CN113222278A - 基于颗粒群优化超限学习机的危废配伍灰熔点预测方法 - Google Patents

基于颗粒群优化超限学习机的危废配伍灰熔点预测方法 Download PDF

Info

Publication number
CN113222278A
CN113222278A CN202110587386.0A CN202110587386A CN113222278A CN 113222278 A CN113222278 A CN 113222278A CN 202110587386 A CN202110587386 A CN 202110587386A CN 113222278 A CN113222278 A CN 113222278A
Authority
CN
China
Prior art keywords
hazardous waste
compatible
particle
melting point
learning machine
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.)
Pending
Application number
CN202110587386.0A
Other languages
English (en)
Inventor
王飞
张盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110587386.0A priority Critical patent/CN113222278A/zh
Publication of CN113222278A publication Critical patent/CN113222278A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/30—Administration of product recycling or disposal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation

Abstract

本发明公开了一种基于颗粒群优化超限学习机的危废配伍灰熔点预测方法，步骤包括：测定多组不同掺混比例下的每组危废配伍样品的配伍灰熔点以及每组样品中的每种危险废弃物的11种化学成分，获取超限学习机的模型输入输出变量；采用颗粒群算法优化超限学习机随机产生的输入层与隐藏层之间的连接权重和隐藏层神经元阈值，并以获取的模型输出输出变量建立最优的超限学习机神经网络模型；模型根据输入，预测输出多种危废配伍的灰熔点。本发明以反复实验总结的11种危废化学成分数据及危废配伍掺混比例为模型输入变量，并利用改进的颗粒群算法优化得到的超限学习机神经网络模型具有较高地危废配伍灰熔点预测精度。

Description

基于颗粒群优化超限学习机的危废配伍灰熔点预测方法
技术领域
本发明涉及危险废弃物配伍灰熔点预测技术领域，具体涉及一种基于颗粒群优化超限学习机的危废配伍灰熔点预测方法。
背景技术
我国每年产生的危险废弃物数量巨大、种类繁多，而回转窑焚烧技术是一种对物料适应性最强、处置相对彻底的处置方法。国内大部分危险废弃物综合处置中心在回转窑焚烧过程中普遍存在物料配伍不合理、结焦等许多共性的运行问题，尤其在回转窑的窑头处、窑内耐火材料、窑尾及二燃室底部等部位极易产生结焦问题，影响正常的生产运行。因此，入窑的多种危废配伍后灰熔点必须保持相对稳定，保证其灰熔点温度拨动在一定范围内。
由于多种危废配伍后直接测定其会熔点的分析测试周期多为8-10小时，难以满足回转窑实际运行过程中对于工况调整时间的要求。现阶段，危废综合处置中心多基于单一原始物料的灰熔点数据，采用线性回归的方法预测多种危废配伍灰熔点数值。但是由于不同危险废弃物存在化学组分的差异，多种危废配伍后存在复杂的交互反应，例如Na2O、CaO和SiO2在一定配比条件下会形成低温共熔体，其硅酸盐产物熔点仅为720℃，远低于各原始组分的熔点。多种危险废弃物在复杂多变的燃烧工况下会产生极其复杂的热化学反应，导致线型回归实验关系式计算配伍后灰熔点的误差较大，即使是在应用较为成熟的多煤种燃煤配伍领域其平均相对预测误差也超过70％。
随着计算机技术的不断发展，BP神经网络、遗传算法、广义回归神经网络等非线性模型已在灰熔点预测研究中取得了较好地效果。其中，超限学习机(ELM)是一种由新加坡南洋理工大学黄光斌教授提出的单隐层前馈式神经网络，相比于传统BP神经网络易陷入局部最优和学习速度慢的问题，超限学习机通过广义逆直接求得输出层权重的方式，在确保精度的同时提高了算法学习的速度。但是由于ELM的输入层和隐藏层之间的连接权重和隐藏层神经元的阈值时随机产生，导致该算法模型针对复杂性数据的预测精度和稳定性较差。综上，当前还没有一种能够精准预测多种危废配伍灰熔点的方法，以满足危险废弃物回转窑的实际生产需要。
发明内容
本发明以提升危废配伍灰熔点预测精度为目的，提供了一种基于颗粒群优化超限学习机的危废配伍灰熔点预测方法。
为达此目的，本发明采用以下技术方案：
提供一种基于颗粒群优化超限学习机的危废配伍灰熔点预测方法，包括如下步骤：
步骤S1，测定多组具有不同危废掺混比例的每组危废配伍样品的配伍灰熔点以及每组样品中的每种危险废弃物的11种化学成分，获取超限学习机的模型输入输出变量；
步骤S2，采用颗粒群算法优化超限学习机随机产生的输入层与隐藏层之间的连接权重和隐藏层神经元阈值，并以获取的模型输入输出变量建立最优的超限学习机神经网络模型；
步骤S3，所述超限学习机神经网络模型根据模型输入，预测输出多种危废配伍的灰熔点。
作为本发明的一种优选方案，所述步骤S1中，至少对30组具有不同危废掺混比例的每组危废配伍样品进行配伍灰熔点及危废化学成分测定。
作为本发明的一种优选方案，所要测定的11种化学成分分别为CaO、SiO2、Al2O3、Fe2O3、MgO、Na2O、K2O、TiO2、CuO、SO3和Cl。
作为本发明的一种优选方案，所述步骤S1中的所述掺混比例为每组所述危废配伍样品中的每种危险废弃物的含量百分比和/或掺混质量百分比或者为每组危废配伍样品中的每种化学成分的含量百分比和/或掺混质量百分比。
作为本发明的一种优选方案，所述灰熔点包括灰分的变形温度、软化温度、半球温度和流动温度。
作为本发明的一种优选方案，所述步骤S2中，采用所述颗粒群算法优化所述超限学习机随机产生的所述连接权重和所述阈值的方法包括：
步骤S21，将所述超限学习机随机产生的所述连接权重和所述阈值作为所述颗粒群算法中的颗粒，并初始化颗粒位置和颗粒速度；
步骤S22，确定所述超限学习机训练样本的均方根误差为所述颗粒群算法的适应度函数，并确定颗粒寻优参数和寻优范围；
步骤S23，输入模型样本数据，并以所述适应度函数计算颗粒的适应度值，得到颗粒的最优个体极值和颗粒群最优全局极值；
步骤S24，采用带自突变算子的改进非线性递减的动态惯性权重策略迭代更新颗粒速度和位置；
步骤S25，判断颗粒训练是否达到最大迭代次数或者颗粒寻优误差是否小于阈值误差，若是，则停止迭代，输出颗粒寻找到的最优的所述连接权重和所述阈值；
若否，则返回所述步骤S23继续迭代寻优。
作为本发明的一种优选方案，所述步骤S24中，通过以下公式(1)和公式(2)更新颗粒的速度和位置：
Figure BDA0003088162710000031
Figure BDA0003088162710000032
公式(1)和公式(2)中，
Figure BDA0003088162710000033
表示m+1次迭代对应的颗粒速度；
w表示惯性权重；
Figure BDA0003088162710000034
表示m次迭代对应的颗粒速度；
c1、c2表示颗粒的学习因子；
t1、t2、t3为两个取值范围在(0,1)的随机数；
Figure BDA0003088162710000035
分别表示m次迭代后的颗粒最优个体极值和颗粒群最优全局极值；
Figure BDA0003088162710000036
表示m次迭代后的颗粒位置；
Figure BDA0003088162710000037
表示m+1次迭代后的颗粒位置；
δ为突变系数；
α为解空间随机位置。
作为本发明的一种优选方案，所述惯性权重w通过以下公式(3)计算而得：
Figure BDA0003088162710000038
公式(3)中，ws表示初始惯性权重；
we表示最大允许迭代次数的终止值；
f1为调节因子；
t表示当前迭代次数；
Tmax为最大迭代次数。
作为本发明的一种优选方案，c1＝c2＝2；所述最大迭代次数Tmax＝100；颗粒群规模M＝100；所述超限学习机神经网络模型的隐藏层节点数为15。
作为本发明的一种优选方案，所述超限学习机神经网络模型采用ELU激活函数。
本发明具有以下有益效果：
1、本发明以危废配伍中的11种主要化学成分数据、危废配伍的掺混比例以及四个特征灰熔点(变形温度、软化温度、半球温度、流动温度)作为颗粒群算法优化的超限学习机神经网络模型的模型输入输出变量，在建模过程中充分考虑了高硫高氯的危险废弃物对配伍灰熔点的影响，提升了超限学习机神经网络模型对于危废配伍灰熔点的预测精度。
2、经颗粒群算法优化的超限学习机神经网络模型预测的四个特征灰熔点数据能够精确指导回转窑不同部位的运行工况，有利于减少回转窑出现结焦、结渣等现象。
3、本发明采用带自突变算子的改进非线性递减的动态惯性权重策略更新颗粒群算法中的颗粒速度和位置，惯性权重w在颗粒迭代早期取较大值，避免了算法陷入局部极值，保持了颗粒较强地全局搜索能力，同时在迭代晚期取较小地惯性权重以增强颗粒的局部搜索能力；其次设计自突变算子用于颗粒搜索过程，扩大颗粒的搜索范围，提高颗粒群优化算法跳出局部最优的能力，从而在加快算法收敛速度的同时，还有利于进一步提升危废配伍灰熔点的预测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的基于颗粒群优化超限学习机的危废配伍灰熔点预测方法的实现步骤图；
图2是本发明利用颗粒群算法优化超限学习机的输入层与隐藏层之间的初始连接权重和隐藏层神经元阈值的方法步骤图；
图3是本发明一实施例提供的危废配伍灰熔点预测方法的流程图；
图4是经颗粒群算法优化后的超限学习机神经网络模型的结构示意图；
图5是模型训练样本的均方根误差随颗粒迭代次数变化的示意图；
图6是模型分别以训练组、验证组、训练组及整体样本中的数据对危废配伍灰熔点的预测结果图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的基于颗粒群优化超限学习机的危废配伍灰熔点预测方法，如图1和图3所示，包括如下步骤：
步骤S1，利用灰熔点测定仪对多组(优选为至少30组)不同危废(危险废弃物)掺混比例下的每组危废配伍样品进行配伍灰熔点测定，并利用X射线-荧光光谱仪对每组危废配伍样品中的每种危险废弃物进行11种化学成分数据测定，测得的11种化学成分数据、每组危废配伍样品中的危废掺混比例作为超限学习机的输入变量，测得的每组危废配伍样品的配伍灰熔点作为超限学习机的输出变量；
本发明经过反复实验总结发现，CaO、SiO2、Al2O3、Fe2O3、MgO、Na2O、K2O、TiO2、CuO、SO3和Cl这11种化学成分对危废配伍灰熔点的影响最大，所以步骤S1中的危废化学成分测定对象为这11种化学成分。
不同的危废掺混比例或者说不同的化学成分掺混比例以及不同的掺混质量都会影响危废配伍样品的灰熔点，所以本发明将危废配伍样品的掺混比例同样作为超限学习机的其中一个输入变量。
本实施例中，掺混比例为每组危废配伍样品中的每种危险废弃物的含量百分比、掺混质量百分比或者为每组危废配伍样品中的每种化学成分的含量百分比、掺混质量百分比。
本实施例中，配伍灰熔点包括配伍灰分的变形温度、软化温度、半球温度和流动温度。
步骤S2，采用颗粒群算法优化超限学习机随机产生的输入层和隐藏层之间的连接权重和隐藏层神经元阈值，并以获取的模型输入变量和模型输出变量建立最优的超限学习机神经网络模型；
步骤S3，超限学习机神经网络模型根据模型输入，预测输出多种危废配伍的灰熔点。
经颗粒群算法优化后的超限学习机神经网络模型的模型结构如图4所示，该模型分为输入层、隐藏层和输出层，模型采用ELU(Exponential Linear Units)激活函数，ELU激活函数通过以下公式(1)表达：
Figure BDA0003088162710000061
ELM是一个单隐藏层神经网络，对于有N个任意样本(Ai，bi),其中Ai＝[ai1,ai2,…,ain]T∈Rn,bi＝[bi1,bi2,…,bin]T∈Rm。R表示实数集。隐藏层的神经元个数假设为M个(本实施例在构建超限学习机神经网络模型时，M取1-30个)。隐藏层含有M个神经元的单隐藏层神经网络可通过以下公式(2)表达：
Figure BDA0003088162710000062
公式(2)中，Wi＝[wi1,wi2，…，win]T为网络输入权重；
βi为网络输出权重；
δi为隐藏层的第i个神经元偏置；
tj为网络输出；
wiai表示wi和ai的内积；
h(x)表示激活函数；
i表示隐藏层中的第i个神经元；
j表示第j个样本；
N表示样本总量。
为达到最佳训练效果，需得到Wi、βi和δi相对应的模型最优参数
Figure BDA0003088162710000063
和
Figure BDA0003088162710000064
使得下式(3)成立：
Figure BDA0003088162710000065
公式(3)中，H是网络隐藏层输出，T是网络期望值，i＝1，....，M，进而可等价为最小损失函数E表达如下：
Figure BDA0003088162710000071
训练ELM网络模型可以转化为求解线性方程Hβ＝T，输出权重β可以被唯一确定：
Figure BDA0003088162710000072
其中，H′为矩阵H的广义逆。
针对超限学习机初始随机产生的输入层与隐藏层之间的连接权重和隐藏层神经元阈值可能导致的无效隐藏层节点，本发明利用颗粒群算法(PSO，Particle swarmoptimization)对其随机产生的连接权重和阈值进行优化。具体地，如图2和图3所示，优化超限学习机随机产生的连接权重和阈值的方法包括：
步骤S21，将超限学习机随机产生的输入层和隐藏层之间的连接权重和隐藏层神经元阈值作为颗粒群算法中的颗粒，并初始化颗粒位置和速度；
步骤S22，确定超限学习机训练样本的均方根误差(RMSE)为颗粒群算法的适应度函数，并确定颗粒寻优参数(主要包括颗粒训练的最大迭代次数Tmax、颗粒群规模M(本实施例中，颗粒群规模M优选为100)、颗粒的惯性权重w、颗粒的学习因子c1、c2)和寻优范围；
本实施例中，均方根误差通过以下公式(6)计算而得：
Figure BDA0003088162710000073
公式(6)中，N表示样本数量；
i表示第i个模型样本；
yi表示模型的实际输出值；
Figure BDA0003088162710000074
表示模型的实际输出值。
步骤S23，输入模型样本数据，并以步骤S22确定的适应度函数计算颗粒的适应度值，得到颗粒的最优个体极值和颗粒群最优全局极值；
步骤S24，采用改进非线性递减的动态惯性权重策略迭代更新颗粒速度和位置，更新方式可通过以下公式(7)和公式(8)表达：
Figure BDA0003088162710000075
Figure BDA0003088162710000076
公式(7)和公式(8)中，
Figure BDA0003088162710000077
表示m+1次迭代对应的颗粒速度；
w表示惯性权重；
Figure BDA0003088162710000081
表示m次迭代对应的颗粒速度；
c1、c2表示颗粒的学习因子；优选地，c1＝c2＝2；
t1、t2、t3为三个取值范围在(0,1)的随机数；
Figure BDA0003088162710000082
分别表示m次迭代后的颗粒最优个体极值和颗粒群最优全局极值；
Figure BDA0003088162710000083
表示m次迭代后的颗粒位置；
Figure BDA0003088162710000084
表示m+1次迭代后的颗粒位置；
δ为突变系数(即自突变算子)；优选地，δ＝2；
α为解空间随机位置。
优选地，惯性权重w通过以下公式(9)计算而得：
Figure BDA0003088162710000085
公式(9)中，ws表示初始惯性权重；
we表示最大允许迭代次数的终止值；
f1为调节因子；
t表示当前迭代次数；
Tmax为最大迭代次数，本实施例中，Tmax优选＝100。
步骤S25，判断颗粒训练是否达到最大迭代次数或者颗粒的寻优误差是否小于阈值误差，
若是，则停止迭代，输出颗粒寻找到的最优的输出层与隐藏层之间的连接权重和隐藏层神经元阈值；
若否，则返回步骤S23继续迭代寻优。
通过以上步骤得到的最优颗粒位置即为超限学习机神经网络模型中对应的最优输入权重和隐藏层神经元阈值，将最优输入权重和最优阈值代入到超限学习机神经网络模型中，得到经颗粒群算法优化的最优超限学习机神经网络模型。图5示出了模型训练样本的均方根误差随颗粒迭代次数变化的示意图，由图5可以看出，随着颗粒迭代次数的增加，模型快速收敛，最终达到最小误差的要求，由此可见，该模型对不同掺混比例下的危废配伍灰熔点具有较高地预测精度。
以下对本发明实施例建立超限学习机神经网络模型的过程进行简要阐述：
首先，确定神经网络输入数据和期望输出数据，确定输入层、隐藏层和输出层的神经元个数、激活函数以及神经网络的输入权重、隐藏层权值阈值范围；
然后构建基于颗粒群算法优化的超限学习机神经网络初始模型，并确定模型迭代次数、群体规模、惯性权重和学习因子；然后再输入样本数据，并计算颗粒的适应度值，并通过带自突变算子的改进非线性递减的动态惯性权重策略通过多次迭代得到颗粒的个体最优和全局最优值，最后以颗粒最终寻找到的最优的连接权重和阈值去更新训练超限学习机初始模型，得到最终的经颗粒群优化的超限学习机神经网络模型。
图6a为模型以训练组中的样本数据对危废配伍灰熔点的预测结果图；图6b为模型以验证组中的样本数据对危废配伍灰熔点的预测结果图；图6c为模型以测试组中的样本数据对危废配伍灰熔点的预测结果图；图6d为模型以训练组、验证组、测试组混合后的混合样本对危废配伍灰熔点的预测结果图。从图6可以看出，经颗粒群优化的超限学习机神经网络模型对多种危废配伍灰熔点的预测准确率达到了98％以上。
以下以农药废物、染料及涂料废物和有机树脂类废物掺混得到的危废配伍样品为灰熔点预测对象为例，对本发明提供的基于颗粒群优化超限学习机的危废配伍灰熔点预测过程进行阐述：
首先测定三种危废(农药废物、染料及涂料废物、有机树脂类废物)中的每个危废的11种化学成分以及灰熔点，然后以不同的掺混比得到35组危废配伍样品，并测定每组危废配伍样品的灰熔点以及每组危废配伍样品中的各化学成分的含量百分比及掺混质量百分比。以所有组危废配伍样品中的化学成分、各化学成分的含量百分比、掺混质量百分比，危废掺混比例为模型输入变量，以灰熔点数据为模型输出变量，并利用颗粒群算法优化训练得到超限学习机神经网络模型，最终利用该模型预测危废配伍的灰熔点。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (10)

1.一种基于颗粒群优化超限学习机的危废配伍灰熔点预测方法，其特征在于，包括如下步骤：
步骤S1，测定多组具有不同危废掺混比例的每组危废配伍样品的配伍灰熔点以及每组样品中的每种危险废弃物的11种化学成分，获取超限学习机的模型输入输出变量；
步骤S2，采用颗粒群算法优化超限学习机随机产生的输入层与隐藏层之间的连接权重和隐藏层神经元阈值，并以获取的模型输入输出变量建立最优的超限学习机神经网络模型；
步骤S3，所述超限学习机神经网络模型根据模型输入，预测输出多种危废配伍的灰熔点。
2.根据权利要求1所述的危废配伍灰熔点预测方法，其特征在于，所述步骤S1中，至少对30组具有不同危废掺混比例的每组危废配伍样品进行配伍灰熔点及危废化学成分测定。
3.根据权利要求1所述的危废配伍灰熔点预测方法，其特征在于，所要测定的11种化学成分分别为CaO、SiO2、Al２O3、Fe2O3、MgO、Na2O、K2O、TiO2、CuO、SO3和Cl。
4.根据权利要求1所述的危废配伍灰熔点预测方法，其特征在于，所述步骤S1中的所述掺混比例为每组所述危废配伍样品中的每种危险废弃物的含量百分比和/或掺混质量百分比或者为每组危废配伍样品中的每种化学成分的含量百分比和/或掺混质量百分比。
5.根据权利要求1所述的危废配伍灰熔点预测方法，其特征在于，所述灰熔点包括灰分的变形温度、软化温度、半球温度和流动温度。
6.根据权利要求1所述的危废配伍灰熔点预测方法，其特征在于，所述步骤S2中，采用所述颗粒群算法优化所述超限学习机随机产生的所述连接权重和所述阈值的方法包括：
步骤S21，将所述超限学习机随机产生的所述连接权重和所述阈值作为所述颗粒群算法中的颗粒，并初始化颗粒位置和颗粒速度；
步骤S22，确定所述超限学习机训练样本的均方根误差为所述颗粒群算法的适应度函数，并确定颗粒寻优参数和寻优范围；
步骤S23，输入模型样本数据，并以所述适应度函数计算颗粒的适应度值，得到颗粒的最优个体极值和颗粒群最优全局极值；
步骤S24，采用带自突变算子的改进非线性递减的动态惯性权重策略迭代更新颗粒速度和位置；
步骤S25，判断颗粒训练是否达到最大迭代次数或者颗粒寻优误差是否小于阈值误差，
若是，则停止迭代，输出颗粒寻找到的最优的所述连接权重和所述阈值；
若否，则返回所述步骤S23继续迭代寻优。
7.根据权利要求6所述的危废配伍灰熔点预测方法，其特征在于，所述步骤S24中，通过以下公式(1)和公式(2)更新颗粒的速度和位置：
Figure FDA0003088162700000021
Figure FDA0003088162700000022
公式(1)和公式(2)中，
Figure FDA0003088162700000023
表示m+1次迭代对应的颗粒速度；
w表示惯性权重；
Figure FDA0003088162700000024
表示m次迭代对应的颗粒速度；
c1、c2表示颗粒的学习因子；
t1、t2、t3为三个取值范围在(0，1)的随机数；
Figure FDA0003088162700000025
分别表示m次迭代后的颗粒最优个体极值和颗粒群最优全局极值；
Figure FDA0003088162700000026
表示m次迭代后的颗粒位置；
Figure FDA0003088162700000027
表示m+1次迭代后的颗粒位置；
δ为突变系数；
α为解空间随机位置。
8.根据权利要求7所述的危废配伍灰熔点预测方法，其特征在于，所述惯性权重w通过以下公式(3)计算而得：
Figure FDA0003088162700000028
公式(3)中，ws表示初始惯性权重；
we表示最大允许迭代次数的终止值；
f1为调节因子；
t表示当前迭代次数；
Tmax为最大迭代次数。
9.根据权利要求8所述的危废配伍灰熔点预测方法，其特征在于，c1＝c2＝2；所述最大迭代次数Tmax＝100；颗粒群规模M＝100；所述超限学习机神经网络模型的隐藏层节点数为15。
10.根据权利要求1所述的危废配伍灰熔点预测方法，其特征在于，所述超限学习机神经网络模型采用ELU激活函数。
CN202110587386.0A 2021-05-27 2021-05-27 基于颗粒群优化超限学习机的危废配伍灰熔点预测方法 Pending CN113222278A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110587386.0A CN113222278A (zh) 2021-05-27 2021-05-27 基于颗粒群优化超限学习机的危废配伍灰熔点预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110587386.0A CN113222278A (zh) 2021-05-27 2021-05-27 基于颗粒群优化超限学习机的危废配伍灰熔点预测方法

Publications (1)

Publication Number Publication Date
CN113222278A true CN113222278A (zh) 2021-08-06

Family

ID=77098865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110587386.0A Pending CN113222278A (zh) 2021-05-27 2021-05-27 基于颗粒群优化超限学习机的危废配伍灰熔点预测方法

Country Status (1)

Country Link
CN (1) CN113222278A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108521114A (zh) * 2018-05-10 2018-09-11 四川大学 一种变压器中性点电容隔直装置的优化配置方法
CN110835568A (zh) * 2019-10-21 2020-02-25 杭州电子科技大学 一种用于危废处置的污泥衍生燃料制备方法
CN111353530A (zh) * 2020-02-24 2020-06-30 电子科技大学 一种基于超限学习机的频谱信道聚类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108521114A (zh) * 2018-05-10 2018-09-11 四川大学 一种变压器中性点电容隔直装置的优化配置方法
CN110835568A (zh) * 2019-10-21 2020-02-25 杭州电子科技大学 一种用于危废处置的污泥衍生燃料制备方法
CN111353530A (zh) * 2020-02-24 2020-06-30 电子科技大学 一种基于超限学习机的频谱信道聚类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王丽: "一种非线性改变惯性权重的粒子群算法", 《计算机工程与应用》 *
王越: "一种带变异算子的自适应惯性权重二进制粒子群优化算法", 《小型微型计算机系统》 *
钱剑杰 等: "含氟氯类危险废物焚烧灰渣的熔融特性研究", 《环境科学学报》 *

Similar Documents

Publication Publication Date Title
Liang et al. Application of BP neural network to the prediction of coal ash melting characteristic temperature
CN107016455B (zh) 循环流化床生活垃圾焚烧锅炉炉膛出口烟气含氧量的预测系统及方法
CN106931453B (zh) 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法
Yin et al. Methods to improve prediction performance of ANN models
Sun et al. Prediction of oxygen content using weighted PCA and improved LSTM network in MSWI process
Hu et al. Hybrid modeling and online optimization strategy for improving carbon efficiency in iron ore sintering process
CN101968832B (zh) 基于构造－剪枝混合优化rbf网络的煤灰熔点预测方法
Chen et al. Predictive modelling for the acid resistance of cement-based composites modified with eggshell and glass waste for sustainable and resilient building materials
CN111915080A (zh) 一种基于铁水质量约束的原燃料成本最优配比方法
Yang et al. Temperature prediction and analysis based on BP and Elman neural network for cement rotary kiln
Yu Recent advances in intelligent control systems
Zaman et al. Forecasting the strength of micro/nano silica in cementitious matrix by machine learning approaches
CN113049259B (zh) 台架控制系统的模糊控制方法、存储介质及设备
CN113222278A (zh) 基于颗粒群优化超限学习机的危废配伍灰熔点预测方法
Ji et al. Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate
CN112836902A (zh) 一种基于改进型bp神经网络的煤燃烧发热量预测方法
Feng et al. Fuzzy predictive temperature control for a class of metallurgy lime kiln models
Zou et al. An optimization control of thermal power combustion based on reinforcement learning
Sinha et al. Application of adaptive neuro-fuzzy inference system for evaluating compressive strength of concrete
CN113488111B (zh) 一种scr脱硝系统喷氨量优化建模方法
Hu et al. Dynamic Modeling Framework Based on Automatic Identification of Operating Conditions for Sintering Carbon Consumption Prediction
Milićević et al. Effects of biomass particles size and shape on combustion process in the swirl-stabilized burner reactor: CFD and machine learning approach
CN114186708A (zh) 基于pso-elm循环流化床机组so2浓度预测方法
CN113627064A (zh) 基于机理和数据混合驱动的辊道窑烧成带温度预测方法
Bıyıkoǧlu et al. Temperature prediction in a coal fired boiler with a fixed bed by fuzzy logic based on numerical solution

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210806