ANN模型对自热式固定床气化的动态过程预测

发布时间：2021-05-19 03:06

　　在考虑气化炉顶部温度、中部温度、底部温度、空气流速、蒸气流速、反应时间以及生物炭添加量等多参数的情况下,建立自热式固定床气化过程合成气动态神经网络模型,以实现对气化过程中的气体浓度（H₂, CH₄, CO, CO₂）动态过程预测.采用不同策略实现对网络参数选择与模型结构优化,同时通过嵌入适当数量的随机噪声来避免模型陷入局部最优.模型对气化过程中H₂浓度变化曲线的预测决定系数（R²）达到0.8646. 

【文章来源】：福州大学学报(自然科学版). 2019,47(05)北大核心

【文章页数】：6 页

【文章目录】：
0 引言
1 ANN模型与方法
2 生物质气化BP神经网络模型建立
    2.1 建模数据的筛选
    2.2 两种结构神经网络模型的建立
    2.3 神经网络模型的评价
3 生物质气化BP神经网络模型修正与预测
    3.1 模型结构与参数的修正
    3.2 实验结果与预测结果的比较
4 结语


【参考文献】：
期刊论文
[1]基于BP神经网络的生物质气化建模[J]. 刘军德,赵乘麟.  软件导刊. 2018(07)
[2]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)
[3]生物质气化过程的混合神经网络模拟[J]. 郭兵,唐松涛,吕子安,李定凯,沈幼庭.  太阳能学报. 2001(01)

硕士论文
[1]基于遗传算法与人工神经网络的加热炉建模方法研究[D]. 杨猛.中国科学技术大学 2017
[2]BP神经网络的改进研究及应用[D]. 马海志.东北农业大学 2015



本文编号：3194992