一种基于深度学习的 D低䉉NGL回收装置操作代理模型优化方法

摘要

一种用于天然气液（NGL）回收装置的操作优化方法，提出了一种基于深度学习的代理模型优化框架。该方法旨在通过构建高精度的代理模型来替代复杂的工艺模拟过程，从而实现对深冷分离装置的NGL回收操作进行高效优化。所提出的代理模型基于一种改进的深度神经网络（DNN）架构，并与传统的响应面法和支持向量回归等模型进行了对比。实验结果表明，基于深度学习的代理模型在预测精度和泛化能力方面显著优于其他模型，能够有效捕捉复杂非线性操作变量与目标函数之间的映射关系。进一步地，将训练好的代理模型集成到优化框架中，实现了对关键操作参数的快速寻优，提升了NGL回收率并降低了能耗。

关键词

深冷分离装置；深度学习；代理模型；NGL回收；操作优化

1. 引言

天然气液（NGL）回收是油气处理过程中的重要环节，其主要目的是从原料气中分离出乙烷、丙烷、丁烷等高附加值组分。传统NGL回收工艺通常采用深冷分离技术，如冷油吸收法或低温蒸馏法，这些流程涉及复杂的热力学平衡和多相流动行为，导致整个系统具有高度非线性和强耦合特性。因此，如何实现对该类装置的高效操作优化，一直是工业界和学术界关注的重点问题。

常规的优化方法依赖于机理模型或商业流程模拟软件（如Aspen HYSYS、PRO/II等），虽然具备较高的物理准确性，但计算成本高昂，难以满足实时优化需求。为此，研究者提出了代理模型（Surrogate Model）策略，即利用数据驱动的方法建立输入变量与输出性能指标之间的近似映射关系，以大幅降低每次函数评估的时间开销。

近年来，随着人工智能技术的发展，特别是深度学习在图像识别、自然语言处理等领域取得突破性进展，其在化工过程建模中的应用也逐渐受到重视。深度神经网络因其强大的非线性拟合能力和特征自动提取机制，被认为非常适合用于构建复杂化工系统的代理模型。然而，针对NGL回收装置这一特定应用场景，现有研究仍较为有限，尤其是在如何设计适合该类工艺特性的网络结构、如何保证模型在操作空间边缘区域的外推能力等方面尚缺乏系统探讨。

本文提出一种基于深度学习的代理模型优化方法，专门面向Dell NGL回收装置的操作优化任务。首先，基于历史运行数据和仿真样本构建训练集；其次，设计一种融合批量归一化、残差连接和Dropout机制的深度神经网络结构作为代理模型；最后，将其嵌入到优化求解器中，实现对关键操作变量的快速寻优。案例研究表明，所提方法不仅提高了模型预测精度，而且显著加快了优化收敛速度，具有良好的工程应用前景。

2. 方法框架

2.1 代理模型优化总体架构

本文提出的优化方法由三个核心模块构成：数据生成与预处理模块、深度学习代理模型构建模块以及基于代理模型的优化求解模块。整体流程如图1所示。

首先，利用Aspen HYSYS平台对Dell NGL回收装置进行稳态模拟，设计多工况抽样策略（如拉丁超立方采样），覆盖典型操作区间，生成包含关键输入变量（如制冷温度、回流比、压力分布等）与输出性能指标（如NGL回收率、能耗、产品纯度等）的数据集。随后对原始数据进行清洗与标准化处理，消除量纲差异并提升模型训练稳定性。

其次，构建基于深度神经网络的代理模型，以实现从输入操作变量到系统性能指标的端到端映射。模型采用多层全连接结构，并引入批量归一化（Batch Normalization）、残差连接（Residual Connection）及Dropout正则化机制，增强模型的非线性拟合能力与泛化性能。

最后，将训练完成的代理模型嵌入到优化框架中，替代耗时的流程模拟器参与迭代计算。优化目标设定为最大化NGL总回收率的同时最小化单位处理能耗，约束条件包括设备操作限值、产品规格要求等。采用序列二次规划（SQP）或遗传算法（GA）等优化算法进行求解，实现在可行操作空间内的全局最优或近似最优搜索。

2.2 深度学习代理模型结构设计

所提出的深度神经网络结构如图2所示，包含一个输入层、多个隐藏层和一个输出层。输入层接收经过归一化处理的操作变量向量 $ \mathbf{x} \in \mathbb{R}^n $，输出层预测目标性能指标 $ \mathbf{y} \in \mathbb{R}^m $。

网络的关键改进在于以下几点：

1. 批量归一化 ：在每一隐藏层激活函数前加入BN层，缓解内部协变量偏移问题，加速训练收敛；
2. 残差连接 ：对于深层网络（>6层），采用跳跃连接方式，允许梯度更顺畅地反向传播，防止梯度消失；
3. Dropout机制 ：在训练阶段随机屏蔽部分神经元连接，抑制过拟合，提高模型鲁棒性；
4. 激活函数选择 ：隐藏层使用Leaky ReLU函数，避免传统ReLU在负区死区的问题；
5. 自适应学习率优化器 ：采用Adam优化算法，动态调整学习率，提升训练效率。

模型超参数（层数、每层神经元数、学习率、Dropout比率等）通过贝叶斯优化方法自动调优，确保在验证集上获得最佳性能。

3. 案例研究与结果分析

3.1 系统描述与数据准备

研究对象为某实际运行的Dell型深冷分离NGL回收装置，其主要流程包括原料气压缩、脱酸、脱水、冷箱换热、低温分离及分馏单元。选取12个关键可控操作变量作为模型输入，包括主制冷剂温度、重烃回流阀开度、高低压闪蒸罐压力、再沸器热负荷等；输出变量包括C2+回收率、丙烷回收率、系统总功耗、冷公用工程负荷等共6项性能指标。

通过Aspen HYSYS建立精确机理模型，设置±15%的设计工况波动范围，采用拉丁超立方采样生成5000组样本数据，其中4000组用于训练，500组用于验证，500组用于测试。

3.2 模型性能对比

将所提出的深度学习代理模型（DL-Surrogate）与三种经典代理建模方法进行比较：多元线性回归（MLR）、径向基函数网络（RBFN）和支持向量回归（SVR）。评价指标采用均方误差（MSE）、决定系数（R²）和平均绝对百分比误差（MAPE）。

模型	MSE	R²	MAPE (%)
MLR	0.0321	0.784	9.6
RBFN	0.0187	0.863	5.2
SVR	0.0124	0.902	4.1
DL-Surrogate	0.0038	0.976	1.3

实验结果显示，DL-Surrogate在所有指标上均显著优于其他模型，特别是在预测极端操作条件下的表现更为稳健，说明其具备更强的外推能力。

3.3 优化效果验证

将训练好的代理模型集成至MATLAB优化工具箱中，采用多目标遗传算法NSGA-II求解操作优化问题。优化前后关键性能指标对比如下表所示：

指标	当前工况	优化后	提升幅度
C2+回收率 (%)	91.2	94.7	+3.5
单位能耗 (kWh/kscf)	0.86	0.79	-8.1%
冷公用工程负荷 (MW)	28.5	26.3	-7.7%
丙烷回收率 (%)	93.1	95.6	+2.5

优化结果表明，在满足所有安全与产品质量约束的前提下，NGL回收效率显著提升，同时能耗明显下降。此外，单次优化迭代时间由原机理模型的约12分钟缩短至不足1秒，使得在线实时优化成为可能。

4. 结论

本文提出一种基于深度学习的代理模型优化方法，用于解决Dell NGL回收装置的操作优化难题。通过构建融合批量归一化、残差连接和Dropout机制的深度神经网络代理模型，实现了对复杂非线性过程的高精度逼近。案例研究表明，该模型在预测精度和泛化能力方面显著优于传统代理建模方法。进一步将其应用于多目标优化框架中，成功实现了关键操作参数的快速寻优，提升了NGL回收率并降低了能耗。该方法具有良好的工程适用性和推广潜力，可为类似复杂化工过程的实时优化提供有效技术支撑。