炼油设计
煉油設計
련유설계
PETROLEUM REFINERY ENGINEERING
2001年
2期
35-38
,共4页
催化裂解%收率%神经网络%模拟仿真
催化裂解%收率%神經網絡%模擬倣真
최화렬해%수솔%신경망락%모의방진
采用神经网络方法，构造了一个催化裂解产品产率的BP神经网络，并利用Levenberg-Marquardt算法来提高收敛速度及克服局部极值。模型预测结果液化石油气、汽油、柴油、丙烯和焦炭加损失产率的误差分别为1.8%，2.4%，5.7%，5.8%，6.3%，能够满足工业应用需求。
採用神經網絡方法，構造瞭一箇催化裂解產品產率的BP神經網絡，併利用Levenberg-Marquardt算法來提高收斂速度及剋服跼部極值。模型預測結果液化石油氣、汽油、柴油、丙烯和焦炭加損失產率的誤差分彆為1.8%，2.4%，5.7%，5.8%，6.3%，能夠滿足工業應用需求。
채용신경망락방법，구조료일개최화렬해산품산솔적BP신경망락，병이용Levenberg-Marquardt산법래제고수렴속도급극복국부겁치。모형예측결과액화석유기、기유、시유、병희화초탄가손실산솔적오차분별위1.8%，2.4%，5.7%，5.8%，6.3%，능구만족공업응용수구。
Based on artificial neural networks,a model predicting yields ofDCC products was established.The model used Levenberg-Marquardt algorithm to promote convergence and handle part extremism.The results showed that average errors of LPG,gasoline,diesel,propylene,coke plus loss are 1.8%,2.4%,5.7%,5.8%,6.3% respectively,meeting the commercial requirements.
