径向基神经网络预测天然气凝析油爆炸极限

发布时间：2021-01-08 21:23

　　为了对天然气凝析油爆炸极限进行准确预测,首先在不同组分含量和现场工况条件下测定了它的爆炸上、下限,并将此实验结果作为径向基人工神经网络训练、验证和测试的样本数据库,然后以天然气凝析油中的C₅、C₆、C₇、C₈、C₉⁺质量分数,气相中的O₂物质的量分数以及操作温度为输入信号,以爆炸上、下限为输出信号,建立了天然气凝析油爆炸极限预测模型。结果表明,当隐含层节点数为34时,7-34-2型径向基人工神经网络结构合理且准确度良好,经过2190次反复迭代后,该模型的均方误差0.0099小于允许收敛误差限0.0100,预测值和期望值近似呈线性,其在训练阶段、验证阶段与测试阶段的决定系数分别为0.9997、0.9998、0.9999,具有较高的相关性,同时,除了C₉⁺质量分数外,天然气凝析油中的C₅、C₆、C₇、C₈质量... 

【文章来源】：天然气化工（C1化学与化工）. 2020,45(05)北大核心

【文章页数】：6 页

【部分图文】：

径向基人工神经网络结构示意图

本文共采集了不同工况下的有效样本数据200组，具体详见图2。第1～100组随机数据用于输入径向基人工神经网络进行训练，而第101～200组随机数据作为验证和测试样本不参加训练。当径向基人工神经网络经过反复训练满足指定的容许收敛误差限后，将第101～160组随机数据输入训练好的人工神经网络来验证天然气凝析油爆炸极限预测模型的准确性与可靠性，若其仍然满足容许收敛误差限的相关要求，则继续将第161～200组随机数据输入径向基人工神经网络进行测试。2.2 隐含层节点数的确定

由于径向基人工神经网络隐含层非线性神经元和输出层线性神经元的模型各异且它们在网络中所起的作用亦有所不同，故隐含层节点数的确定一直以来都是决定径向基人工神经网络预测效果好坏的关键所在。本文在迭代次数上限为1000步、学习效率η1、η2分别取0.04和0.06的条件下，利用试凑法找出了径向基人工神经网络适宜的隐含层节点数，其结果如图3所示。由图3可知，当隐含层节点数为10时，径向基人工神经网络的均方误差高达54.6215，随着隐含层节点数的不断增加，模型的均方误差迅速降低，当隐含层节点数大于34时，均方误差降幅趋缓。隐含层节点数越多，天然气凝析油爆炸极限预测模型的计算结果越准确，但是，隐含层节点数的增加会提高径向基人工神经网络结构的复杂程度，导致人工神经网络的执行效率降低，因此，本文选择7-34-2型径向基人工神经网络结构进行后续的训练、验证和测试。


本文编号：2965322