matlab实现数塔,DMTO工艺C4馏分年产9万吨2-丙基庚醇项目.pptx

“中国石化-三井化学杯”第六届全国大学生化工设计竞赛DMTO工艺C4馏分年产9万吨2-丙基庚醇项目DMTO craft C4 fraction to an annual output of 90,000 tons 2-propyl-1-heptanol projectCrazy-Coal 团队目录 Contents4.节能工艺 Energy Saving Technology1.项目背景 Background of Project8.项目总结 Project Summarization2.工艺流程 Technological process3.自动控制 Automatic control5.设备设计与选型 Equipment6. 厂区建设 Factory Construction7.经济分析 Economic Analysis1 项目背景Background of Project C4利用方案选择 Using scheme 2-丙基庚醇市场分析 Market C4资源 C4 resources1.11.31.21.1 C4资源 C4 resources石油化工 Oil DMTO煤制烯烃碳四馏分煤基混合C4馏分天然气化工Natural gas煤化工Coal1.2 C4利用方案选择 Using scheme裂解增产乙烯、丙烯生产甲乙酮煤基混合C4生产1-丁烯/1-己烯生产2-丙基庚醇1.3 2-丙基庚醇市场分析 Market增塑剂 Plasticizer2-丙基庚醇2-propyl-1-heptanol邻苯二甲酸二(2-丙基庚基)酯Bis(2-propylheptyl) phthalate邻苯二甲酸二辛酯 Dioctyl phthalateDOP2-PHDPHP1.3 2-丙基庚醇市场分析 Market2-丙基庚醇煤基混合C42 工艺流程 Technological process2.工艺流程 Technological process2 工艺流程 Technological process各工段具体流程 Specific processes工艺选择 Process selection流程改进 Process improvement工艺特点 Process characteristics环境保护 Environmental protection2.32.52.42.22.12.1 工艺选择 Process selection双釜串联工艺BASF2-PHDOW/Davy低压羰基化(LP Oxo)两段羰基化工艺中石化2.1 工艺选择 Process selection低压羰基化(LP Oxo)工艺两段羰基化工艺中石化DOW/DavyDOW/Davy中石化戊醛正异比25:150:1戊醛正异比高催化剂选择性好2-PH产品纯度高DOW/Davy中石化产品纯度>85%>95%2.2 流程改进 Process improvement有用组分: 91.85%剩余组分: 8.15%组分Constituent含量(%)ContentC30.04正丁烷4.43异丁烷0.16正丁烯22.122-丁烯63.51异丁烯6.221,3-丁二烯1.26C5+2.26组分Constituent含量Content正丁烯+2-丁烯≥50%其余不饱和烃<1%实际原料组成专利原料要求2.2 流程改进 Process improvement水蒸汽转化剩余组分有效利用其余不饱和烃含量高异戊醛提纯2.3 各工段具体流程(一) Specific processes水蒸汽转化工段ASPEN PLUS 工艺流程模拟ASPEN PLUS process simulation正、异戊醛精制工段羰基合成工段戊醛缩合加氢及2-PH精制工段变压吸附工段2.3 各工段具体流程(二) Specific processes第二羰基化反应器100℃,0.7MPa第一羰基化反应器70℃,0.7MPa 戊醛闪蒸罐 60℃,0.6MPa羰基合成工段Carbonyl synthesis section 原料闪蒸罐25℃,0.2MPa 铑-双亚磷酸酯2.3 各工段具体流程(三) Specific processes 正戊醛精馏塔 正、异戊醛分割塔 异戊醛精馏塔 正、异戊醛精制工段 Valeraldehyde& isovaleraldehyde refined section异戊醛经济效益提高4.2%2.3 各工段具体流程(四) Specific processes 戊醛缩合反应器0.1MPa,100℃戊醛缩合加氢及2-PH精制工段Valeraldehyde condensation hydrogenation and 2 - PH refined section2-PH 烯醛加 氢

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值