CN113657591A - 一种生物质焦气化反应特性的预测方法 - Google Patents
一种生物质焦气化反应特性的预测方法 Download PDFInfo
- Publication number
- CN113657591A CN113657591A CN202110860387.8A CN202110860387A CN113657591A CN 113657591 A CN113657591 A CN 113657591A CN 202110860387 A CN202110860387 A CN 202110860387A CN 113657591 A CN113657591 A CN 113657591A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- coke
- biomass
- gasification
- 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.)
- Granted
Links
- 239000000571 coke Substances 0.000 title claims abstract description 70
- 238000002309 gasification Methods 0.000 title claims abstract description 69
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 60
- 239000002028 Biomass Substances 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 45
- 239000002245 particle Substances 0.000 claims abstract description 44
- 238000004939 coking Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 21
- 239000011148 porous material Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000000197 pyrolysis Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 4
- 230000004580 weight loss Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 2
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical group O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 229910052783 alkali metal Inorganic materials 0.000 description 3
- 150000001340 alkali metals Chemical class 0.000 description 3
- 238000002411 thermogravimetry Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000009257 reactivity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/02—Investigating or analyzing materials by the use of thermal means by investigating changes of state or changes of phase; by investigating sintering
- G01N25/12—Investigating or analyzing materials by the use of thermal means by investigating changes of state or changes of phase; by investigating sintering of critical point; of other phase change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Of Solid Wastes (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供一种生物质焦气化反应特性的预测方法，包括以下步骤：步骤10)采集生物质焦气化反应的训练数据；步骤20)建立包含输入层、隐含层和输出层的BP神经网络模型，所述BP神经网络模型的输入参数为制焦温度、焦样比表面积和气化时间，输出参数为焦转化率；步骤30)采用训练数据训练所述BP神经网络模型，并采用粒子群优化算法优化BP神经网络模型，得到高预测精度的BP神经网络模型；步骤40)利用高预测精度的BP神经网络模型，预测得到生物质焦气化反应的焦转化率。本发明生物质焦气化反应特性的预测方法，能够对生物质焦空气气化反应过程进行高吻合度模拟，可准确预测生物质焦气化反应特性。
Description
技术领域
本发明属于生物质气化利用技术领域，具体涉及一种生物质焦气化反应特性 的预测方法。
背景技术
电力是我国能源系统实现碳中和的关键，而生物质能源技术在电力行业的 利用对于推动实现碳中和具有重要意义。生物质气化技术是一种有前途的利用 技术，不仅实现了生物质的高效清洁，还可以制备高品质的合成气。然而生物 质的气化过程十分复杂，大体分为热解、挥发分气化和焦炭气化3个阶段。焦 的气化属于气固异相反应，其反应速率远低于热解和挥发分气化，从而导致生 物质气化反应速率主要由焦的反应活性控制，而焦的活性主要由温度、时间以 及焦的孔隙结构决定。
生物质具有高灰分和高碱金属含量的特点，然而碱金属会对生物质热解气 化过程具有一定的催化作用，从而影响其反应速率。因此，很难用固定的数学 模型去预测其气化反应特性。人工神经网络模型完全不用考虑碱金属对生物质 气化特性的影响，只要有足够多的生物质气化数据，建立一个用于预测生物质 气化反应性的模型是完全可行。
目前已有一定的研究是利用BP神经网络模型预测生物质热解过程，但关于 生物质焦气化反应性的预测很少，且BP神经网络具有收敛速度慢，易陷入局部 极小等缺点，导致预测与实测数据有一定的误差。
发明内容
本发明所要解决的技术问题是：提供一种生物质焦气化反应特性的预测方法， 能够对生物质焦空气气化反应过程进行高吻合度模拟，可准确预测生物质焦气 化反应特性。
为解决上述技术问题，本发明提供一种生物质焦气化反应特性的预测方法， 包括以下步骤：
步骤10)采集生物质焦气化反应的训练数据；
步骤20)建立包含输入层、隐含层和输出层的BP神经网络模型，所述BP 神经网络模型的输入参数为制焦温度、焦样比表面积和气化时间，输出参数为 焦转化率；
步骤30)采用训练数据训练所述BP神经网络模型，并采用粒子群优化算 法优化BP神经网络模型，得到高预测精度的BP神经网络模型；
步骤40)利用高预测精度的BP神经网络模型，预测得到生物质焦气化反 应的焦转化率。
作为本发明实施例的进一步改进，所述步骤30)具体包括：
步骤31)获取BP神经网络模型的初始权值和初始阈值；
步骤32)初始化粒子群，每个粒子包含了BP神经网络模型的权值和阈值， 并给予随机的初始位置和初始速度；
步骤33)将训练数据中的条件数据输入到BP神经网络模型中，得到预测 数据；
步骤34)计算预测数据与训练数据中的输出数据之间的误差，利用式(1) 计算得到粒子的个体适应度值：
式中，F表示个体适应度值，Ypk表示期望输出值，Opk表示输出值，k表示 系数，m表示输出层节点数；
步骤35)确定粒子群的个体极值和群体极值，利用式(2)更新每个粒子的 速度，利用式(3)更新每个粒子的位置：
式中，
表示第i个粒子在k+1次迭代中的速度，
表示第i个粒子在k次 迭代中的速度，w表示惯性权重，c1表示第一学习因子，c2表示第二学习因子， r1和r2均表示0到1之间的随机数，
表示第i个粒子在k+1次迭代中的位置， 
表示第i个粒子在k次迭代中的位置，
表示个体极值，
表示全体极值；
步骤36)若满足结束条件，则输出权值和阈值，执行步骤37)；否则继续 执行步骤35)，在每一次迭代中，粒子跟踪个体极值和群体极值来实现自主更 新；
步骤37)将步骤36)输出的权值和阈值更新到BP神经网络模型中，将训 练数据中的条件数据输入到更新后的BP神经网络模型中，得到预测数据；如果 满足要求，则更新后的BP神经网络模型为合格的BP神经网络模型；否则执行 步骤34)。
作为本发明实施例的进一步改进，所述满足要求具体为：
利用式(4)计算得到拟合度：
式中，
表示预测值，yi表示实测值，R2表示拟合度；
如果拟合度大于0.99，则满足要求。
作为本发明实施例的进一步改进，所述步骤10)具体包括：
步骤101)选用均质的生物质为试验样品，干燥及筛分预处理后，在管式炉 不同制焦温度下进行热解气化试验，记录不同制焦温度下的气化时间；
步骤102)对得到的不同温度下试验样品的热失重曲线进行处理，并对数据 进行反应动力学参数计算，获得不同制焦温度下的焦转化率；
步骤103)对不同温度下的焦样的孔隙结构进行比表面积测试实验，得到了 不同制焦温度下的焦比表面积；
步骤104)利用焦的孔道结构分布来体现其气化特性的分布规律，将多个气 化试验得到的制焦温度、焦比表面积和气化时间构成训练数据的条件数据，多 个气化试验得到的焦转化率构成训练数据的输出数据。
作为本发明实施例的进一步改进，所述步骤10)还包括：
步骤105)利用式(5)对训练数据进行归一化处理：
式中，P1表示原训练数据，P表示归一化处理后的训练数据，Pmin表示预设最小 值，Pmax表示预设最大值。
作为本发明实施例的进一步改进，所述BP神经网络模型中，输入层和隐含层 之间的传递函数为tansig函数
隐含层和输出层之间的传递 函数为purelin型f2(x)＝x函数。
作为本发明实施例的进一步改进，所述步骤20)还包括：
根据输入参数的数量和输出参数的数量，利用式(6)计算得到隐含层的层 数：
式中，m表示隐含层的层数，n表示输入参数的数量，l表示输出参数的数 量，a表示一个从1到10的常数。
与现有技术相比，本发明的技术方案具有以下有益效果：本发明实施例提 供的生物质焦气化反应特性的预测方法，通过BP神经网络对生物质焦气化反应 的训练数据进行训练，并利用粒子群优化算法PSO优化BP神经网络模型，更 新BP神经网络模型的最优权值和阈值，从而减小BP神经网络模型的预测误差， 加强预测精度，使预测生物质焦气化活性更准确。
附图说明
图1为本发明实施例的生物质焦气化反应特性的预测方法的流程图；
图2为本发明实例1中糠醛渣在不同制焦温度下等温气化特性规律图；
图3为本发明实例1中糠醛渣焦比表面积、孔容随温度的变化规律图；
图4为本发明实例1中糠醛渣焦转化率实测值与预测值对比图；
图5为本发明实例1中预测值与实测值的回归线图。
具体实施方式
下面对本发明的技术方案进行详细的说明。
本发明实施例提供一种生物质焦气化反应特性的预测方法，如图1所示，包括 以下步骤：
步骤10)采集生物质焦气化反应的训练数据。
步骤20)建立包含输入层、隐含层和输出层的BP神经网络模型，所述BP 神经网络模型的输入参数为制焦温度、焦样比表面积和气化时间，输出参数为 焦转化率。
步骤30)采用训练数据训练所述BP神经网络模型，并采用粒子群优化算 法优化BP神经网络模型，得到高预测精度的BP神经网络模型。
步骤40)利用高预测精度的BP神经网络模型，预测得到生物质焦气化反 应的焦转化率。
本发明实施例的生物质焦气化反应特性的预测方法，通过BP神经网络对生 物质焦气化反应的训练数据进行训练，并利用粒子群优化算法PSO优化BP神 经网络模型，更新BP神经网络模型的最优权值和阈值，从而减小BP神经网络 模型的预测误差，加强预测精度，使预测生物质焦气化活性更准确。
优选的，如图1所示，所述步骤30)具体包括：
步骤31)获取BP神经网络模型的初始权值和初始阈值。
步骤32)初始化粒子群，每个粒子包含了BP神经网络模型的权值和阈值， 并给予随机的初始位置和初始速度。
步骤33)将训练数据中的条件数据输入到BP神经网络模型中，得到预测 数据。
步骤34)计算预测数据与训练数据中的输出数据之间的误差，利用式(1) 计算得到粒子的个体适应度值：
式中，F表示个体适应度值，Ypk表示期望输出值，Opk表示输出值，k表示 系数，m表示输出层节点数。
步骤35)每个粒子在解空间中迭代搜索，通过不断调整自己的位置来搜索 新解，从而确定粒子群的个体极值和群体极值，利用式(2)更新每个粒子的速 度，利用式(3)更新每个粒子的位置：
式中，
表示第i个粒子在k+1次迭代中的速度，
表示第i个粒子在k次 迭代中的速度，w表示惯性权重，c1表示第一学习因子，c2表示第二学习因子， r1和r2均表示0到1之间的随机数，
表示第i个粒子在k+1次迭代中的位置， 
表示第i个粒子在k次迭代中的位置，
表示个体极值，
表示全体极值。
步骤36)若满足结束条件，则输出权值和阈值，执行步骤37)；否则继续 执行步骤35)。每执行一次步骤35)，即完成一次迭代，在每一次迭代中，粒 子跟踪个体极值和群体极值来实现自主更新。
其中，结束条件为全局最佳适应度小于误差或迭代次数达到预设最大迭代 数。
步骤37)将步骤36)输出的权值和阈值更新到BP神经网络模型中，将训 练数据中的条件数据输入到更新后的BP神经网络模型中，得到预测数据。如果 满足要求，则更新后的BP神经网络模型为合格的BP神经网络模型；否则执行 步骤34)。
本发明实施例方法利用SPO算法更新BP神经网络模型的权值和阈值， 提高了BP神经网络收敛速度，克服了易陷入局部极小等缺点。
优选的，所述满足要求具体为：
利用式(4)计算得到拟合度：
式中，
表示预测值，yi表示实测值，R2表示拟合度。
如果拟合度大于0.99，则满足要求。
优选的，所述步骤10)具体包括：
步骤101)选用均质的生物质为试验样品，干燥及筛分预处理后，在管式炉 不同制焦温度下进行热解气化试验，记录不同制焦温度下的气化时间。
步骤102)对得到的不同温度下试验样品的热失重曲线进行处理，并对数据 进行反应动力学参数计算，获得不同制焦温度下的焦转化率。
步骤103)对不同温度下的焦样的孔隙结构进行比表面积测试(BET)实验， 得到了不同制焦温度下的焦比表面积。
步骤104)利用焦的孔道结构分布来体现其气化特性的分布规律，将多个气 化试验得到的制焦温度、焦比表面积和气化时间设定为训练数据的条件数据， 多个气化试验得到的焦转化率设定为训练数据的输出数据。
进一步，所述步骤10)还包括：
步骤105)利用式(5)对训练数据进行归一化处理：
式中，P1表示原训练数据，P表示归一化处理后的训练数据，Pmin表示预设最小 值，Pmax表示预设最大值。
本发明实施例将训练数据进行归一化处理后再用于训练神经网络模型，可避免因输入输出数据数量级差别较大，减小预测结果的误差。
优选的，所述BP神经网络模型中，输入层和隐含层之间的传递函数为tansig 函数
隐含层和输出层之间的传递函数为purelin型f2(x)＝x 函数，BP神经网络模型的训练函数为trainlm函数。
优选的，所述步骤20)还包括：
根据输入参数的数量和输出参数的数量，利用式(6)计算得到隐含层的层 数：
式中，m表示隐含层的层数，n表示输入参数的数量，l表示输出参数的数 量，a表示一个从1到10的常数。
下面提供一个具体实例，来验证本发明实施例的性能。
实例1
步骤1、在管式炉中制取不同制焦温度下的糠醛渣焦，并进行等温气化热重 实验及BET表征，采集训练数据。
选用均质、粒径范围为40-60目的糠醛渣代表生物质，对其进行干燥、筛分 预处理后，分别在800℃、850℃、900℃下管式炉中热解制备糠醛渣焦样(C800℃、 C850℃、C900℃)，并配置10％O2+90％N2的气瓶用于热重实验。
为了保证热重实验测量准确性，对C800℃、C850℃、C900℃样品质量每次 取8mg左右，氮气流量为25m L/min。
采用30K/min升温速率在气体1(99.999％N2)氛围下升到900℃，停留10 分钟后切换成气体2(10％O2+90％N2)在900℃恒温30分钟进行空气气化实 验。
对得到的C800℃、C850℃、C900℃热失重曲线进行处理，并对数据进行反 应动力学参数计算，如图2所示，发现了随着制焦温度的升高，焦完全气化的 时间逐渐提前，C900℃的气化结束时间约为C800℃的2倍。
对C800℃、C850℃、C900℃颗粒孔隙结构的变化进行BET实验，得到了 糠醛渣焦颗粒比表面积随制焦温度变化的规律，如图3所示，气化温度的提升 增大了比表面积及孔容，使得焦的孔隙结构更发达、气化反应速率更越快。
步骤2)采用训练数据训练BP神经网络模型，并采用PSO算法优化BP神 经网络模型，得到PSO-BP模型。
步骤3)将制焦温度、焦样比表面积和气化时间输入PSO-BP模型中进行预 测，得到预测的焦转化率。
将PSO-BP模型拟合的预测数据与输出数据对比，结果如图4所示，相关 系数R2达到了0.9981，如图5所示，验证了本发明方法中PSO-BP模型的准确 性，为生物质焦气化过程中反应特性的研究提供了可靠的方法。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人 员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中 的描述只是为了进一步说明本发明的原理，在不脱离本发明精神和范围的前提 下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明 范围内。本发明要求保护的范围由权利要求书及其等效物界定。
Claims (7)
1.一种生物质焦气化反应特性的预测方法，其特征在于，包括以下步骤：
步骤10)采集生物质焦气化反应的训练数据；
步骤20)建立包含输入层、隐含层和输出层的BP神经网络模型，所述BP神经网络模型的输入参数为制焦温度、焦样比表面积和气化时间，输出参数为焦转化率；
步骤30)采用训练数据训练所述BP神经网络模型，并采用粒子群优化算法优化BP神经网络模型，得到高预测精度的BP神经网络模型；
步骤40)利用高预测精度的BP神经网络模型，预测得到生物质焦气化反应的焦转化率。
2.根据权利要求1所述的生物质焦气化反应特性的预测方法，其特征在于，所述步骤30)具体包括：
步骤31)获取BP神经网络模型的初始权值和初始阈值；
步骤32)初始化粒子群，每个粒子包含了BP神经网络模型的权值和阈值，并给予随机的初始位置和初始速度；
步骤33)将训练数据中的条件数据输入到BP神经网络模型中，得到预测数据；
步骤34)计算预测数据与训练数据中的输出数据之间的误差，利用式(1)计算得到粒子的个体适应度值：
式中，F表示个体适应度值，Ypk表示期望输出值，Opk表示输出值，k表示系数，m表示输出层节点数；
步骤35)确定粒子群的个体极值和群体极值，利用式(2)更新每个粒子的速度，利用式(3)更新每个粒子的位置：
式中，
表示第i个粒子在k+1次迭代中的速度，
表示第i个粒子在k次迭代中的速度，w表示惯性权重，c1表示第一学习因子，c2表示第二学习因子，r1和r2均表示0到1之间的随机数，
表示第i个粒子在k+1次迭代中的位置，
表示第i个粒子在k次迭代中的位置，
表示个体极值，
表示全体极值；
步骤36)若满足结束条件，则输出权值和阈值，执行步骤37)；否则继续执行步骤35)，在每一次迭代中，粒子跟踪个体极值和群体极值来实现自主更新；
步骤37)将步骤36)输出的权值和阈值更新到BP神经网络模型中，将训练数据中的条件数据输入到更新后的BP神经网络模型中，得到预测数据；如果满足要求，则更新后的BP神经网络模型为合格的BP神经网络模型；否则执行步骤34)。
3.根据权利要求2所述的生物质焦气化反应特性的预测方法，其特征在于，所述满足要求具体为：
利用式(4)计算得到拟合度：
式中，
表示预测值，yi表示实测值，R2表示拟合度；
如果拟合度大于0.99，则满足要求。
4.根据权利要求1所述的生物质焦气化反应特性的预测方法，其特征在于，所述步骤10)具体包括：
步骤101)选用均质的生物质为试验样品，干燥及筛分预处理后，在管式炉不同制焦温度下进行热解气化试验，记录不同制焦温度下的气化时间；
步骤102)对得到的不同温度下试验样品的热失重曲线进行处理，并对数据进行反应动力学参数计算，获得不同制焦温度下的焦转化率；
步骤103)对不同温度下的焦样的孔隙结构进行比表面积测试实验，得到了不同制焦温度下的焦比表面积；
步骤104)利用焦的孔道结构分布来体现其气化特性的分布规律，将多个气化试验得到的制焦温度、焦比表面积和气化时间构成训练数据的条件数据，多个气化试验得到的焦转化率构成训练数据的输出数据。
5.根据权利要求4所述的生物质焦气化反应特性的预测方法，其特征在于，所述步骤10)还包括：
步骤105)利用式(5)对训练数据进行归一化处理：
式中，P1表示原训练数据，P表示归一化处理后的训练数据，Pmin表示预设最小值，Pmax表示预设最大值。
6.根据权利要求1所述的生物质焦气化反应特性的预测方法，其特征在于，所述BP神经网络模型中，输入层和隐含层之间的传递函数为tansig函数
隐含层和输出层之间的传递函数为purelin型f2(x)＝x函数。
7.根据权利要求1所述的生物质焦气化反应特性的预测方法，其特征在于，所述步骤20)还包括：
根据输入参数的数量和输出参数的数量，利用式(6)计算得到隐含层的层数：
式中，m表示隐含层的层数，n表示输入参数的数量，l表示输出参数的数量，a表示一个从1到10的常数。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110860387.8A CN113657591B (zh) | 2021-07-26 | 2021-07-26 | 一种生物质焦气化反应特性的预测方法 |
| US18/014,075 US20230419073A1 (en) | 2021-07-26 | 2022-04-27 | Method for predicting gasification reaction characteristics of biomass char |
| PCT/CN2022/089540 WO2023005302A1 (zh) | 2021-07-26 | 2022-04-27 | 一种生物质焦气化反应特性的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110860387.8A CN113657591B (zh) | 2021-07-26 | 2021-07-26 | 一种生物质焦气化反应特性的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657591A true CN113657591A (zh) | 2021-11-16 |
| CN113657591B CN113657591B (zh) | 2024-08-20 |
Family
ID=78478922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110860387.8A Active CN113657591B (zh) | 2021-07-26 | 2021-07-26 | 一种生物质焦气化反应特性的预测方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230419073A1 (zh) |
| CN (1) | CN113657591B (zh) |
| WO (1) | WO2023005302A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023005302A1 (zh) * | 2021-07-26 | 2023-02-02 | 东南大学 | 一种生物质焦气化反应特性的预测方法 |
| CN116931437A (zh) * | 2023-09-12 | 2023-10-24 | 深圳碳中和生物燃气股份有限公司 | 一种生物质气化炭化炉的控制方法及系统 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115809427B (zh) * | 2023-02-06 | 2023-05-12 | 山东科技大学 | 基于混合策略优化bp神经网络的混合气体识别方法 |
| CN116935985B (zh) * | 2023-07-17 | 2024-03-15 | 中国地质调查局油气资源调查中心 | 一种煤气化过程中实验参数变化的敏感性分析方法 |
| CN117008479B (zh) * | 2023-09-27 | 2023-12-01 | 深圳碳中和生物燃气股份有限公司 | 基于生物质气化炉的负碳排放优化控制方法及系统 |
| CN117130283B (zh) * | 2023-10-26 | 2024-01-05 | 吉林大学 | 一种玉米按需施肥控制系统和土壤氮含量软测量方法 |
| CN117851814B (zh) * | 2024-01-08 | 2024-07-19 | 中国林业科学研究院资源信息研究所 | 基于多模态数据融合的森林生物量估测关键因子识别方法 |
| CN118656647A (zh) * | 2024-08-16 | 2024-09-17 | 南昌大学 | 一种固体氧化物燃料电池及燃气轮机集成系统的性能预测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063938A (zh) * | 2018-10-30 | 2018-12-21 | 浙江工商大学 | 基于psode-bp神经网络的空气质量预测方法 |
| CN111751353A (zh) * | 2020-06-16 | 2020-10-09 | 贵州省分析测试研究院 | 一种去除作物中来源于大气沉降的重金属的方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101899101B1 (ko) * | 2016-06-01 | 2018-09-14 | 서울대학교 산학협력단 | 인공 신경망 기반 예측 모델 생성 장치 및 방법 |
| CN111950854B (zh) * | 2020-07-14 | 2022-04-19 | 包头钢铁（集团）有限责任公司 | 一种基于多层神经网络的焦炭质量指标预测方法 |
| CN112926767A (zh) * | 2021-01-27 | 2021-06-08 | 天津大学 | 基于粒子群bp神经网络的环雾状流气相表观流速预测方法 |
| CN113657591B (zh) * | 2021-07-26 | 2024-08-20 | 东南大学 | 一种生物质焦气化反应特性的预测方法 |
-
2021
- 2021-07-26 CN CN202110860387.8A patent/CN113657591B/zh active Active
-
2022
- 2022-04-27 WO PCT/CN2022/089540 patent/WO2023005302A1/zh active Application Filing
- 2022-04-27 US US18/014,075 patent/US20230419073A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063938A (zh) * | 2018-10-30 | 2018-12-21 | 浙江工商大学 | 基于psode-bp神经网络的空气质量预测方法 |
| CN111751353A (zh) * | 2020-06-16 | 2020-10-09 | 贵州省分析测试研究院 | 一种去除作物中来源于大气沉降的重金属的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘军德等: "基于BP神经网络的生物质气化建模", 软件导刊, vol. 17, no. 7, 31 July 2018 (2018-07-31), pages 176 - 179 * |
| 李大中等: "生物质气化过程的神经网络模型拟合方法", 太阳能学报, vol. 29, no. 5, 31 May 2008 (2008-05-31), pages 539 - 543 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023005302A1 (zh) * | 2021-07-26 | 2023-02-02 | 东南大学 | 一种生物质焦气化反应特性的预测方法 |
| CN116931437A (zh) * | 2023-09-12 | 2023-10-24 | 深圳碳中和生物燃气股份有限公司 | 一种生物质气化炭化炉的控制方法及系统 |
| CN116931437B (zh) * | 2023-09-12 | 2023-11-14 | 深圳碳中和生物燃气股份有限公司 | 一种生物质气化炭化炉的控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657591B (zh) | 2024-08-20 |
| WO2023005302A1 (zh) | 2023-02-02 |
| US20230419073A1 (en) | 2023-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657591B (zh) | 一种生物质焦气化反应特性的预测方法 | |
| CN109147878B (zh) | 一种水泥熟料游离钙软测量方法 | |
| CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
| CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
| CN110991721A (zh) | 基于改进经验模态分解和支持向量机的短期风速预测方法 | |
| CN107766986A (zh) | 泄漏积分型回声状态网络在线学习光伏功率预测方法 | |
| CN110264012B (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
| CN104807039A (zh) | 一种锅炉燃烧优化的变量降维建模方法 | |
| CN102176221A (zh) | 基于动态工况的焦炉加热燃烧过程焦炉温度预测方法 | |
| CN107918368B (zh) | 钢铁企业煤气产生量与消耗量的动态预测方法及设备 | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| CN116451873B (zh) | 基于多尺度双时空网络区域风力发电功率预测方法及系统 | |
| CN112668234A (zh) | 一种转炉炼钢终点智能控制方法 | |
| CN111639821A (zh) | 一种水泥炉窑生产能耗预测方法及系统 | |
| CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
| CN112016754A (zh) | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 | |
| CN107742000B (zh) | 锅炉燃烧含氧量建模方法 | |
| Peng et al. | Efficient multiple starting point optimization for automated analog circuit optimization via recycling simulation data | |
| CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
| CN115510904A (zh) | 基于时序预测的锅炉受热面积灰监测方法 | |
| CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
| CN107292434A (zh) | 一种风电出力的智能预测方法 | |
| CN113705888A (zh) | 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和系统 | |
| CN117829342A (zh) | 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法 | |
| 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 |
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 |