摘要：以换热器压差作为表征结盐变量,基于Pearson相关系数-BP神经网络法建立了加氢裂化装置高压换热器结盐预测模型,首先通过计算装置进料量、循环氢量等各特征变量与换热器压差(目标变量)的Pearson相关系数定量考察了各变量间的线性相关性,得出循环氢量、装置进料量、换热器管程入口温度分别与换热器压差存在极强相关、强相关和中等相关关系.基于得到的特征变量对目标变量构建三层BP神经网络并优化隐层节点数为8.利用4400组无结盐工况样本数据对网络模型进行学习训练,并基于训练收敛的BP网络模型对换热器进行结盐分析.结果表明在换热器未结盐阶段模型预测压差与实际工业值吻合良好,均方根误差仅为0.015MPa,随着换热结盐现象的出现,工业值与模型理论预测值逐步出现偏差,以所得偏差值作为等效结盐厚度,可实时预测换热器结盐状况,并挖掘结盐规律,得出换热器结盐初期盐垢厚度迅速增长,若采取降低装置处理量和循环氢量等措施可有效缓解结盐速度,同时发现每次更换脱氯剂后盐垢均能有效消除,但随着结盐周期的累积除垢速度逐渐变慢,即换热器反复结盐不利于换热器盐垢的彻底脱除.
