融合机理模型与智能模型的复杂过程混合建模研究

发布时间：2018-05-17 20:58

本文选题：混合模型 + 神经网络　；参考：《华东理工大学》2016年博士论文

【摘要】：复杂过程的建模方法主要包括机理建模,经验建模以及混合建模。混合建模技术将过程机理模型与经验模型进行有效地融合,在充分利用过程已知机理知识的情况下,同时利用经验模型对过程未知的机理知识进行有效地弥补。因为混合模型同时具备了机理模型与经验模型各自的优点,因此其具有巨大的应用价值,并且也引起了众多学者们地广泛关注。近年来,混合模型已经被成功地应用于过程建模、过程控制、过程优化、过程监控等众多领域。虽然混合建模技术已经取得了一定的成果,但其发展历程比较短、还存在诸多不足之处。针对复杂过程的各自特性,如何充分有效地利用过程的各种信息源,提高过程模型的整体性能,是混合建模的主要研究内容。本文针对化工以及工业生物复杂反应过程,根据过程的不同特性,研究对应的混合建模方法,并且将实验室混合模型校正到适用于工业过程的混合模型。本文的主要研究成果如下：(1)针对复杂反应过程反应速率机理模型缺失的情况,提出一种基于神经网络反应速率模型的混合动力学模型,并应用于对二甲苯(p-xylene, PX)氧化生成对苯二甲酸(Terephthalic acid, TA)的反应过程建模。利用神经网络模型建立PX氧化反应过程的反应速率智能模型；基于反应速率智能模型所预测的过程各反应物在不同反应时间下的反应速率,再与过程的机理模型(质量守恒方程)进行有效地融合,以此建立过程的混合模型。通过PX氧化反应在实验室半批式反应器得到的实验数据,对此混合模型进行验证,所建立的混合模型可以准确预测PX氧化反应过程中各反应物的浓度值随反应时间的变化情况。(2)针对复杂反应过程反应速率机理模型已知、但各反应因子对反应速率常数影响规律未知的情况,提出一种基于支持向量回归反应速率常数模型的嵌入式混合动力学模型,并应用于PX氧化生成TA的反应过程建模。针对过程动力学模型的反应速率常数存在难以确定以及不准确的问题,提出了一个两步参数优化法来对过程反应动力学模型的反应速率常数进行寻优；同时,考虑到过程机理模型中反应速率常数模型机理知识的欠缺,建立了过程反应因子与反应速率常数之间的智能模型,将此反应速率常数智能模型嵌入到过程的反应动力学模型中,再利用过程的质量守恒方程作为整个模型的基础模型,以此来建立整个过程的混合模型。将此方法应用于PX氧化反应过程,集中考虑了文献中常用的PX反应过程的三种动力学模型,分别使用神经网络模型与支持向量回归模型作为智能模型嵌入到这三种动力学模型中,以此建立了过程的六个嵌入式混合动力学模型,通过实验室半批式反应器的数据进行验证和对比,最终得到了效果最好、适用于PX氧化反应过程的嵌入式混合动力学模型。(3)针对复杂反应过程部分反应速率机理模型不准确、以及各反应因子对反应动力学参数影响规律未知的情况,提出一种基于双神经网络与机理模型混联的混合动力学模型,并应用于葡萄糖酸钠发酵过程建模。在葡萄糖酸钠发酵过程中,菌体生长的部分机理知识缺失导致过程机理模型中菌体生长速率模型不准确,为此,使用神经网络模型来建立菌体生长速率的智能模型；同时,在不同发酵批次下,存在模型失配的问题,即不同操作条件具有不同动力学参数,为此,使用三层前馈神经网络以及Alopex-差分进化算法相结合的方式建立过程的反应动力学参数模型。最后,将这两个神经网络模型与葡萄糖酸钠发酵过程的机理模型进行融合以此得到过程的混合模型。提出的过程混合模型解决了葡萄糖酸钠发酵过程机理模型所存在的两个问题,一是机理模型中部分机理知识缺失导致部分反应速率模型不准确的问题,二是发酵过程机理模型在不同批次下存在模型失配的问题。结果表明所建立的过程混合模型效果优于单一的机理模型以及单一的智能模型。(4)针对复杂反应过程的实验过程与工业过程存在较大差异的情况,提出一种从实验室混合模型到工业过程混合模型的校正模型,并将此校正模型应用于工业PX氧化生成TA的反应过程建模。由于PX氧化反应的实验过程与工业过程存在较大差异,当试图使用实验室混合动力学模型来模拟工业过程时,模型存在较大的预测误差。考虑使用神经网络校正模型来改进实验过程混合反应动力学模型的反应速率常数,使其可以更好的适用于工业过程。由于缺少完整的工业过程反应速率常数训练数据,设计了新的优化策略,使用遗传算法来调整神经网络的权值与阈值,以此来降低模型最后的输出误差。最终建立了适用于工业PX氧化反应过程的混合模型。结果表明,神经网络校正模型可以有效地对实验室动力学模型的参数进行校正,所建立的工业过程混合模型优于实验室过程混合模型,可以准确地预测工业PX氧化反应过程。
[Abstract]:In recent years , the hybrid model has been successfully applied to process modeling , process control , process optimization , process monitoring and so on .
A mixed model of the process is established based on the reaction rate of the reactants at different reaction times and the mechanism model of the process ( mass conservation equation ) based on the reaction rate intelligent model . The mixed model is validated by the reaction rate mechanism model of PX oxidation reaction .
At the same time , considering the deficiency of the mechanism knowledge of the reaction rate constant model in the process mechanism model , the intelligent model between the process response factor and the reaction rate constant is established , and the model of the whole process is established by using the mass conservation equation of the process as the basic model of the whole model .
In this paper , the model of model mismatch is established by combining the two neural network models with the mechanism model of the fermentation process of sodium gluconate .
【学位授予单位】：华东理工大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TQ018;TP18

【相似文献】