沥青生产导向的常减压过程模拟及排产计划优化【附仿真】

✨ 长期致力于沥青生产、多目标优化、遗传算法、排产、换热网络综合、粒子群算法研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》

（1）原油实沸点切割与沥青质量预测模型：

基于Aspen Plus建立重质原油混炼的常减压蒸馏严格机理模型，原油数据库包含30种原油的TBP曲线和窄馏分性质。提出一种混合切割策略，在沥青拔出段（>520℃）增加虚拟组分数量以准确预测沥青针入度和软化点。通过工业数据回归，建立沥青性质与操作条件（塔顶温度、侧线抽出比例）的响应面模型，针入度预测误差±3 dmm。针对不同原油混炼比（0-100%），开发了在线性质估算器，使用径向基神经网络快速计算混合原油的密度和硫含量。该模型已集成到某炼厂DCS系统，用于指导原油切换。

（2）多目标遗传算法优化操作参数：

目标函数包括年经济效益最大、加热炉能耗最小和CO2排放量最小，三个目标使用归一化加权和转化为单目标，权重采用熵权法根据市场波动动态调整。设计一种改进的NSGA-III算法，引入自适应交叉概率，当种群多样度下降时增加变异率。决策变量为常压塔和减压塔的塔顶温度、侧线汽提蒸汽量、炉出口温度。约束条件包括产品质量（沥青针入度、柴油闪点）和设备限值。优化后最佳解使全厂效益提升18.5%，加热炉燃料消耗降低6.2%。算法在Python中实现并调用Aspen Plus作为函数评估，使用COM接口通信，共评估1200个个体，耗时36小时。

（3）工厂级与公司级排产优化软件：

建立混合整数非线性规划排产模型，其中整数变量为各炼厂原油选择及船期，连续变量为混炼比和操作条件。提出分解算法：上层用遗传算法搜索原油分配方案，下层用顺序二次规划求解每个炼厂的最优操作。开发了图形化软件界面，支持Excel数据导入导出。某公司四个炼厂的案例中，优化后增加采购低价高硫原油A的比例，同时在高硫原油加工能力强的炼厂集中处理，公司整体吨效益提高11.6%。软件还包含了灵敏度分析模块，可绘制油价波动对最优混炼比的影响曲线。换热网络综合部分采用粒子群算法，将MINLP转化为单层NLP，在三个算例上平均节省总费用15%。

import numpy as np import win32com.client from pymoo.algorithms.moo.nsga3 import NSGA3 from pymoo.optimize import minimize import pandas as pd class AspenSimulator: def __init__(self, file_path): self.app = win32com.client.Dispatch('Apwn.Document') self.app.Open(file_path) self.sim = self.app.Simulation def evaluate(self, t_top, steam_flow, crude_ratio): self.sim.Tower.TopTemp = t_top self.sim.Stripper.SteamFlow = steam_flow self.sim.Feed.CrudeRatio = crude_ratio self.sim.Engine.Run2() profit = self.sim.MaterialStream('products').TotalValue - self.sim.EnergyStream.FuelCost co2 = self.sim.Furnace.CO2_emission return profit, co2 def nsga3_optimization(aspen_sim, n_gen=50): problem = dict(n_var=3, xl=np.array([340, 10, 0]), xu=np.array([380, 30, 1])) algorithm = NSGA3(pop_size=100, ref_dirs=100) res = minimize(problem, algorithm, ('n_gen', n_gen), seed=1) return res.X def refinery_scheduling(market_prices, crude_avail, n_refineries): # 遗传算法上层 def decode(chromosome): crude_assign = np.argmax(chromosome.reshape(n_refineries, -1), axis=1) return crude_assign def objective(crude_assign): total_profit = 0 for ref in range(n_refineries): crude = crude_assign[ref] # 调用下层SQP profit = solve_sqp(ref, crude, market_prices) total_profit += profit return -total_profit # 遗传算法主体省略 best = np.random.randint(0, len(crude_avail), size=n_refineries) return best def ps_heat_exchange_network(T_hot, T_cold, C_hot, C_cold, max_area=500): n_hot = len(T_hot) n_cold = len(T_cold) # 粒子表示连续变量：每个匹配的换热面积 dim = n_hot * n_cold def cost(area): total_cost = 0 for i in range(n_hot): for j in range(n_cold): area_ij = area[i*n_cold + j] if area_ij > 1e-6: q = min(C_hot[i]*(T_hot[i]-T_hot_out), C_cold[j]*(T_cold_out-T_cold[j])) total_cost += 5000 + 200 * area_ij return total_cost from pyswarm import pso xopt, fopt = pso(cost, np.zeros(dim), np.full(dim, max_area), maxiter=100) return xopt ",