本文以催化裂化工艺为基础,探讨了催化裂化复杂反应体系建模的思路,重点对集总动力学模型进行了较为详细的综述。以多产异构烷烃催化裂化(MIP)工艺为研究对象,针对该工艺的技术特点,同时结合催化裂化反应机理,构建了饱和分、芳香分、胶质+沥青质、柴油、汽油、液化气、干气和焦炭8个集总的反应网络,推导出了集总动力学模型方程。结合大量的工业数据,分别采用遗传算法、模拟退火算法和粒子群算法优化求取了该集总模型的47个动学参数。计算结果表明,所求得的动力学参数较好地体现了催化裂化的反应规律;模型对产物分布预测计算的平均相对偏差均小于5%。三种算法针对多参数优化问题,均能展现较好的适应性,但是总体来说遗传算法在平均误差和误差分布方面都要优于粒子群算法和模拟退火算法,因此神经网络建模采用遗传算法的计算结果。为降低集总动力学模型预测产物分布的误差,选取主要的原料性质、催化剂性质以及操作条件共14个变量作为BP神经网络的输入层,集总模型计算获得的柴油、汽油、液化气、干气和焦炭收率的预测值和实际值之间的误差共5个变量作为BP神经网络的输出层,建立了 14-7-5结构的BP神经网络模型。结果表明结合神经网络和集总动力学模型构建的混合模型能进一步提高模型对产物分布的预测精度,为重油催化裂化过程的模拟优化提供了新的方向。