标。在此基础上,基于梯度提升决策树GBDT算法构建了催化裂化汽油收率的预测模型,并预测了相应的汽油产率。结果表明:由GBDT算法构建的汽油收率预测模型预测结果的准确率为98.9%,R 2系数为0.236,平均绝对误差为0.531%;模型预测结果与实际汽油产率相比,误差率小于1%,表明构建的模型能精确预测催化裂化装置中汽油等产品收率,有助于在实际生产中优化催化裂化装置的操作条件,从而进一步提升催化裂化装置的经济性能。

关 键 词：人工智能 催化裂化 预测模型  GBDT算法  

分 类 号：TE65]