離開環流反應器的聚合物的密度和熔體指數的預測模型制造技術

本發明專利技術公開根據反應器中的操作條件預測聚合物的熔體指數和密度以及根據聚合物的熔體指數和密度預測反應器中的操作條件，以選擇對于獲得期望的產品規格所必需的操作條件的方法。

【技術實現步驟摘要】
【國外來華專利技術】離開環流反應器的聚合物的密度和熔體指數的預測模型本專利技術涉及一個或多個淤漿環流反應器中的烯烴單體的聚合以及用于根據反應 器中的操作條件預測聚合物的熔體指數和密度的模型。高密度聚乙烯(HDPE)最初是通過在作為所得聚合物的溶劑的液體中進行的加聚 而制造的。該方法很快被根據齊格勒或菲利浦斯的在淤漿條件下的聚合所替代。更具體地 說，淤漿聚合在管道環流反應器中連續進行。形成聚合流出物，該聚合流出物為懸浮在液 體介質中的顆粒聚合物固體物的淤漿，該液體介質通常為反應稀釋劑和未反應的單體(參 見，例如US-A-2，285，721)。必須將聚合物與包含惰性稀釋劑和未反應單體的液體介質分離 而不污染所述液體介質，使得所述液體介質可在進行最少的純化或者未進行純化的情況下 再循環回聚合區域。如US-A-3，152，872中所述，在淤漿環流反應器的一個或多個沉降腿中 收集聚合物和液體介質的淤漿，將所述淤漿周期性地從所述沉降腿排到閃蒸室中，由此以 間歇方式進行操作。雙環流系統是相當合意的，因為它們通過在各反應器中提供不同的聚合條件(通 常通過使一個反應器與另一個反應器的氫氣和共聚單體的量不同)而提供了制備高度定 制的聚烯烴的可能性。通過一個或多個輸送管線將聚合物產物從第一環流輸送到第二環 流。為了確保聚合物產物滿足級別要求，需要在聚合物制造期間以有規律的時間間隔 測量離開聚合物的密度和熔體流動指數。然而，在對聚合物進行取樣的時間和從實驗室獲 得其特性的時間之間存在約90分鐘的延遲。如果發現聚合物不合格，則需要降低若干小時 的產量的級別(declassify)。此外，需要改變操作條件并且待施加的修正的幅度和/或需 要改變的參數的性質不是顯而易見的。此外，對一個級別的特性例如密度的修正使其它特 性例如熔體指數改變。通常通過冗長的試錯法來獲得對修正不合格特性而不改變正確的特 性的聚合條件的相關變化的評價。由于在得到正確的規格之前探求正確的操作條件而通常 存在進一步的延遲。現有技術文獻W001/49751公開了在單獨或組合的氣相反應器中，在聚合條件下， 在氫氣、氧氣、惰性稀釋劑和鉻催化劑的存在下制造高密度聚乙烯或線型低密度聚乙烯的 方法，該方法具有對某些過程變量以及所制造樹脂的物理性質的在線控制。所述方法包括 使用用于推斷未連續測量的物理性質和過程變量的模型以及與控制所述性質和過程操作 條件相關的模型。過程變量的控制提供了生產速率和催化劑生產能力的最大化。現有技術文獻W000/22489公開了用于在線推斷和控制聚丙烯及其共聚物的物理 性質和化學性質的系統。所述系統包括用于推斷未連續測量的物理性質和化學性質的模 型，以及控制這些性質以及生產速率、反應介質密度和關注的其它過程變量的相關模型。所 述控制系統使生產速率和催化劑生產能力(yield)最大化。 現有技術文獻W097/26549公開了用于預測一種或多種聚合物性質的在線核磁共 振(NMR)系統和相關方法。使用神經網絡來開發除了關聯被操縱的NMR輸出之外還關聯過 程變量以預測聚合物性質的模型。在另一實施方式中，使用偏最小二乘回歸技術開發精確 度提高的模型。神經網絡技術或者偏最小二乘回歸技術可與所述的多模型或最佳模型選擇方案組合使用。所述聚合物可選自聚乙烯、聚丙烯、聚苯乙烯或乙丙橡膠。這些模型是靜態模型。因此，需要在開始聚合之前得到聚合物密度和熔體指數的精確估算值以設定過程變量。本專利技術的一個目的是開發能夠根據操作條件預測密度和熔體指數的模型。本專利技術的另一目的是使用該模型來確定對于同時得到所有期望的聚合物級別特性所必需的操作條件。本專利技術的另一目的是設計能夠恰當處理由于反應器中的產物混合而產生的強的 非線性、高度耦合的變量和動態效應的模型。本專利技術的進一步目的是使用所述模型優化聚合物生產。本專利技術的又一目的是制作(pr印are)將在聚合物產物偏離所需規格時人工施加 到操作條件上以便使該聚合物產物恢復到目標規格的修正表。通過本專利技術至少部分地實現這些目標中的任意一個。因此，本專利技術提供在齊格勒-納塔或茂金屬催化劑體系的存在下選擇反應器操作 條件以制造規定密度和熔體流動指數的均聚物或共聚物的方法，所述方法包括如下步驟a)選擇與反應器條件相關的η個輸入變量；b)定義如下通式的受約束神經網絡模型Cl = l/(l+exp(_(all*Xl+al2*X2+al3*X3+· · ·+bl)))C2 = 1/(1+exp (- (a21*Xl+a22*X2+a23*X3+· · · +b2)))C3 = 1/(1+exp (_(a31*Xl+a32*X2+a33*X3+· · · +b3)))...Res = 1/(1+exp (- (a (n+1)l*Cl+a(n+1)2*C2+a(n+1)3*3C3+· . · +b(n+1))))其中各Xi為η維歸一化輸入變量，各ai j和bi為數值系數，各Ci為中間函數，Res 為所得換算的(scaled)聚合物性質的估算值；c)對步驟b)的(n+1)2個ai j和(n+1)個bi參數進行調節，以使Res的誤差在合 適的約束條件下最小化，所述約束條件是通過等式或不等式而例如施加在Res上或者Res 的任何任意階偏導數上、或者ai j上或bi上、或者Xi上，或者Ci上或者其組合上，并且其 中偏導數是由方程得到的結果在有一個且只有一個變量改變無窮小階時的變化的量度；d)由步驟b)的方程對由所述操作條件得到的密度和熔體流動指數進行實時預 測，并且包括每當合適的時候，實時預測密度和熔體流動指數對任何變化著的輸入條件的 動態階越響應；e)對于2個輸入變量Xi和Xj (例如1_己烯和H2)的任意組合，在已知其它(n_2) 個變量(例如溫度和C2尾氣(off-gas))以及密度和熔體指數的期望值的情況下，推斷合 適的值；f)應用合適的混合規則以推斷離開所述反應器的產物的密度和熔體流動指數的 估算值，包括當另一反應器中形成的產物作為其中應用所述模型的反應器的輸入物存在時 的情況。對于密度和熔體指數建立單獨的神經元系統，由此對于這些變量中的每個變量重 復步驟c)。在本專利技術中，由此在聚合開始之前確定所有的輸入參數，然后人工設置這些參數。 如果需要修正，則該修正也使用相同的模型進行計算并且提供修正表。這些修正也是人工 施加的。在各反應器中，輸入條件(或操作條件)通常選自聚合溫度、反應器中的壓力、單 體、共聚單體、氫氣、催化劑、活化劑或反應添加劑、進料中或反應器體積中的濃度、催化劑 特征參數、生產速率、固體物濃度、和固體物停留時間。 典型的約束條件可由施加如下條件而得到-特定產物的特性，例如低熔體指數均聚物的密度；-在恒定熔體指數下，聚合物的密度相對于共聚單體濃度具有負的一階偏導數，但 是具有正的二階偏導數；-為了數值穩定性，aij和bi的平方和保持受到某一數值的約束；-觀察值和模擬(modelled)值之間的回歸應該具有1的斜率和0的截距；或者-所述約束條件可由本領域技術人員定義和施加在變量上的任何其它物理或數值 假設而得到。典型的動態響應可通過觀察各模擬變量對所述模型的單一變量的階梯變化(step modification)進行響應的瞬時演變來確定。典型地，大部分變量具有一階線本文檔來自技高網...

【技術保護點】
在齊格勒－納塔或茂金屬催化劑體系的存在下選擇雙環流淤漿反應器中的反應器操作條件以制造規定密度和熔體流動指數的均聚物或共聚物的方法，所述方法包括如下步驟：　　ａ）選擇與反應器條件相關的ｎ個輸入變量；　　ｂ）定義如下通式的受約束神經網絡模型：Ｃ１＝１／（１＋ｅｘｐ（－（ａ１１＊Ｘ１＋ａ１２＊Ｘ２＋ａ１３＊Ｘ３＋．．．＋ｂ１）））　　Ｃ２＝１／（１＋ｅｘｐ（－（ａ２１＊Ｘ１＋ａ２２＊Ｘ２＋ａ２３＊Ｘ３＋．．．＋ｂ２）））　　Ｃ３＝１／（１＋ｅｘｐ（－（ａ３１＊Ｘ１＋ａ３２＊Ｘ２＋ａ３３＊Ｘ３＋．．．＋ｂ３）））　　．．．　　Ｒｅｓ＝１／（１＋ｅｘｐ（－（ａ（ｎ＋１）１＊Ｃ１＋ａ（ｎ＋１）２＊Ｃ２＋ａ（ｎ＋１）３＊Ｃ３＋．．．＋ｂ（ｎ＋１））））　　其中各Ｘｉ為ｎ維歸一化輸入變量，各ａｉｊ和ｂｉ為數值系數，各Ｃｉ為中間函數，Ｒｅｓ為所得換算的聚合物性質的估算值；　　ｃ）對步驟ｂ）的（ｎ＋１）２個ａｉｊ和（ｎ＋１）個ｂｉ參數進行調節，以使Ｒｅｓ的誤差在合適的約束條件下最小化，這樣的約束條件是通過等式或不等式施加在Ｒｅｓ上或者Ｒｅｓ的任何任意階偏導數上、或者ａｉｊ上或ｂｉ上、或者Ｘｉ上、或者Ｃｉ上或者其組合上，并且其中偏導數是由方程得到的結果在有一個且只有一個變量改變無窮小階時的變化的量度；　　ｄ）由步驟ｂ）的方程對由所述操作條件得到的密度和熔體流動指數進行實時預測；　　ｅ）對于２個輸入變量Ｘｉ和Ｘｊ的任意組合，在已知其它（ｎ－２）個變量，以及密度和熔體指數的期望值的情況下，推斷合適的值；　　ｆ）應用合適的混合規則以推斷離開所述反應器的產物的密度和熔體流動指數的估算值，包括當另一反應器中形成的產物作為其中應用所述模型的反應器的輸入物存在時的情況，所述規則是通過假設各反應器是完全混合的，并且通過計算過去每個時刻反應器中存在的狀態的合適平均值而確定的。...

【技術特征摘要】
【國外來華專利技術】EP 2007-11-5 07120022.4在齊格勒-納塔或茂金屬催化劑體系的存在下選擇雙環流淤漿反應器中的反應器操作條件以制造規定密度和熔體流動指數的均聚物或共聚物的方法，所述方法包括如下步驟a)選擇與反應器條件相關的n個輸入變量；b)定義如下通式的受約束神經網絡模型C1＝1/(1+exp(-(a11*X1+a12*X2+a13*X3+...+b1)))C2＝1/(1+exp(-(a21*X1+a22*X2+a23*X3+...+b2)))C3＝1/(1+exp(-(a31*X1+a32*X2+a33*X3+...+b3)))...Res＝1/(1+exp(-(a(n+1)1*C1+a(n+1)2*C2+a(n+1)3*C3+...+b(n+1))))其中各Xi為n維歸一化輸入變量，各aij和bi為數值系數，各Ci為中間函數，Res為所得換算的聚合物性質的估算值；c)對步驟b)的(n+1)2個aij和(n+1)個bi參數進行調節，以使Res的誤差在合適的約束條件下最小化，這樣的約束條件是通過等式或不等式施加在Res上或者Res的任何任意階偏導數上、或者aij上或bi上、或者Xi上、或者Ci上或者其組合上，并且其中偏...

【專利技術屬性】
技術研發人員：安德烈萊瓦爾，
申請(專利權)人：道達爾石油化學產品研究弗呂公司，
類型：發明
國別省市：BE[比利時]