Оптимизация программирования температуры б ГХ

Оптимизация программирования температуры в ГХ. [c.331]

Систематическая последовательная оптимизация. В работе [13] описана процедура последовательной оптимизации программирования температуры в ГХ для систематического поиска оптимальной многосегментной программы. Эта процедура состоит из трех следующих стадий. [c.331]

Оптимизация программирования температуры в газовой хроматографии. [c.88]

В оптимизации программируемого анализа различают два аспекта. Первый — это оптимизация параметров программы. К их числу относятся начальные и конечные условия, форма программы и длительность сегментов (см. рис. 6.2), например скорость нагрева (при программировании температуры в ГХ) или наклон градиента при программировании элюента в ЖХ. Программируемый анализ почти всегда предусматривает изменение основных параметров в ходе анализа. Эти, а также ряд других параметров, например скорость потока и длина колонки, влияют на разделение, но на селективности (а) сказываются очень слабо (если это вообще происходит). Тем не менее [c.327]

Из приведенных в табл. 6.3 данных следует, что оптимизация селективности в ГХ с программированием температуры включает изменение неподвижной фазы (ее природы или состава). В связи с чем может потребоваться другая колонка или изменение основных (программных) параметров. Вполне понятно, что такое предложение является мало привлекательным, й поэтому оптимизация в ГХ с программированием температуры обычно ограничивается оптимизацией программы. [c.329]

В ЖХ с программированием элюента наиболее распространенным вторичным параметром, используемым для оптимизации селективности, является природа органического модификатора (или модификаторов), входящего в состав подвижной фазы. При этом возможен выбор различных модификаторов и их автоматическое программирование на коммерчески доступном оборудовании. Вследствие этого возможности управления селективностью разделения в ЖХ с программированием элюента гораздо выше, чем в ГХ с программированием температуры. [c.329]

А. Оптимизация селективности. Для оптимизации селективности в ГХ с программированием температуры изменяемым параметром служит состав или природа неподвижной фазы. Применительно к такому типу оптимизации симплекс-процедура представляется особенно неудачной, так как она требует большого числа экспериментов с применением различных неподвиж- [c.338]

Заключение. 1. Для оптимизации первичных параметров в ГХ с программированием температуры возможен выбор симплекс-процедуры. [c.339]

Поверхность отклика при оптимизации первичных (программных) параметров в ГХ с программированием температуры имеет менее складчатый характер, чем типичная поверхность отклика, получаемая при оптимизации селективности (см. разд. 5.1). Это увеличивает вероятность обнаружения глобального оптимума нри помощи симплекс-алгоритма. [c.339]

Оптимизация селективности в ГХ с программированием температуры требует применения различных неподвижных фаз или их смесей. [c.339]

Симплекс-оптимизация. Как и в ГХ с программированием температуры, применение симплекс-оптимизации в жидкостной хроматографии с программированием элюента является довольно простой процедурой. И для изократического, и для градиентного элюирования применима одна и та же методика оптимизации при условии правильного выбора критериев. [c.340]

Единый подход к решению широкого класса задач па разыскание экстремума функции большого конечного числа переменных дает теория динамического программирования Веллмана [7]. Сущность этой теории покажем на примере типичной задачи оптимизации, возникающей в химической технологии. Требуется найти оптимальный режим для последовательности N реакторов (или Л -стадийного аппарата), причем на каждой стадии варьируется М независимых переменных. Пронумеруем реакторы в обратном порядке, так что первый номер присваивается последнему, а N-й — первому по ходу потока реактору. Состояние потока на выходе п-го реактора обозначим индексом 71 в соответствии с этим исходное состояние потока обозначается индексом -/V 1 (рис. 1Х.З). Состояние реагирующего потока в общем случае описывается некоторым вектором X. Вектор X часто совпадает с вектором состава С в более сложных случаях, однако, компонентами вектора X могут быть, помимо концентраций ключевых веществ, также и температура потока, давление и пр. [c.381]

В такой формулировке задача синтеза — это задача нелинейного программирования с параметрами оптимизации Р к Т, критерием оптимизации 3 с Л т ограничениями типа равенств, которые решаются относительно зависимых температур потоков. Поэтому для решения задачи синтеза могут быть применены методы нелинейного программирования, которые позволяют найти т1п 3 по целочисленным параметрам Му, Р к по непрерывным параметрам Т. Назовем такой подход к решению задачи синтеза прямым подходом. [c.146]

Для того чтобы иметь широкие возможности применять наиболее подходящий математический метод оптимизации, необходимо на базе всех существующих (методы решения линейных и нелинейных уравнений, методы поиска, вариационные методы, дискретный принцип максимума Понтрягина, динамическое программирование, метод оврагов Гельфанда) методов оптимизации химикотехнологических комплексов и изучения устойчивости всего комплекса на внешние воздействия (колебания в сырье, температуре, давлении и пр.) разработать информационно-математическую систему. Эта система должна иметь средства для описания любого ХТК с желаемой степенью детализации, уметь выдавать сведения [c.157]

Для оптимизации эффективности колонки сначала осуществляется регулировка объемной скорости потока газа-носителя. Затем для оптимизации степени разделения регулируется скорость программирования (см. следующий раздел). И наконец, для обеспечения достаточной степени разделения для каждых пар, которые трудно разделить, выбирается начальная температура. [c.111]

После проверки адекватности полной математической модели исследуемому объекту (процессу) в цикле с ЭВМ следует провести оптимизацию математической модели любым из известных методов. К методам оптимизации относятся динамическое программирование, нелинейное программирование, принцип максимума и другие. Целью всех этих методов является нахождение оптимальных условий (температуры, давления, соотиошения компонентов в реакционной смеси, избирательности, продолл<ительности и т. д.) [c.44]

Задача теории конструирования реактора состоит в определении размеров реактора и количества используемого катализатора, необходимых для эффективного превращения в желательный продукт определенного количества вводимых исходных веществ. Этого можно достичь, если выбраны определенные условия, такие, как начальная температура, давление и концентрация исходных веществ, и определен тин используемого реактора. Например, реакторы для периодического или непрерывного процессов могут быть использованы в условиях, когда превращение осуществляется в изотермических или адиабатических условиях. Такие изменения условий проведения процесса определяют требования, предъявляемые к конструкциям, в результате чего размеры реактора будут оцениваться по-разному. Оптимальная конструкция должна быть наиболее экономичной с финансовой точки зрения. Для оптимизации конструкции могут быть использованы снециальные математические методы, такие, как теория динамического программирования, введенная Беллманом [1]. На практике окончательный выбор условий проведения процесса часто делается на основании только немногих вычислений конструкции реактора. Такие вычисления прямо зависят а) от имеющихся кинетических данных, б) от процессов массопередачи и в) от процессов теплопередачи. [c.390]

Повышение давления в общем ведет к увеличению плотности флюида, причем в критическом состоянии в фазе растворяется вещества больше. Процесс соответствует усиленному испарению при повышении температуры в газовой хроматографии. По этой причине значения удерживания с повышением давления в системе сильно снижаются (рис. ХП1.25). При повышении плотности от 0,1 до 0,8 г/см йг и соответственно коэффициент распределения Кг изменяются в данном случае примерно на четыре порядка. Поэтому программирование давления особенно эффективно для оптимизации анализа в методе флюидной хроматографии. [c.407]

Включение в систему устройств, позволяющих программировать условия разделения (температуру в ГХ, элюент в ЖХ), может оказаться полезным не только при оптимизации анализа с программированием (гл. 6), но и для обеспечения сканирующих ( разведочных ) режимов анализа неизвестных образцов (разд. 5.4). [c.363]

Особая группа задач оптимизации — задачи, в которых критерий оптимальности представляет собой не функцию, а функционал [см. раздел 13, обсуждение формул (13.26) — (13.27)]. Так бывает, если критерий зависит не от значений каких-то факторов, а от характера непрерывного изменения этих факторов например, если протекание переходного процесса определяется непрерывным изменением управляющего воздействия во времени, или если состав смеси на выходе из аппарата идеального вытеснения определяется профилем температуры по всей его длине. В таких задачах используют вариационные методы (вариационное исчисление, динамическое программирование, принцип максимума). [c.252]

После проверки адекватности полной математической модели исследуемому объекту (процессу) в цикле с ЭВМ следует провести оптимизацию математической модели любым из известных методов. К методам оптимизации относятся динамическое программирование, нелинейное программирование, принцип максимума и другие. Цель всех этих методов — нахождение оптимальных условий (температуры, давления, соотношения компонентов в реакционной смеси, избирательности, продолжительности и т. д.) проведения процесса в зависимости от общих технико-экономических показателей процесса. Обычно оптимальный режим находят в две ступени. Сначала определяют наилучшие условия процесса теоретически, исходя из его максимальной интенсивности, затем выбирают аппарат, позволяющий наиболее близко подойти к теоретическому оптимуму [91. [c.44]

В качестве примера задачи с четырьмя переменными рассмотрим оптимизацию степени превращения сернистого ангидрида путем подбора температур на входе в каждый из четырех слоев реактора SO2. Предполагается, что эти температуры можно свободно изменять. Хотя действующие в сернокислотном производстве теплообменники и ограничивают свободу выбора входных температур слоев, найденное оптимальное их распределение все же полезно сравнить с фактическим распределением. Это позволит определить, насколько производственный температурный режим далек от оптимального. Блок-схема процесса показана на фиг. 12.3а. Далее в этой же главе данная задача будет решена также методом динамического программирования. [c.285]

Время нонтактироВания,г оптимальные условия, используют все современные методы оптимизации динами-температуры программирование, принцип макси- [c.494]

Как правило, с уменьшением температуры разделение компонентов увеличивается, однако одновременно увеличивается продолжительность анализа. Поэтому, если нет возможности увеличить температуру, можно уменьшить количество НФ. В любом случае температура в колонке должна обеспечивать нахождение анализируемых компонентов в газовой фазе. Разделение смесей, кипящих в широком интервале температур, в изотермическом режиме весьма затруднительно. Компоненты, обладающие низким сродством к сорбенту, при высокой температуре быстро выйдут из колонки неразделенными, в то время как при низкой температуре компоненты с большим временем удерживания могут не выйти совсем. Для оптимизации анализа в этом случае часто применяют программирование температуры. Изменять температуру колонки в процессе анализа можно различным образом ступенчато, непрерывно, линейно или по какой-либо сложной зависимости. В современных газовых хроматографах для этой цели служат специальные устройства (программаторы температуры), управляющие температурным режимом в колонке во время анализа. При хроматографировании сложной смеси часто применяют линейное программирование. В этом случае задают постоянную скорость возрастания температуры (наприм ер, от 100 до 200 °С со скоростью 2°С/мин). При низких температурах из колонки выходят зоны слабо сорбирующихся компонентов, за которыми следуют зоны веществ со все возрастающим сродством к сорбенту. [c.625]

Л ожно выделить два тнпа задачи. В первом случае анализ должен быть выполнен на некоторой имеющейся в наличии колонке для нового разделения должны быть оптимизированы только температура колонки и объелшая скорость потока газа-носителя (возможно, программирование температуры колонки). Это довольно легко по сравнению со вторым случаем, где мы желаем сконструировать колонку и должны выбрать размер частиц насадки или внутренний диаметр колонки и длину колонки. Оптимальная колонка будет тогда эксплуатироваться при предопределенной температуре и объемной скорости потока газа-носителя, полученных во время процедуры оптимизации. [c.148]

Температурное программирование в газовой хроматографии имеет преимз щества с точки зрения оптимизации факторов размывания полосы и ввода образца. Предельная ошибка, связанная с вводом образца в изотермической хроматографии, равная VI2- Jn (см. разд. 24-4), становится равной при программировании температуры где изотермический удерживаемый объем, который соответствовал бы данному растворенному веществу в случае изотермического элюирования при начальной температуре. Существенно, что выражение для максимального объема пробы в хроматографии с температурным программированием включает величину Ут,. Это означает, что в этом типе хроматографии время ввода пробы и последующее время анализа действительно контролируются независимым образом [3]. Преимущества низкотемпературного ввода пробы при температурном программировании не влекут за собой недостатка значительного увеличения объема удерживания, характерного для изотермического процесса. [c.531]

Разрешение в ГХ, с программированием температуры улучшается с понижением программируемой скорости гт1Р), а также с понижением начальной температуры (Т",). Гиддингс [6] предложил, что при программируемом анализе время удерживания первого пика должно превышать мертвое время колонки по крайней мере в пять раз. Поскольку температура мало влияет на селективность в ГХ (см. разд. З.П), оптимизация программы по температуре может рассматриваться как оптимизация по разрешению, а не по селективности. [c.320]

Если программа оказывается оптимизированной таким образом, что все компоненты образца элюируются в оптимальных условиях, то вторичные параметры можно использовать для оптимизации селективности разделения. Однако изменение вторичных параметров может привести к необходимости реоптимн-зации основных параметров. Например, если при программировании температуры в ГХ селективность оказывается недостаточной, то для улучшения разделения можно выбрать другую неподвижную фазу. Однако параметры оптимизированной программы не могут быть перенесены без изменений на колонку с другой неподвижной фазой. Для оптимизации температурной программы применительно к этой новой неподвижной фазе может потребоваться по крайней мере еще один дополнительный эксперимент. [c.328]

Обсуждение. В работе [12] рассмотрена симплекс-оптимизация основных (программных) параметров в газовой хроматографии с программированием температуры, а авторами работы [13] выбран альтернативный метод последовательного поиска. Симплекс-метод пригоден для оптимизации ограниченного числа программных параметров, в то время как последовательный поиск был разработан для оптимизации многосег- [c.337]

Такой проблемы, в частности, не возникало при хроматографировании образца, на примере которого была проде.монстри-рована симплекс-программа [12]. Образец содержал лишь четыре компонента. Однако выбор такого образца для демонстрации применимости симплекс-оптимизации в ГХ с программированием температуры нельзя признать удачным, так как его можно хроматографировать непосредственно в изотермическом режиме при 70 °С. [c.338]

Результаты оптимизации входных температур слоев методом динамического программирования представлены в табл. 12.3. Приведены четыре таблицы, полученные поочередно справа налево. TABLE (1) для слоя 1 имеет только один вход, так как задана лишь одна начальная степень превращения. В крайней левой колонке, общей для всех четырех таблиц, указаны значения степени превращения X на входе. Каждая таблица содержит оптимальную входную температуру Т (1) для лоя I и соответствующие степени превращения на выходе Х(1), которые расположены против значений степени превращения на входе этого слоя Х(1 — 1), помещенной в крайней левой колонке. Стрелки в табл. 12.3 показывают, как найти степень превращения на выходе Х(1) для слоя I в [c.289]

При этом температура охлаждающей поверхности приближается к температуре смеси, что ведет к уменьшению проскальзывания из-за возрастания адгезии и трения и снижению местных перегревов и подвулканизации. Условия процесса приближаются к идеальным (изотермическим), одновременно уменьшается удельная мощность, температурный напор. Начиная с какого-то значения АГкрит, за счет нагрева циркулирующего теплоносителя начинает увеличиваться температура смеси. Таким образом, здесь нужно рассматривать задачу многофакторной оптимизации теплообмена при смешении, например, методами линейного программирования, с учетом определяющей роли в теплопередаче через стенку смесителя коэффициента аь [c.143]

Анализ параметрической чувствительности процесса по уравнениям регрессии показан на рис. 32—35. Расчеты сделаны для центра плана. Степень извлечения КаО и М 0 в раствор возрастает с увеличением температуры, продолжительности и нормы азотной кислоты (рис. 32—34). Зависимость степени извлечения МвО и К2О в раствор от концентрации азотной кислоты носит экстремальный характер (рис. 35). Значение экстремума (максимума) для степени извлечения КЮ равно в данных условиях (в центре плана) 91,0%, а М 0 — 93,0% при концентрации азотной кислоты 12,5%. Из приведенных данных следует, что при всех изученных условиях МщО быстрее извлекается из полигалита в раствор, чем К2О. Поэтому при установлении оптимальных условий процесса разло- жения полигалита азотной кислотой в качестве основного показателя была выбра11а степень извлечения КгО. В результате решения задачи оптимизации методом нелинейного программирования получено, что в изученном диапазоне изменения факторов наибольшая степень извлечения КгО в раствор (94,5%) достигается в следующих условиях концентрация НЫОэ 12,5%, норма НМОз —200% от стехиометрии, продолжительность взаимодействия — 20 мин. В этих условиях МвО практически полностью переходит в раствор. [c.188]

В работах [ 1, 2] описана стратегия использования методов нелинейного программирования при оптимизации коэффициентов единого уравнения состояния и характеристических параметров веществ критических температуры и плотности, фактора ацентричности. На основании изложенного в [I, 2 алгоритма разработан пакет прикладных программ, позволяющий на основе заданной экспериментальной информации уточнять коэффициенты обобщенного единого уравнения Старлинга ана и характеристические параметры ивдивидуальных веществ. Для чистых веществ могут быть использованы данные о плотности, изобарной теплоемкости и данные о давлении насыцения и ор-тобарических плотностях. Соответственно для смесей задаются данные о плотности, изобарной теплоемкости и о составе равновесных фаз. [c.42]

Арис [1, 2] дает введение к использованию динамического программирования для оптимизации дискретных и непрерывных процессов и рассматривает применение этого метода к широкому классу реакторов. Четкое описание способов использования классического вариационного исчисления для определения наилучшего распределения температур в реакторах с принудительным движением потока дано Катцем [5]. Катц показал, что применение динамического программирования к этой задаче приводит к дифференциальному уравнению в частных производных. Рассмотренные в предыдущей главе доклады Хорна посвящены применению градиентного [c.381]