CN111783315B - 基于数据驱动的燃料乙醇发酵罐早停止方法 - Google Patents
基于数据驱动的燃料乙醇发酵罐早停止方法 Download PDFInfo
- Publication number
- CN111783315B CN111783315B CN202010704674.5A CN202010704674A CN111783315B CN 111783315 B CN111783315 B CN 111783315B CN 202010704674 A CN202010704674 A CN 202010704674A CN 111783315 B CN111783315 B CN 111783315B
- Authority
- CN
- China
- Prior art keywords
- data
- fermentation
- early
- fermentation tank
- ethanol
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 title claims abstract description 170
- 238000000855 fermentation Methods 0.000 title claims abstract description 103
- 230000004151 fermentation Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000000446 fuel Substances 0.000 title claims abstract description 32
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 238000013499 data model Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000005265 energy consumption Methods 0.000 description 7
- 239000002028 Biomass Substances 0.000 description 6
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 241000235342 Saccharomycetes Species 0.000 description 2
- 230000031018 biological processes and functions Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000002551 biofuel Substances 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/20—Design reuse, reusability analysis or reusability optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Preparation Of Compounds By Using Micro-Organisms (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
Abstract
本发明涉及一种基于数据驱动的燃料乙醇发酵罐的早停止方法，通过对不同时刻不同罐次的发酵罐中乙醇含量的历史数据进行数据建模，根据拟合得到的过程相关数据模型找到发酵的早停点，从而使发酵罐运行能够早停止；根据得到的数学模型，找到最大值点或不再显著增长的点对应的发酵时间，即找到早停点，让发酵罐早停止。通过合理的发酵罐早停止，能够有效减少资源能源的消耗，提升发酵设备的利用率，提升企业效益。
Description
技术领域
本发明属于工业生物过程与自动化交叉领域，涉及在工业生物过程中，基于数据驱动的燃料乙醇发酵罐早停止方法。
背景技术
能源是经济和社会发展的基本动力。过去几十年里，尽管煤、石油和天然气的应用大大推动了世界经济的发展和人类社会的进步，但这些化石能源都不可再生，无法实现可持续发展。同时，化石能源的使用对环境污染和全球气候的影响日趋严重。
生物质能是以生物质为载体的能量，即蕴藏在生物质中的能量，是绿色植物通过叶绿素将太阳能转化为化学能而贮藏在生物质内部的能量形式。以生物质为原料的燃料乙醇是生物质能中最主要的能源之一，具有辛烷值高、燃烧充分、尾气中污染物含量低等特点。按照国家相关规划，添加了燃料乙醇的车用乙醇汽油将在全国推广使用，配套的燃料乙醇产量将迅速增长。燃料乙醇不仅可以直接用作燃料，而且还可广泛应用于电力、医疗、化工等领域。作为新的替代能源，燃料乙醇的研究和应用已被许多国家摆到了重要的战略地位。生物燃料乙醇的生产工艺涉及原料预处理、发酵、蒸馏和脱水等过程，其中发酵是酵母菌将葡萄糖代谢为乙醇的生物反应过程，是整个生产工艺的核心环节。
燃料乙醇生产正朝着大型化、连续化方面发展，发酵罐容积不断增大，其生产技术与工艺的研究和改进受到了高度重视。随着生产设备的大型化，其能耗较大的问题也逐渐明显，如何在一定程度上实现节能，缩短发酵周期起到降低生产成本、减少能耗、提高效率，是一个重要的发展方向。在发酵过程中，当原料消耗完毕，乙醇的含量将不再增长，如果能够及时的早停止，在乙醇含量不再增长的时刻就停止发酵罐的运行，那么将大大缩短无效的发酵时间，降低生产运行的能耗，提升设备的利用率。
发明内容
本发明目的是利用燃料乙醇发酵的过程数据，基于数据驱动的燃料乙醇发酵罐早停止方法，通过对不同时刻不同罐次的发酵罐中乙醇含量的历史数据进行数据建模，观察其离散分布情况，再选择合适的连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系，用解析表达式逼近离散数据。拟合得到一个发酵过程相关的数学模型，找到乙醇含量最大值点或不再显著增长的点对应的发酵时间，即找到早停点，让发酵罐早停止。从而在保证燃料乙醇产量与质量的同时，有效缩短发酵周期，减少生产设备的运行能耗，提升设备的利用率，降低企业生产成本。
本发明的具体技术方案是：基于数据驱动的燃料乙醇发酵罐早停止方法，通过对不同时刻不同罐次的发酵罐中乙醇含量的历史数据进行数据建模，根据拟合得到的过程相关数据模型找到发酵的早停点，从而使发酵罐运行能够早停止，减少无效的发酵时间；其中，数据建模所选取的过程数据为在不同罐次下不同发酵时间的乙醇含量，以发酵时间作为自变量，乙醇含量作为因变量；自变量为发酵时间t，因变量为发酵罐中的乙醇含量y。这样一组数据对即为(t,y)；
采集发酵罐样本数据，构建乙醇含量随时间的数据模型，假设建模数据有m个罐次，发酵时间点选取n个，那么相应地一共有m×n个数据样本点；根据多个罐次的训练数据样本对的离散分布情况，用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系，用解析表达式逼近离散数据；将残差平方和与adj.R2作为衡量模型拟合程度的指标，反应拟合结果的好坏，残差平方和越小越好，adj.R2越接近1越好；依此找到乙醇含量不再变化或不再显著变化的第一个点，即确定的早停点；按照该早停点对应的时间点，停止发酵罐的运行。
1.建模变量的选取
发酵是酵母菌将葡萄糖代谢为乙醇的生物反应过程，当原料消耗完毕，乙醇的含量将不再增长，如果能够及时的早停止，在乙醇含量不再增长的时刻就停止发酵罐的运行，那么将大大缩短无效的发酵时间，降低生产运行的能耗。本发明的特点是：利用燃料乙醇发酵的过程数据，观察其离散分布情况，再选择合适的连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系，用解析表达式逼近离散数据。对其进行数据建模，根据拟合得到的过程相关数据模型找到发酵的早停点，从而使发酵罐运行能够早停止。为此，基于以上分析说明，该基于数据驱动的燃料乙醇发酵罐早停止方法的建模变量选取为：自变量为发酵时间t，因变量为发酵罐中的乙醇含量y(g/100ml)。这样一组数据对即为(t,y)。
2.基于数据驱动的燃料乙醇发酵罐早停止方法
假设建模数据有m个罐次，发酵时间点选取n个，那么相应地一共有m×n个数据样本点。利用数学模型进行数据点的拟合，根据多个罐次的训练数据样本对的离散分布情况，用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系，用解析表达式逼近离散数据。将残差平方和与adj.R2作为衡量模型拟合程度的指标，反应拟合结果的好坏，残差平方和越小越好，adj.R2越接近1越好。在建立起数学模型之后，就可以依此找到乙醇含量不再变化或不再显著变化的第一个点，即确定的早停点。按照该早停点对应的时间点，停止发酵罐的运行，这样就有效缩短了后面无效的发酵时间，减少了生产设备的运行能耗，提升设备的利用率。
本发明通过拟合获得的数学模型对发酵罐的早停止点进行合理预测，以有效缩短发酵周期，减少生产设备运行能耗，提升设备的利用率。
附图说明
图1基于数据驱动的燃料乙醇发酵拟合曲线(二次多项式函数拟合)。
图2基于数据驱动的燃料乙醇发酵拟合曲线(Boltzmann非线性拟合)。
图3基于数据驱动的燃料乙醇发酵拟合曲线(DoseResp非线性拟合)。
具体实施方式
以下通过实施例对本发明作进一步说明：
1.建模变量的选取
目的是对发酵罐中的乙醇含量进行数据建模，因此选择发酵时间作为自变量，乙醇含量y(g/100ml)作为建模因变量。
2.基于数据驱动的燃料乙醇发酵罐早停止方法
2.1二次多项式模型拟合
根据训练数据样本对的离散分布情况，用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系，用解析表达式逼近离散数据。由历史数据点的离散分布情况，该具体实施方法中选择二次多项式y＝at2+bt+c进行数据拟合举例。二次多项式模型要确定的参数为a,b,c。对于变量乙醇含量y(g/100ml)采集14个罐次，发酵时间点选取3个，分别是发酵8、24、40小时，一共得到42个数据样本点。每个罐次都有三个发酵时间点的数据，根据三个发酵点的数据，每个罐次都能够拟合出单独的一条曲线，得到单独的数据模型，其具体的模型参数如下：
罐次1：y＝0.000527t2+0.20625t+3.18625
罐次2：y＝-0.00195t2+0.3t+3.655
罐次3：y＝-0.00504t2+0.46t+1.9125
罐次4：y＝0.19375t+4.1(二次项系数接近0)
罐次5：y＝-0.00301t2+0.39812t+1.6775
罐次6：y＝-0.00137t2+0.28312t+2.9225
罐次7：y＝-0.00437t2+0.43437t+1.795
罐次8：y＝-0.00424t2+0.41437t+1.95625
罐次9：y＝-0.0018t2+0.30687t+2.66
罐次10：y＝-0.00508t2+0.47687t+0.98
罐次11：y＝-0.00344t2+0.4t+2.02
罐次12：y＝-0.00391t2+0.41375t+2.01
罐次13：y＝-0.00398t2+0.4375t+1.405
罐次14：y＝0.00041t2+0.155t+4.67375
不区分罐次后，整体拟合得到的整个发酵罐的乙醇含量随时间变化得到二次多项式模型为：
y＝-0.00266t2+0.34857t+2.4967
残差平方和为7.26324，adj.R2为0.97886，说明曲线拟合良好。以上单独拟合得到的每条函数曲线和最终整合得到的过程相关的函数曲线都是完整的，由于发酵罐中的乙醇含量在葡萄糖消耗完后会处于一个不变的状态，即使发酵罐生产设备处在运行中，乙醇含量也不会再增加，所以当基于数据拟合得到的二次项函数达到最大值后，在发酵过程中后面是一条与时间无关的直线。根据拟合得到的二次多项式数学模型求得最大值点(66，13.91536)，基于数据驱动的燃料乙醇发酵拟合曲线如图1所示，数学模型为：
根据上述得到的数学模型，得到该发酵罐的早停止时刻是第66个小时。
在此基准模型的基础上，引入对模型参数的约束参数λ，来限定参数的有效范围，使得各参数范围在[(1-λ)a,(1+λ)a],[(1-λ)b,(1+λ)b],[(1-λ)c,(1+λ)c]之间时，数据模型才不会失效。在此实例中，设定λ＝±30％，因此参数的有效范围是a∈[-0.003458,-0.001862],b∈[0.243999,0.453141],c∈[1.74769,3.24571]。当处于在线过程时，获得在8、24、40时刻的乙醇含量分别为5.65(g/100ml)、9.1(g/100ml)、11.8(g/100ml)，已知这3个点拟合得到的二次多项式模型为y＝-0.00146t2+0.2625t+3.64375，当发酵过程到达第64个小时，收集到的真实乙醇含量为12.75(g/100ml)，为了使得拟合得到模型与真实值的误差最小，根据约束参数确定的有效参数范围进行不断逼近，得到最终的在线的二次多项式模型为y＝-0.00215t2+0.28785t+3.2，依照此模型确定出在线情况时早停止时刻为第67小时。
2.2 Boltzmann模型拟合
由历史数据点的离散分布情况，该具体实施方法中选择Boltzmann模型y＝A2+(A1-A2)/(1+exp((x-x0)/dx))进行数据拟合举例，基于数据驱动的方法有其他的数学模型也可以拟合不在此详述。Boltzmann模型有四个参数，但是其中两个是被推导的参数，因此真正要确定的参数只有A1,A2。对于变量乙醇含量y(g/100ml)采集14个罐次，发酵时间点选取3个，分别是发酵8、24、40小时，一共得到42个数据样本点。每个罐次都有三个发酵时间点的数据，根据三个发酵点的数据，每个罐次都能够拟合出单独的一条曲线，得到单独的数据模型，其具体的模型参数如下：
罐次1：y＝12.28+(4.87-12.28)/(1+exp((t-24.5625)/1.6))
罐次2：y＝12.53+(5.93-12.53)/(1+exp((t-21.89474)/1.6))
罐次3：y＝12.25+(5.27-12.25)/(1+exp((t-19.68201)/1.6))
罐次4：y＝11.85+(5.65-11.85)/(1+exp((t-24)/1.6))
罐次5：y＝12.79+(4.67-12.79)/(1+exp((t-21.44928)/1.6))
罐次6：y＝12.06+(5.1-12.06)/(1+exp((t-22.53786)/1.6))
罐次7：y＝12.17+(4.99-12.17)/(1+exp((t-20.19533)/1.6))
罐次8：y＝11.75+(5-11.75)/(1+exp((t-20.10762)/1.6))
罐次9：y＝12.06+(5-12.06)/(1+exp((t-22.15539)/1.6))
罐次10：y＝11.93+(4.47-11.93)/(1+exp((t-19.86481)/1.6))
罐次11：y＝12.52+(5-12.52)/(1+exp((t-20.96552)/1.6))
罐次12：y＝12.31+(5.07-12.31)/(1+exp((t-20.5368)/1.6))
罐次13：y＝12.53+(4.65-12.53)/(1+exp((t-20.70968)/1.6))
罐次14：y＝11.53+(5.94-11.53)/(1+exp((t-24.57931)/1.6))
不区分罐次后，整体拟合得到的整个发酵罐的乙醇含量随时间变化得到Boltzmann模型为：
12.40175+(4.61901-12.40175)/(1+exp((t-21.80334)/5.13658))
残差平方和为7.26324，adj.R2为0.9781，说明曲线拟合良好。以上单独拟合得到的每条函数曲线和最终整合得到的过程相关的函数曲线都是完整的，由于发酵罐中的乙醇含量在葡萄糖消耗完后会处于一个不变的状态，即使发酵罐生产设备处在运行中，乙醇含量也不会再增加，所以当基于数据拟合得到的函数不再显著增长时，可看成在发酵过程中后面是一条与时间无关的直线。Boltzmann拟合函数在65时刻以后乙醇增长缓慢且增幅越来越低，从65时刻到66时刻乙醇含量增幅接近0.0003，从66时刻到67时刻增幅接近0.0002。由拟合出的数学函数确定出发酵罐的早停止的时刻在65小时，与二次多项式函数拟合预测得到的早停点相近。基于数据驱动的燃料乙醇发酵拟合曲线如图2所示，数学模型为：
根据上述得到的数学模型，得到该发酵罐的早停止时刻是第65个小时。
在此基准模型的基础上，引入对模型参数的约束参数λ，来限定参数的有效范围，使得各参数范围在[(1-λ)A1,(1+λ)A1],[(1-λ)A2,(1+λ)A2]之间时，数据模型才不会失效。在此实例中，设定λ＝±30％，因此参数的有效范围是A1∈[3.233307,6.004713],A2∈[8.681225,16.122275]。当处于在线过程时，获得在8、24、40时刻的乙醇含量分别为5.65(g/100ml)、9.1(g/100ml)、11.8(g/100ml)，已知这3个点拟合得到的Boltzmann模型为y＝11.8+(5.65-11.8)/(1+exp((t-22.26087)/1.6))，当发酵过程到达第64个小时，收集到的真实乙醇含量为12.75(g/100ml)，为了使得拟合得到模型与真实值的误差最小，根据约束参数确定的有效参数范围进行不断逼近，得到最终的在线的Boltzmann模型为y＝12.75+(5.65-12.75)/(1+exp((x-22.5)/4.8))，从65小时到66小时，乙醇含量增长幅度为0.000191(g/100ml)，从66小时到67小时，乙醇含量增长幅度为0.000155(g/100ml)，从67小时到68小时，乙醇含量增长幅度为0.000126(g/100ml)，从68小时到69小时，乙醇含量增长幅度为0.0001(g/100ml)，依照此模型确定出在线情况时早停止时刻为第66小时。
Claims (8)
1.一种基于数据驱动的燃料乙醇发酵罐的早停止方法，通过对不同时刻不同罐次的发酵罐中乙醇含量的历史数据进行数据建模，根据拟合得到的过程相关数据模型找到发酵的早停点，从而使发酵罐运行能够早停止；其中，数据建模所选取的过程数据为在不同罐次下不同发酵时间的乙醇含量(t,y)，以发酵时间作为自变量，乙醇含量作为因变量；其中自变量为发酵时间t，因变量为发酵罐中的乙醇含量y；
采集发酵罐样本数据，构建乙醇含量随时间的数据模型，假设建模数据有m个罐次，发酵时间点选取n个，那么相应地一共有m×n个数据样本点；根据多个罐次的训练数据样本对的离散分布情况，用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系，用解析表达式逼近离散数据；将残差平方和与adj.R2作为衡量模型拟合程度的指标，反应拟合结果的好坏，残差平方和越小越好，adj.R2越接近1越好；依此找到乙醇含量不再变化或不再显著变化的第一个点，即确定的早停点；按照该早停点对应的时间点，停止发酵罐的运行。
2.根据权利要求1所述的基于数据驱动的燃料乙醇发酵罐早停止方法，其特征在于，由采集到的发酵罐历史数据的分布情况，乙醇发酵模型采用二次多项式模型进行拟合，即用y＝ax2+bx+c进行拟合，实例中拟合出的乙醇发酵数学模型为
在此基准模型的基础上，引入对模型参数的约束参数λ，来限定参数的有效范围，使得各参数范围在[(1-λ)a,(1+λ)a],[(1-λ)b,(1+λ)b],[(1-λ)c,(1+λ)c]之间。
3.根据权利要求2所述的基于数据驱动的燃料乙醇发酵罐早停止方法，其特征在于，约束参数λ根据实际过程进行取值，取值范围±10％～±60％。
4.根据权利要求3所述的基于数据驱动的燃料乙醇发酵罐早停止方法，其特征在于，设定λ＝±30％，参数的有效范围是a∈[-0.003458,-0.001862],b∈[0.243999,0.453141],c∈[1.74769,3.24571]；
当处于在线过程时，根据已经获得的数据点若想要预测早停点，则要在约束参数确定的有效参数范围内进行不断逼近，使得确定出的模型与真实值之间的误差最小；根据拟合出的数据模型，确定发酵罐的早停止时刻。
5.根据权利要求1所述的基于数据驱动的燃料乙醇发酵罐早停止方法，其特征在于，由采集到的发酵罐历史数据的分布情况，采用Boltzmann非线性曲线y＝A2+(A1-A2)/(1+exp((x-x0)/dx))进行拟合，拟合出的乙醇发酵数学模型为
残差平方和为7.26324，adj.R2为0.97831；在此基准模型的基础上，引入对模型参数的约束参数λ，来限定参数的有效范围，使得各参数范围在[(1-λ)A1,(1+λ)A1],[(1-λ)A2,(1+λ)A2]之间。
6.根据权利要求5所述的基于数据驱动的燃料乙醇发酵罐早停止方法，其特征在于，设定λ＝±30％，参数的有效范围是A1∈[3.233307,6.004713],A2∈[8.681225,16.122275]；当处于在线过程时，根据已经获得的数据点若想要预测早停点，则要在约束参数确定的有效参数范围内进行不断逼近，使得确定出的模型与真实值之间的误差最小；Boltzmann拟合函数在66时刻以后乙醇增长缓慢且增幅越来越低，确定出发酵罐的早停止的时刻在66小时。
7.根据权利要求1所述的基于数据驱动的燃料乙醇发酵罐早停止方法，其特征在于，由采集到的发酵罐历史数据的分布情况，采用DoseResp函数y＝A1+(A2-A1)/(1+10^((LOGx0-x)*p))进行拟合，拟合出的乙醇发酵数学模型为
残差平方和为7.26324，adj.R2为0.97831。
8.根据权利要求7所述的基于数据驱动的燃料乙醇发酵罐早停止方法，其特征在于，DoseResp拟合函数在66时刻以后乙醇增长缓慢且增幅越来越低，从65时刻到66时刻乙醇含量增幅接近0.00032，从66时刻到67时刻增幅接近0.00027。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010704674.5A CN111783315B (zh) | 2020-07-21 | 2020-07-21 | 基于数据驱动的燃料乙醇发酵罐早停止方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010704674.5A CN111783315B (zh) | 2020-07-21 | 2020-07-21 | 基于数据驱动的燃料乙醇发酵罐早停止方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783315A CN111783315A (zh) | 2020-10-16 |
| CN111783315B true CN111783315B (zh) | 2024-02-23 |
Family
ID=72764723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010704674.5A Active CN111783315B (zh) | 2020-07-21 | 2020-07-21 | 基于数据驱动的燃料乙醇发酵罐早停止方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783315B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113444843A (zh) * | 2021-06-09 | 2021-09-28 | 华东理工大学 | 燃料乙醇生产状态可视化在线监测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0271380A1 (fr) * | 1986-11-12 | 1988-06-15 | Institut National De La Recherche Agronomique (Inra) | Procédé de prévision et de contrôle en ligne des fermentations alcooliques |
| CN103617316A (zh) * | 2013-11-21 | 2014-03-05 | 北京工业大学 | 一种基于多核支持向量机的发酵过程动态预测方法 |
| WO2018055308A1 (fr) * | 2016-09-22 | 2018-03-29 | Weylchem Lamotte | Bioproduction d'acetaldehyde par reorientation du metabolisme fermentaire de s. cerevisiae |
-
2020
- 2020-07-21 CN CN202010704674.5A patent/CN111783315B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0271380A1 (fr) * | 1986-11-12 | 1988-06-15 | Institut National De La Recherche Agronomique (Inra) | Procédé de prévision et de contrôle en ligne des fermentations alcooliques |
| CN103617316A (zh) * | 2013-11-21 | 2014-03-05 | 北京工业大学 | 一种基于多核支持向量机的发酵过程动态预测方法 |
| WO2018055308A1 (fr) * | 2016-09-22 | 2018-03-29 | Weylchem Lamotte | Bioproduction d'acetaldehyde par reorientation du metabolisme fermentaire de s. cerevisiae |
Non-Patent Citations (1)
| Title |
|---|
| 张凤珊,孙振环.发酵过程控制的回归模型和过程预测.天津轻工业学院学报.2002,(02),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783315A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | The role of machine learning to boost the bioenergy and biofuels conversion | |
| Jiao et al. | Is green technology vertical spillovers more significant in mitigating carbon intensity? Evidence from Chinese industries | |
| Xu et al. | Assessing the development of China's new energy industry | |
| Huesemann et al. | A validated model to predict microalgae growth in outdoor pond cultures subjected to fluctuating light intensities and water temperatures | |
| Zhuang et al. | Economic analysis of cellulase production methods for bio-ethanol | |
| Drapcho et al. | Biofuels engineering process technology | |
| Geraili et al. | A modeling framework for design of nonlinear renewable energy systems through integrated simulation modeling and metaheuristic optimization: Applications to biorefineries | |
| CN104765346A (zh) | 一种炼油过程全流程建模方法 | |
| Cruce et al. | Driving toward sustainable algal fuels: A harmonization of techno-economic and life cycle assessments | |
| Hossain et al. | Optimization of CO2 biofixation by Chlorella vulgaris using a tubular photobioreactor | |
| Ahmadian-Moghadam et al. | Prediction of ethanol concentration in biofuel production using artificial neural networks | |
| Vikash et al. | Conceptual design of a lignocellulosic biorefinery and its supply chain for ethanol production in India | |
| Oehlschlaeger et al. | Prospects for biofuels: A review | |
| CN111783315B (zh) | 基于数据驱动的燃料乙醇发酵罐早停止方法 | |
| Pereira et al. | Framework based on artificial intelligence to increase industrial bioethanol production | |
| Parra-Ramírez et al. | Technical and economic potential evaluation of the strain Escherichia coli MS04 in the ethanol production from glucose and xylose | |
| Mirkouei et al. | Enhance sustainability benefits through scaling-up bioenergy production from terrestrial and algae feedstocks | |
| Ahmad et al. | A comprehensive machine learning-coupled response surface methodology approach for predictive modeling and optimization of biogas potential in anaerobic Co-digestion of organic waste | |
| Tizvir et al. | Optimization of biodiesel production from microalgae and investigation of exhaust emissions and engine performance for biodiesel blended | |
| Wang | Multicriteria sustainability ranking of biohydrogen systems | |
| Niaze et al. | Model construction and optimization for raising the concentration of industrial bioethanol production by using a data-driven ANN model | |
| Das et al. | Cost–benefit analysis of third-generation biofuels | |
| Collett et al. | Preliminary economics for hydrocarbon fuel production from cellulosic sugars | |
| Krasnorutskyу et al. | Economic spheres of the global biofuels market | |
| SCHENKEL | Energy as a driver for European agriculture and forest, bioenergy and bioproducts |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |