基于人工神经网络技术预测CO2在MDEA水溶液中溶解度的研究

张健

(山西省化工设计院，山西 太原 030024)

基于人工神经网络技术预测CO2在MDEA水溶液中溶解度的研究

张健

(山西省化工设计院，山西 太原 030024)

运用人工神经网络技术对相关文献中的80组CO2－MDEA－H2O体系气液平衡数据进行关联，并用另外20组数据进行验证，推算结果与实验数据十分接近。由此可见，用人工神经网络技术来预测CO2在MDEA水溶液中的溶解度是可行的。

CO2溶解度;MDEA水溶液;人工神经网络技术;气液平衡

引言

随着温室效应的日益严重和气候的不断恶化，CO2作为全球公认的最主要的温室气体，其减排技术的开发和优化日益受到人们的关注。在各项减排技术中，CO2的捕集和回收被认为是有效降低温室气体工业排放量的有效措施。当前，CO2的捕集技术有物理吸收法、化学吸收法和膜分离法。其中，用化学吸收剂甲基二乙醇胺(MDEA)吸收各种工业气体中CO2的技术广泛应用于化工、电力等行业。在该技术的设计、应用和优化中，CO2在甲基二乙醇胺(MDEA)水溶液中气液平衡数据的准确性至关重要。

CO2－MDEA－H2O系统是一个复杂的伴有化学反应的气液两相系统。其中，有2个化学反应平衡和3个电离平衡。传统的计算模型有UNIQUAC模型和electrolyte－NRTL模型，这些模型在实际应用中的共同弱点是所需的参数与具体体系相关，如果采用其他体系得来的参数，则推算结果偏差较大［1］。近年来，随着人工智能技术的发展，人工神经网络技术为CO2－MDEA－H2O系统的气液平衡预测计算提供了新方法。

1 人工神经网络简介

人工神经网络(artificial neural network，ANN)是一种模拟人脑神经元对外界环境学习反应的仿生算法，其从信息处理的角度，通过抽象建模，模拟神经元的不同连接方式，以达到求解的目的。人工神经网络由于其具有非线性、非定性、非局限性，使得人工神经网络构建的模型具有自适应强、求解迅速等特点。随着人工神经网络理论的发展，其被广泛地应用于智能识别、人工智能、生物、医学、经济和工业等领域。

BP神经网络是由非线性变换单元组成的多层前馈网络，一般由输入、隐含和输出3层结构组成。隐含层可为多层，也可为单层。第71页图1为一个典型的3层BP网络模型的拓扑结构。其中，输入向量为 X(x1，x2，x3….xn)T，隐含层输出向量为H(h1，h2，…，hn)、输出向量为Y(y1，y2，y3…yn)，WP为输出层到隐含层的联接权矩阵，Wj为隐含层到输出层的联接权。当网络模型初始化完成后，即可用一组输入向量和期望输出向量进行网络的训练。

训练过程为，输入向量X输入网络后，经隐含神经元处理传到输出层单元，产生一个输出向量。输出向量与期望输出向量比较，如误差不符合要求，

表1 CO2在MDEA水溶液中溶解度的训练样本

表2 神经网络模型参数优化

图3 仿真输出效果

表3 神经网络预测结果汇总

4 结论

通过80个点的训练，CO2－MDEA－H2O系统的气液平衡规律已经被网络模型掌握。经18个点的验证，误差为10－4，相关系数0.999 8，这说明利用神经网络预测CO2在MDEA水溶液中溶解度是可行的。由于神经网络具有一经训练完成、再输入的数据只需一步即可预测出结果的特点，因此，在需要实时计算的场合应用前景广泛。

本工作为MDEA脱碳工艺过程的模拟与优化提供了基础数据的人工智能预测模型，有很强的实际应用价值。同时，也为因液相组分较多、化学反应复杂而导致溶液中实际物种数目较多的体系气液平衡预测，提供了较好的工具。

［1］张引沁，韩相明.利用神经网络推算双液两相平衡体系的相图［J］.河南科学，2006，24(6):838－840.

［2］Hajir Karimi，Fakhri Yousefi.Correlation of vapour liquid equilibria of binary mixtures using artificial neural networks［J］.Chin J Chem Eng，2007，15(5):765－777.

［3］曾绮微，曾颖.用人工神经网络预测二元气液平衡数据［J］.福建化工，2001(4):30－31.

［4］ 飞思科技产品研发中心.神经网络理论与MATLAB7实现［M］.北京:电子工业出版社，2005:44－58，99－100.

［5］郭庆华，梁钦锋，颜卓勇，等.基于BP神经网络预测气流床气化炉炉膛温度的试验研究［J］.计算机与应用化学，2007，24(5):617－620.

［6］Basheer I A，Hajmeer M.Artificial neural networks:fundamentals，computing，design，and application［J］.Journal of Microbiological Methods，2000，43:3－31.

［7］Zhou Shuxiao.Wavelet analysis and neural network theory and their application to gas－solid fluidized beds［D］.Chengdu:Sichuan University，2003.

［8］Li Chunxi，FüKrst W.Representation of CO2and H2S solubility in aqueous MDEA solutions using an electrolyte equation of state［J］.Chemical Engineering Science，2000，55:2975－2988.

［9］Yuan Xiaoliang，Zhang Suojiang.Solubilities of CO2in hydroxyl ammonium ionic liquids at elevated pressures［J］.Fluid Phase Equilibria，2007，257:195－200.

［10］ Réda Sidi－Boumedine，Sven Horstmann.Experimental determination of carbon dioxide solubility data in aqueous alkanolamine solutions［J］.Fluid Phase Equilibria，2004，218:85－94.

Prediction of solubility of carbon dioxide in MDEA aqueous solutions by using artificial neural networks

ZHANG Jian
(Shanxi Provincial Chemical Design Institute，Taiyuan Shanxi 030024，China)

In this paper，80 solubility data，recorded inliterature review，were correlated and predicted by using neural network，another 20 solubility data were used to test this model.The calculate result matches experiment data accurately.So the solubility of carbon dioxide in aqueous alkanolamine solutions using neural network is effective.

solubility of carbon dioxide;MDEA aqueous solutions;artificial neural networks;gas－liquid equilibrium

O621.12;TP18

A

1004－7050(2016)06－0070－04

10.16525/j.cnki.cn14－1109/tq.2016.06.21

2016－06－23

张 健，男，1982年出生，2010年毕业于华东理工大学化工工艺专业，硕士学位，现主要从事化工工艺设计工作。