利用基于PSO算法的径向基人工神经网络优化重催干气脱硫

范峥，田润芝，林亮，韩彦忠，郭阳，豆龙龙，景根辉，TYOORAgiDamian

（1西安石油大学化学化工学院，陕西西安710065；2西安长庆科技工程有限责任公司，陕西西安710018；3中国石油长庆油田分公司第十采油厂，甘肃庆阳745000）

近年来，随着国家环保要求日益严格，各石化企业都在大力推行节能降耗、提质增效等相关策略以更好地适应行业发展的新动向[1-6]。重催干气是催化裂化装置的副产物之一，可作为制氢原料或加热炉燃料使用。由于重催干气中的硫化氢含量较高，不但容易引起设备管道腐蚀与催化剂中毒，同时还会造成加热炉排放烟气硫含量超标，因此，在重催干气进入制氢装置或加热炉前必须对其进行脱硫处理[7-8]。然而，在实际生产中，重催干气进料状态受上游装置影响较大且波动频繁，使得操作参数调整优化响应明显滞后，直接导致了重催干气脱硫系统普遍存在能量消耗过大、脱硫效率不足且资源回收率偏低等诸多问题，是目前重催干气脱硫工艺亟需解决的关键问题之一。

一般来说，重催干气脱硫工艺主要分为干法脱硫和湿法脱硫两大类，湿法脱硫工艺是利用液体吸收剂脱除重催干气中的硫化氢，此工艺的脱硫效果虽然不如干法脱硫，但流程简单、操作方便、处理量大且投资运行费用低廉，在重催干气脱硫中应用最为广泛[9-13]。活化N-甲基二乙醇胺法作为湿法脱硫工艺的代表，与一乙醇胺法（MEA法）、二乙醇胺法（DEA法）、二甘醇胺法（DGA法）等常规醇胺法以及MDEA法等……