欧阳福生，游俊峰，方伟刚

(华东理工大学石油加工研究所，上海 200237)

催化裂化(FCC)过程能将大量重油高效转化为汽油、柴油、液化气和低碳烯烃，因而成为炼油工业举足轻重的二次加工工艺[1]。汽油清洁化要解决的关键问题是降低烯烃和硫含量，为此，在传统催化裂化工艺基础上，国内外开发了一些能够显著降低汽油中烯烃含量的衍生催化裂化工艺[2]。MIP工艺是最具代表性的工艺，它通过设置两个反应区，不仅能降低催化裂化汽油烯烃含量，还能够通过多产异构烷烃来减少汽油辛烷值损失，因而在工业上得到广泛应用。

鉴于FCC工艺在石油加工中的重要地位，对该过程的模拟优化一直受到广泛重视。自1960年代起，科技工作者就通过建立机理模型对FCC的生产进行优化。但因为FCC工艺各操作变量之间的高度非线性和强偶联，机理模型的精度受到较大影响[3]。

人工神经网络(Artificial Neural Network，ANN)的自适应、自组织、自学习和非线性拟合能力极强，因此，它在一些复杂工业过程得到了广泛的应用，尤其在化工领域[4-9]。BP神经网络属于按误差逆向传播的多层前馈网络。本研究以MIP工业装置的大量实时数据为基础，通过建立BP神经网络模型并结合遗传算法来实现主要产物收率的优化。

1 数据收集

2 变量相关性分析

为了尽可能降低神经网络输入变量的维数，以及满足后续优化工作的前提，必须保证输入变量之间不相关或者相关性较弱。相关性检验方法普遍采用Pearson相关系数法[10-11]，其数学表达形式为：