城市生活垃圾流化床焚烧过程酸性气体排放及其人工神经网络预测

发布时间：2020-07-31 15:49

【摘要】：焚烧技术是国际上普遍采用的垃圾处理技术之一，垃圾焚烧过程中产生的酸性气体污染问题已引起广泛关注。城市垃圾具有异比重、多组分、多颗粒尺度、多污染源、高水分、多着火点、多热值等特点，其流化床焚烧污染物排放是一个多变量非耦合的复杂系统，且反应时间长、惯性大，很难提出一个确定性的数学模型来描述和控制这一过程，而人工神经网络技术具有强大的捕捉非线性变化规律的能力，非常适合垃圾流化床焚烧污染物排放预测。本文研究主要包括以下几个方面：综述了国内外垃圾流化床焚烧技术的应用及发展状况，系统阐述人工神经网络模型及算法、国内外人工神经网络技术的最新研究进展；在φ150mm鼓泡流化床焚烧典型单组分及混合组分垃圾酸性气体排放特性试验中，研究床温、燃烧气氛等对酸性气体的影响及具体机理。在φ150mm鼓泡流化床焚烧典型组分垃圾试验中，研究了钙基脱硫剂使用效率以及钙基脱硫剂品种、粒径和Ca／S比对NO转变率的影响，阐述了钙基脱硫剂使NO转变率增加机理；建立了酸性气体的BP神经网络预测模型，介绍了模型结构、算法、节点激励函数、网络层数、学习精度、隐含层节点数、目标函数误差、初始的权值与阈值、学习速率的选取与设置；通过典型相关分析预测模型，研究参数输入变量与污染物排放输出变量之间的相关关系，并对分析结果进行显著性检验；通过主成分分析预测模型，得出模型各输入节点的方差贡献率，并以此简化模型结构；通过置信区间分析预测模型，得出模型预测结果的置信程度；分析比较了线性回归与BP神经网络模型的预测效果；分析探讨了网络泛化能力弱、局部极小点产生原因及改进措施、网络模型输入样本集大小、组织原则与方法，训练样本集和检验样本集的选取、预处理及选取合理性评判标准；利用范围广泛的代表性样本对训练后的模型进行反复检验，并详细考察模型对垃圾流化床焚烧酸性气体排放的主要影响参数的预测性能；通过分析二VA英和重金属的研究现状、机理、本文试验台与实际垃圾焚烧炉的差异，探讨了目前利用神经网络技术预测二VA英和重金属的可行性。
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2003
【分类号】：X705
【图文】：

训练样本,相关性

对于影响因素众多且相互关系异常复杂的系统，采用多元回归分析方法进行预测是不合适的，应选用BP神经网络理论。夸6.5BP神经网络模型预测结果的相关性分析标准的BP神经网络应用过程中，一般都将数据样本集分成训练样本集与检验样本集，其相应的处理过程分别称为训练过程和检验过程。对于BP神经网络的训练，最理想的情况是网络输出与训练目标相同，当然在实际过程中这一要求很难达到，而且也完全不必这样做，因为过高的精度往往会严重削弱网络的泛化能力，在训练时必须兼顾训练样本集和未参与训练的样本集因此在网络的训练过程中我们常常给出一定的误差范围，当他们之间的差别在误差范围之内时就认为两者是重合的。对于多输入多输出的大样本训练问题，如果逐个比较输出值与训练目标值，一则工作量大容易出错，二则容易造成网络的过度拟合，在实践中发现可以采用简单的一元回归方法，对神经网络的训练质量给出直观的评估。

检验样本,相关性