优化的BP神经网络在煤热转化中的应用研究

发布时间：2021-01-07 17:15

　　基于我国能源消费结构的特点以及能源安全、环保的要求,煤炭及其副产物的高效清洁转化利用已成为必然趋势。但是煤热解、煤气化等热转化方式往往需要在高温高压等苛刻的条件下进行,同时由于煤炭组成结构复杂且反应影响因素众多,难以总结其反应规律。人工神经网络中的BP神经网络是具有很强的非线性的经验模型,但传统的BP神经网络有收敛速度慢、易陷入局部极小等缺陷。因此,本文采用多种方法优化BP神经网络,并建立基于BP神经网络的液化残渣催化气化模型和煤热解反应模型,为煤及其副产物转化过程的工艺设计与优化提供重要的参考和依据。在液化残渣催化气化模型中,选取催化剂相对分子质量、催化剂熔点、催化剂担载量和气化终温作为网络输入,选取气化率、最大气化速率和反应指数作为网络输出。首先对体系建立多输出预测模型,包括BP多输出预测模型、改进BP多输出预测模型和变激励函数多输出预测模型,几种模型预测样本各输出的平均误差均小于6%,有较好的预测效果。且对比三个模型发现,改进BP多输出预测模型和变激励函数多输出预测模型无论是收敛速度还是预测精度均优于BP多输出预测模型。之后建立了BP单输出预测模型并用权重分析法分析。通过模型分析... 

【文章来源】：西北大学陕西省 211工程院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

图４．３为预测样本的实验值与预测值对比图，网络通过对训练样本的学习，对担载??

４．３?Ｅｘｐｅｒｉｍｅｎｔａｌ?ａｎｄ?ｐｒｅｄｉｃｔｅｄ?ｖａｌｕｅ?ｏｆ?ｐｒｅｄｉｃｔｉｏｎ?ｓａ测样本中各考察因素的相对误差，气化率、最为４．１０％、５．３０％、２．８９％，所有样本中的最大预测模型有很好的预测能力，也证明ＢＰ神经表４．１?ＢＰ多输出预测模型预测样本误差绝对值??ｓｏｌｕｔｅ?ｅｒｒｏｒｓ?ｏｆ?ｐｒｅｄｉｃｔｉｏｎ?ｓａｍｐｌｅｓ?ｉｎ?ＢＰ?ｍｕｌｔｉｐｌｅ－ｏｕｔｐｕ预测样本相对误差（％）??样本一?样本二?３．８０?４．３９（％）?６．７３?３．％—ｉ）?５．１２?０．６６

图４．６为改进ＢＰ多输出预测模型训练样本预测值与实验值的对比情况，表示了网??络的训练结果，Ｈ个图的横坐标分别为气化率、最大气化速率Ｗ及反应指数的实验值，??纵坐标分别为气化率、最大气化速率１＾＾？及反应指数的预测值。由图可Ｗ看出，各样本数??据均落于对角线上或其附近，说明训练样本的预测值与实验值比较接近，建立的改进??ＢＰ多输出预测模型具有良好的学习效果，可Ｗ用该模型对残渣气化体系进斤预测。??２８??

【参考文献】：
期刊论文
[1]基于布谷鸟算法与BP神经网络的煤灰变形温度预测[J]. 沈铭科,黄镇宇,王智化,周俊虎.  燃料化学学报. 2014(12)
[2]基于灰关联和灵敏度的BP网络隐含层结构优化[J]. 张晓明,王芳,金玉雪,刘晓洋.  计算机测量与控制. 2014(09)
[3]一种黄金分割优化的极限学习机算法[J]. 金培源,高波涌,陆慧娟.  中国计量学院学报. 2014(02)
[4]汽车声品质的GA-BP神经网络预测与权重分析[J]. 高印寒,唐荣江,梁杰,赵彤航,张澧桐.  光学精密工程. 2013(02)
[5]半焦基催化剂裂解煤热解产物提高油气品质[J]. 王兴栋,韩江则,陆江银,高士秋,许光文.  化工学报. 2012(12)
[6]基于模拟退火PSO-BP算法的钢铁生产能耗预测研究[J]. 黄文燕,罗飞,许玉格,王志平.  科学技术与工程. 2012(30)
[7]BP神经网络样本数据预处理应用研究[J]. 朱庆生,周冬冬,黄伟.  世界科技研究与发展. 2012 (04)
[8]现代煤化工产业的现状及展望[J]. 张明.  化工机械. 2012(03)
[9]基于改进神经网络的煤灰熔点预测方法[J]. 吴小丽,丁维明.  工业控制计算机. 2011(05)
[10]样本数据预处理对基于BP神经网络的GPS高程拟合的影响[J]. 张昊,王琪洁,朱建军,张晓红.  大地测量与地球动力学. 2011(02)

博士论文
[1]煤液化残渣的组成结构分析和催化加氢[D]. 位艳宾.中国矿业大学 2013
[2]粒子群算法及其应用研究[D]. 雷开友.西南大学 2006

硕士论文
[1]液化残渣在CO2气氛下热转化特性热重研究[D]. 段林娥.西北大学 2015
[2]煤热解过程中热解气停留时间对热解产物的影响[D]. 陈昭睿.浙江大学 2015



本文编号：2962929