基于图卷积神经网络汽油单体烃辛烷值的预测

崔 晨，何 杉，吕文进，张霖宙，周 祥

(1.中国石化石油化工科学研究院，北京 100083；2.中国石油大学(北京)重质油国家重点实验室)

炼油厂调合汽油的部分关键性质，如辛烷值的非线性加和规律，给汽油调合过程计算优化造成了极大困难。随着车用汽油质量标准的不断提高，迫切需要准确的汽油调合模型来指导调合，合理利用高辛烷值组分，实现利润最大化。

传统上，汽油调合模型通常以组分汽油的宏观性质为基础[1]。随着分子管理概念的引入，研究者们开始建立分子级的汽油调合模型[2]。分子级的汽油辛烷值调合模型需要汽油的分子组成和各分子的辛烷值作为支撑。目前，详细的汽油单体烃组成可通过气相色谱法获取[3-4]，缺少检测条件时，也可以通过模拟的方式构建汽油烃组成[5]。但并非所有分子的辛烷值都能通过试验测定，目前仅有300余种纯化合物的辛烷值能查到试验值[6-8]。因此，研究者们开发了许多由分子结构预测分子性质的方法，这些方法被统称为结构性质定量关联(QSPR)模型[9]。其中，基团贡献法是一种常见的QSPR方法。Joback等[10]定义了41个基团来描述分子，并预测了单体烃的沸点、凝点、临界性质等11种重要的物理化学性质。Albahri[11]认为增加描述分子细节结构的基团，如双键的顺反构型和表示取代基位置的基团等，有利于提高辛烷值预测模型的精度，结果发现增加基团后的模型在预测单体烃的研究法辛烷值(RON)时效果更好，而在预测其马达法辛烷值(MON)时则反之；……