CN115762664A - 一种多组分有机废物高温气化过程产气组分的预测方法 - Google Patents
一种多组分有机废物高温气化过程产气组分的预测方法 Download PDFInfo
- Publication number
- CN115762664A CN115762664A CN202211152612.3A CN202211152612A CN115762664A CN 115762664 A CN115762664 A CN 115762664A CN 202211152612 A CN202211152612 A CN 202211152612A CN 115762664 A CN115762664 A CN 115762664A
- Authority
- CN
- China
- Prior art keywords
- layer
- hidden layer
- neuron
- variable
- temperature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000002309 gasification Methods 0.000 title claims abstract description 64
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 60
- 239000010815 organic waste Substances 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000007781 pre-processing Methods 0.000 claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims description 86
- 239000007789 gas Substances 0.000 claims description 77
- 239000002002 slurry Substances 0.000 claims description 27
- 239000007788 liquid Substances 0.000 claims description 26
- 239000002699 waste material Substances 0.000 claims description 26
- 238000012546 transfer Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 18
- 239000000498 cooling water Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000002920 hazardous waste Substances 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 239000002910 solid waste Substances 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 231100001261 hazardous Toxicity 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 239000005416 organic matter Substances 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000011268 mixed slurry Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000010808 liquid waste Substances 0.000 description 1
- 239000010812 mixed waste Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000004537 pulping Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000010888 waste organic solvent Substances 0.000 description 1
- 239000010920 waste tyre Substances 0.000 description 1
Images
Landscapes
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开一种多组分有机废物高温气化过程产气组分的预测方法，包括对原始数据进行预处理；构建BP神经网络模型，BP神经网络模型包括第一输入层、第一隐含层、第二输入层、第二隐含层、输出层，先训练第一输入层和第一隐含层得到第一阈值和第一权值；再采用遗传算法训练第二输入层、第二隐含层、输出层得到第二阈值和第二权值得到初始BP神经网络模型；通过产气组分预测数据与产气组分目标数据集构建第二损失函数，通过第二损失函数训练初始BP神经网络模型得到产气组分网络模型。该方法能够高效，准确预测产气组分。
Description
技术领域
本发明属于能源工业和化学工程领域，具体而言是一种多组分有机废物处理过程中气化产气组分的预测方法。
背景技术
工业有机危险废弃物为工业生产中丧失原有利用价值或虽未丧失利用价值但被抛弃或放弃的固态或液态的有机类物品和物质，其具有一种或多种危险特性。工业有机废物主要包括精馏残渣、废活性炭、废催化剂、工业污泥、废旧轮胎、废印刷电路板、废有机溶剂等固体废物和液态废物。工业有机危险废弃物为工业生产中丧失原有利用价值或虽未丧失利用价值但被抛弃或放弃的固态或液态的有机类物品和物质，其具有一种或多种危险特性。工业有机危险废弃物为工业生产中丧失原有利用价值或虽未丧失利用价值但被抛弃或放弃的固态或液态的有机类物品和物质，其具有一种或多种危险特性。
多组分有机废物处理是利用气化炉将多种有机废物与其他原料或燃料协同处置，在满足企业正常生产要求、保证产品质量与环境安全的同时，实现有机废物的无害化处置和资源化利用，同时，减少了对化石燃料的消耗，实现了碳的减排。
气化炉主要包括Shell、GSP、Prenflo、Eagle等用于干煤粉进料的气化炉和德士古、E-GAS、多喷嘴对置式等用于水煤浆进料的气化炉，主要生产合成氨与CO，H2等化工产品。在气化炉内，多组分有机废物组成的混合料浆在高温条件下发生热解和气化，生成以CO2、CO、H2为主的合成气，其中CO和H2被称为有效气。有效气是气化过程的目标产物，在后续的生产中可以作为其他工业产品的原料，因此怎样稳定得到有效气比例更高的产气是多组分有机废物处理过程的研究重点之一。
多组分有机废物气化的过程复杂，在高温高压的环境下会同时发生多种不同的气化反应，导致实际生产中负责用多种危废制浆的料浆配料人员很难对复合料浆最终得到的产气组分进行有效估计，缺乏料浆配料的科学指导，操作人员也难以通过改变气化炉操作参数来实现对气化产气组分的稳定控制。
利用中试装置或大生产装置进行实验研究产气组分的预测不但繁琐费时，而且有很高的运行成本，相对而言，建模是一种节省资金和时间的优秀替代方法。建立相关的神经网络模型，可以提前预测气化产气的气体组分，进而实现料浆配伍的指导和气化炉操作参数的优化，提高装置生产效率，降低原料损耗。
目前，可用于预测气化合成气组分的模型主要有两种。一种是基于质量守恒、能量守恒、热量传递、化学反应动力学等物理、化学机理方程建立的机理模型，其特点是每一个参数都有明确的物理意义，参数易于调整，但需要建模者对整个反应过程有充分的了解，不适用于反应复杂的多组分有机废物高温气化过程。在研究反应机理复杂的气化过程时，一些研究者选择建立基于数据驱动的模型，通过大量的相关数据进行模型训练，进而实现气化过程的预测。
在处理大量数据或复杂关系的情况下，反向传播(BP)神经网络可以简化估计过程，并准确地找到数据之间的复杂内部关系，然而BP神经网络存在两个缺点：
第一，多组分有机废物气化过程反应情况复杂，产气组分的影响因素多且相关性强。如果直接将影响因素作为神经网络的输入变量，预测模型的网络结构将非常复杂，预测效果较差；
第二，BP网络的权重和阈值在训练过程中可能停留在局部最优，这会限制网络的预测效果。
另外，气化炉温度是产气组分的重要相关变量，由于高温气化过程中热电偶易损坏，难以长期稳定测得气化炉温度，需要取得近似的气化炉温度数据作为产气组分预测的输入变量。
发明内容
本发明提供一种能够高效，准确预测产气组分的多组分有机废物高温气化过程产气组分的预测方法。
一种多组分有机废物高温气化过程产气组分的预测方法，包括：
(1)获得变量数据和目标数据，对变量数据依次通过箱线图法，归一处理和主成分分析法分别得到第一训练样本集、第二训练样本集、对目标数据依次通过箱线图法，归一处理得到气化炉温度目标数据集和产气组分目标数据集；
(2)构建BP神经网络模型，BP神经网络模型包括第一输入层、第一隐含层、第二输入层、第二隐含层、输出层，将第一训练样本依次输入第一输入层和第一隐含层得到预测气化炉温度，将预测气化炉温度和气化炉温度目标数据的误差作为第一损失函数，基于第一训练样本集通过第一损失函数训练得到第一输入层和第一隐含层的第一阈值，以及第一输入层和第一隐含层间的第一权值；
设定第二输入层、第二隐含层和输出层三者间的权值，以及第二输入层、第二隐含层和输出层的阈值，采用遗传算法对设定的权值和阈值进行更新得到第二阈值和第二权值；通过第一阈值、第一权值、第二阈值和第二权值构建初始BP神经网络模型；
(3)将第一训练样本集输入初始BP神经网络模型的第一输入层和将第二训练样本集输入初始BP神经网络模型的第二输入层得到产气组分预测数据，通过产气组分预测数据与产气组分目标数据集构建第二损失函数，基于第一训练样本集和第二训练样本集通过第二损失函数训练初始BP神经网络模型得到产气组分网络模型。
变量数据包括第一特征变量、第二特征变量，目标数据包括产气组分目标变量和气化炉温度目标变量；
其中，第一特征变量为冷却水进口流量、冷却水进口温度、冷却水出口流量、冷却水出口温度、冷却水压力、激冷室温度和出激冷室合成气温度；
第二特征变量为料浆体积流量、料浆质量流量、料浆压力、料浆浓度、料浆灰分、料浆热值、废液体积流量、废液质量流量、废液进气化炉压力、废液水分、废液热值、总管氧流量、中心管氧流量、氧气入炉压力、废液进料浆管流量和气化炉压力；
产气组分目标变量为产气CO2比例、产气CO比例和产气H2比例；
气化炉温度目标变量为气化炉上部由热电偶测量的温度。
对获得的变量数据依次进行箱线图法，归一处理，包括：
对获得的原始数据从小到大排列，将排列后的原始数据分成n个等分，并获取n-1个分割点的数值，将大于上边缘和小于下边缘的数据进行删除得到优化数据，将优化数据进行归一化处理转化为【-1,1】区间的预处理变量；
其中，下边缘Ld为：
Ld＝Q1-1.5IQR
IQR＝Qn-1-Q1
上边缘Lu为：
Lu＝Qn-1+1.5QIR
其中，Q1为第一个分割点的数值，Qn-1为第n-1个分割点。
预处理变量包括对第一特征向量依次进行箱线图法和归一处理得到第一预处理变量，以及对第二特征向量依次进行箱线图法和归一处理得到第二预处理变量，将第一预处理变量进行主成分分析得到第一训练样本集、将第二预处理变量进行主成分分析得到第二训练样本集。
将第一预处理变量进行主成分分析得到第一训练样本集，包括：
计算预处理变量的协方差矩阵A：
其中，n为第一预处理变量的样本数，x为第一预处理变量数据集。
采用特征值分解法求得协方差矩阵的特征值和对应的特征向量，并将特征值按照从大到小排列；
获得前p个主成分的累计贡献率Kp为：
其中，M为特征值的数量，j为特征值的索引；选择累计贡献率Kp达到阈值以上的前a个主成分，即前a个特征值，并将其对应的特征向量分别作为行向量组成特征向量矩阵P；将第一预处理变量和对应的特征向量矩阵进行乘积得到第一训练样本集。
BP神经网络模型包括第一输入层、第一隐含层、第二输入层、第二隐含层、输出层；
其中，将第一输入层的节点个数为第一预处理变量的特征值中满足贡献率阈值的主成分个数a；
第一隐含层的节点个数b为：
其中，c为第二预处理变量的特征值中满足贡献率阈值的主成分个数，h1为调节常数，第一输入层与第一隐含层全连接；
第二输入层的节点数为c+1，其中，将第二训练样本集输入第二输入层的c个神经元中，第二输入层的第c+1个神经元与第一隐含层全连接；
第二隐含层的节点个数d为：
其中，e为输出层节点数，h2为调节常数，第二输入层与第二隐含层全连接；
输出层具有多个节点，输出层与第二隐含层全连接；
第一输入层到第一隐含层的传递函数，以及第二输入层到第二隐含层的传递函数均f1(m)为：
其中，m为传递函数的输入值。
第一隐含层到第二输入层的第c+1个神经元的传递函数，以及第二隐含层到输出层的线性传递函数f2(n)为：
f2(n)＝n
其中，n为线性传递函数的输入值；
第一隐含层的第e个神经元的输出Pe为。
第一隐含层的第e个神经元输出Be为：
其中，f为第一输入层中的神经元的索引，e为第一隐含层的神经元的索引，Af为第一输入层中第f个神经元的输出，wfe为第一输入层的第f个神经元和第一隐含层的第e个神经元之间的权重值，ke为第一隐含层第e个神经元的阈值；
第二输入层的第c+1个神经元的输出Cc+1为：
其中，kc+1为C层Cc+1神经元的阈值，we为第一隐含层中的第e个神经元与C层的第Cc+1个神经元之间的权重值；
第二隐含层的第q个神经元的输出Dq为：
其中，l为第二输入层的神经元索引，q为第二隐含层的神经元的索引，Cp为第二输出层中的第p个神经元的输出，wlq为第二输出层的第l个神经元和第二隐含层的第q个节点之间的权重值，kq为第二隐含层的第q个神经元的阈值；
输出层的第r个神经元的输出Er为：
其中，r为输出层的神经元节点的索引，wqr为第二隐含层的第q个神经元和输出层的第r个节点之间的权重值，kr为输出层的第r个神经元的阈值。
第一损失函数O1为：
其中，g为第一训练样本的索引，G为第一训练样本的总数，
为第g个训练样本的气化炉温度预测值，ts为第g个训练样本的气化炉温度目标数据；
第二损失函数O2为：
其中，其中，r为输出层的神经元节点的索引，R为输出层的神经元的个数，s为第二训练样本的索引，S为第二训练样本的数量，
为产气组分的预测值，Zrs为产气组分目标数据。
与现有技术相比，本发明的有益效果为：
(1)本发明选择BP神经网络作为多组分有机废物高温气化过程产气组分预测模型的实现方法。由于多组分有机废物协同处理过程由于危废来源复杂，导致气化炉内的发生的化学反应复杂多变，而神经网络不需要对整个反应过程有过多的了解，只要提供足够的数据用于训练，就可以得到精准的计算结果。
(2)本发明使用主成分分析的方法处理了输入数据。主成分分析是一种数据降维技术，通过少量互不相关的主成分替换大量原始变量，在减少了特征变量维度的同时尽可能多地保留了原始数据中存在的信息。经过主成分分析进行处理后，输入BP神经网络的特征变量数量减少，则网络结构中的神经元数量随之减少，简化了网络结构，降低了网络的计算量。
(3)传统的BP神经网络初始权值和阈值是随机产生的，之后的网络训练优化在初始权值和阈值的基础上通过梯度下降逐步进行，这种情况下进行权值调整的梯度下降算法很容易使网络陷入局部最优点。本发明使用遗传算法对BP神经网络第二输入层、第二隐含层和输出层的初始权值和阈值进行优化。遗传算法作为一种随机全局搜索优化方法，可以优化BP神经网络的初始权值和阈值，然后再对优化后的权值和阈值通过损失函数梯度下降逐步优化，有利于网络在后续训练中收敛到预测误差更小的位置，避免陷入局部最优点。
(4)现有技术公开的多组分有机废物高温气化过程中的气化炉温度由热电偶测定，但热电偶容易损坏，无法长期稳定地获得气化炉温度。本发明基于有限的气化炉温度测量值通过损失函数训练BP神经网络的第一输入层和第一隐含层来获得气化炉温度的近似值，之后将气化炉温度近似值和第二训练样本集一起输入第二输入层，进行后续产气组分的预测。气化炉温度对产气组分的影响较大，利用上述BP神经网络的Net2部分预测气化炉温度，从而能够长期稳定地，较为准确的获得预测气化炉温度，将其作为BP神经网络的Net1部分输入变量提高了产气组分预测模型的预测准确性。
附图说明
图1为具体方式提供的多组分有机废物协同处理过程工艺示意图；
图2为具体方式提供的多组分有机废物高温气化过程产气组分的预测方法的流程图；
图3为具体方式提供的BP神经网络模型Net1模型的框图；
图4为具体方式提供的BP神经网络模型Net2的框图；
图5为PCA-GA-BP模型预测产气CO2比例与真实数据的对比；
图6为PCA-GA-BP模型预测产气CO比例与真实数据的对比；
图7为PCA-GA-BP模型预测产气H2比例与真实数据的对比。
具体实施方式
下面结合具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
图1为多组分有机废物协同处理过程工艺示意图，该项目的工艺流程为：将回收的危险废物根据状态分为固体废物和废液，固体废物磨碎后，和热值较低的废液、水、煤和添加剂一起配伍成混合料浆，热值较高的废液配伍为混合废液，料浆、废液和氧气在1200-1400℃的高温下发生多种气化反应，反应的气体产物在激冷室内经激冷水洗涤、除尘、降温后得到以CO2，CO，H2为主的合成气，无机物则会熔融固化成玻璃态炉渣。气化炉的四通道烧嘴直接伸入高温气化炉内，需要量通过冷却水夹套进行降温，另外，通过热电偶测量气化炉上部的气化炉温度。
本发明提供了一种多组分有机废物高温气化过程产气组分的预测方法，如图2所示，包括：
(1)对实际多组分有机废物高温气化炉运行过程中得到的数据进行采集得到变量数据和目标数据，变量数据包括第一特征变量、第二特征变量，目标数据包括产气组分目标变量和气化炉温度目标变量；
其中，第一特征变量为冷却水进口流量、冷却水进口温度、冷却水出口流量、冷却水出口温度、冷却水压力、激冷室温度和出激冷室合成气温度，记录为x1-x7；
第二特征变量为料浆体积流量、料浆质量流量、料浆压力、料浆浓度、料浆灰分、料浆热值、废液体积流量、废液质量流量、废液进气化炉压力、废液水分、废液热值、总管氧流量、中心管氧流量、氧气入炉压力、废液进料浆管流量和气化炉压力，记录为y1-y17；
产气组分目标变量为产气CO2比例、产气CO比例和产气H2比例，记录为z1-z3；
气化炉温度目标变量为气化炉温度，记录为t。
(2)对变量数据依次进行箱线图法，归一处理得到预处理变量；包括：
对获得的原始数据从小到大排列，将排列后的原始数据分成4个等分，第一个分割点的数值被称为下四分位数，记为Q1，第二个分割点被称为中位数，记为Q2，第三个分割点被称为上四分位数，记为Q3；下四分位数Q1与上四分位数Q3的差距被称为四分位距IQR，即计算IQR的公式为：
IQR＝Q3-Q1
正常数据的最小值，即下边缘为：
下边缘＝Q1-1.5IQR正常数据的最大值，即上边缘为：
上边缘＝Q3+1.5IQR
大于上边缘或小于下边缘的数据被视为异常数据点，将其删除得到优化数据。将优化数据进行归一化处理转化为【-1，1】区间的预处理变量，预处理变量包括对第一特征向量依次进行箱线图法和归一处理得到第一预处理变量
以及对第二特征向量依次进行箱线图法和归一处理得到第二预处理变量
以及对产气组分目标变量依次进行箱线图法和归一处理得到产气组分目标数据集Zrs，以及对气化炉温度目标变量依次进行箱线图法和归一处理得到气化炉温度目标数据集。
其中，使用的归一化函数Xnew为：
其中，Xi是优化数据，Xmin是优化数据的最小值，Xmax是优化数据的最大值。
利用步骤(2)上述方法对目标数据依次通过箱线图法，归一处理得到气化炉温度目标数据集和产气组分目标数据集。
(3)将第一预处理变量进行主成分分析(PCA)得到第一训练样本集，包括：
3.1：第一预处理变量
组成为第一预处理变量数据集x，计算预处理变量的协方差矩阵A：
其中，n为第一预处理变量的样本数，x为第一预处理变量数据集。
3.2：采用特征值分解法求得协方差矩阵的特征值λ1，λ2，...，λ7和对应的特征向量，并将特征值按照从大到小排列；
3.3：获得前p个主成分的累计贡献率Kp为：
其中，M为特征值的数量，j为特征值的索引；
3.4：选择累计贡献率Kp达到95％以上的前a个主成分，即前a个特征值，并将其对应的特征向量分别作为行向量组成特征向量矩阵P；
3.5：将第一预处理变量和对应的特征向量矩阵进行乘积得到第一训练样本集X为：
X＝Px。
3.6：将步骤(2)预处理后得到的特征变量y1-y17数据为数据集y，对y进行步骤3.1-3.5的相同处理，选择累计贡献率Kp达到95％以上的前k个主成分得到输入第二数据集Y。
(4)如图3所示，构建BP神经网络模型Net1，BP神经网络模型Net1包括第一输入层(A层)、第一隐含层(B层)、第二输入层(C层)、第二隐含层(D层)、输出层(E层)，
其中，将第一输入层的节点个数为第一预处理变量的特征值中满足贡献率阈值的主成分个数a；
第一隐含层的节点个数b为：
其中，c为第二预处理变量的特征值中满足贡献率阈值的主成分个数，h1为调节常数，第一输入层与第一隐含层全连接；
第二输入层的节点数为c+1，其中，将第二训练样本集输入第二输入层的c个神经元中，第二输入层的第c+1个神经元与第一隐含层全连接；
第二隐含层的节点个数d为：
其中，e为输出层节点数，h2为调节常数，第二输入层与第二隐含层全连接；
输出层具有多个节点，输出层与第二隐含层全连接；
第一输入层到第一隐含层的传递函数，以及第二输入层到第二隐含层的传递函数均f1(m)为：
其中，m为传递函数的输入值。
第一隐含层到第二输入层的第c+1个神经元的传递函数，以及第二隐含层到输出层的线性传递函数f2(n)为：
f2(n)＝n
其中，n为线性传递函数的输入值；
第一隐含层的第e个神经元的输出Pe为。
，第一隐含层的第e个神经元输出Be为：
其中，f为第一输入层中的神经元的索引，e为第一隐含层的神经元的索引，Af为第一输入层中第f个神经元的输出，wfe为第一输入层的第f个神经元和第一隐含层的第e个神经元之间的权重值，ke为第一隐含层第e个神经元的阈值；
第二输入层的第c+1个神经元的输出Cc+1为：
其中，kc+1为C层Cc+1神经元的阈值，we为第一隐含层中的第e个神经元与C层的第Cc+1个神经元之间的权重值；
第二隐含层的第q个神经元的输出Dq为：
其中，l为第二输入层的神经元索引，q为第二隐含层的神经元的索引，Cp为第二输出层中的第p个神经元的输出，wlq为第二输出层的第l个神经元和第二隐含层的第q个节点之间的权重值，kq为第二隐含层的第q个神经元的阈值；
输出层的第r个神经元的输出Er为：
其中，r为输出层的神经元节点的索引，wqr为第二隐含层的第q个神经元和输出层的第r个节点之间的权重值，kr为输出层的第r个神经元的阈值。
(5)首先通过第一损失函数对BP神经网络Net2进行训练得到第一输入层和第一隐含层的第一阈值，以及第一输入层和第一隐含层间的第一权值，如图4所示，BP神经网络Net2为将A层、B层和C层中的第Cc+1个神经元。
第一损失函数O1为：
其中，g为第一训练样本的索引，G为第一训练样本的总数，
为第g个训练样本的气化炉温度预测值，tg为第g个训练样本的气化炉温度目标数据；
(6)设定第二输入层、第二隐含层和输出层三者间的权值，以及第二输入层、第二隐含层和输出层的阈值，采用遗传算法对设定的权值和阈值进行更新得到第二阈值和第二权值，具体包括：
6.1：设定种群个数M为50，随机生成初始种群，种群中每个个体的染色体对应步骤4所建立BP神经网络Net1中C层与D层间权值、D层与E层间权值、D层的阈值和E层的阈值的一套二进制编码；
6.2：以如下关系式定义遗传算法的适应度函数F：
其中，O为设定权值和阈值在Net1模型中采用第二损失函数的预测误差值；
6.3，基于适应度随机选择个体组成新种群，以如下关系式计算父代个体t被选为子代的概率Pt：
其中，U为种群数，u为种群中个体的编号，Ft为个体t的适应度；
6.4：通过交叉和变异生成新种群，其中交叉方式为单点交叉，指将步骤6.3选择得到的子代随机两两配对，在参与交叉的个体对中随机设置一个交叉点，然后在该点的一侧交换两个个体的染色体，每对个体的交叉概率设定为0.7；变异操作指对变异个体的染色体中随机位置数值取反，即1变为0，0变为1，变异概率设定为0.01；
步骤6.5，重复步骤6.3和步骤6.4直到到达最大遗传代数，结束遗传过程，得到优化后的第二输入层、第二隐含层和输出层得到第二阈值和第二权值，其中最大遗传代数设定为50；通过第一阈值、第一权值、第二阈值和第二权值构建初始BP神经网络模型；
(7)将第一训练样本集X输入初始BP神经网络模型的第一输入层和将第二训练样本集Y输入初始BP神经网络模型的第二输入层得到产气组分预测数据，通过产气组分预测数据与产气组分目标数据集构建第二损失函数，基于第一训练样本集和第二训练样本集通过第二损失函数训练初始BP神经网络模型得到产气组分网络模型。
第二损失函数O2为：
其中，其中，r为输出层的神经元节点的索引，R为输出层的神经元的个数，s为第二训练样本的索引，S为第二训练样本的数量，
为产气组分的预测值，Zrs为产气组分目标数据集。
图5为CO2比例预测值与真实值的对比图，可以看出CO2比例的预测结果与真实数据十分接近，预测效果良好；
图6为CO比例预测值与真实值的对比图，同样的，可以看出CO比例的预测结果与真实数据十分接近，模型预测精度较高；
图7为H2比例预测值与真实值的对比图和H2比例预测值的相对百分比误差图，可以看出H2比例的预测效果比CO2和CO的预测效果更好，预测值曲线与真实值曲线吻合程度高；
同时，为作对比，我们建立了BP模型、PCA-BP模型和GA-BP模型对产气中CO2、CO和H2的比例进行预测，并对预测结果的平均相对百分比误差进行计算，不同模型的预测误差如表1所示。
表1不同模型的产气组分预测结果
可以看到，本发明对于多组分有机废物高温气化过程产气组分的预测模型能达到较高的准确度，PCA-GA-BP模型对于CO2、CO和H2比例的预测误差分别在2.26％、1.53％和0.75％，属于工业可接受的范围内；各模型预测结果的对比也可看出，主成分分析和遗传算法对BP神经网络的预测有正面作用，PCA-GA-BP模型的预测效果为这4种模型中最好的，对3种气体比例的预测误差均为所有模型中最低。
综上所述，本发明一种多组分有机废物高温气化过程产气组分的预测方法可以对多组分有机废物高温气化过程生成合成气和气体组分进行准确有效的模拟估计，对多组分有机废物协同处理过程的顺利运行有协助作用。
Claims (8)
1.一种多组分有机废物高温气化过程产气组分的预测方法，其特征在于，包括：
(1)获得变量数据和目标数据，对变量数据依次通过箱线图法，归一处理和主成分分析法分别得到第一训练样本集、第二训练样本集、对目标数据依次通过箱线图法，归一处理得到气化炉温度目标数据集和产气组分目标数据集；
(2)构建BP神经网络模型，BP神经网络模型包括第一输入层、第一隐含层、第二输入层、第二隐含层、输出层，将第一训练样本依次输入第一输入层和第一隐含层得到预测气化炉温度，将预测气化炉温度和气化炉温度目标数据的误差作为第一损失函数，基于第一训练样本集通过第一损失函数训练得到第一输入层和第一隐含层的第一阈值，以及第一输入层和第一隐含层间的第一权值；
设定第二输入层、第二隐含层和输出层三者间的权值，以及第二输入层、第二隐含层和输出层的阈值，采用遗传算法对设定的权值和阈值进行更新得到第二阈值和第二权值；通过第一阈值、第一权值、第二阈值和第二权值构建初始BP神经网络模型；
(3)将第一训练样本集输入初始BP神经网络模型的第一输入层和将第二训练样本集输入初始BP神经网络模型的第二输入层得到产气组分预测数据，通过产气组分预测数据与产气组分目标数据集构建第二损失函数，基于第一训练样本集和第二训练样本集通过第二损失函数训练初始BP神经网络模型得到产气组分网络模型。
2.根据权利要求1所述的多组分有机废物高温气化过程产气组分的预测方法，其特征在于，变量数据包括第一特征变量、第二特征变量，目标数据包括产气组分目标变量和气化炉温度目标变量；
其中，第一特征变量为冷却水进口流量、冷却水进口温度、冷却水出口流量、冷却水出口温度、冷却水压力、激冷室温度和出激冷室合成气温度；
第二特征变量为料浆体积流量、料浆质量流量、料浆压力、料浆浓度、料浆灰分、料浆热值、废液体积流量、废液质量流量、废液进气化炉压力、废液水分、废液热值、总管氧流量、中心管氧流量、氧气入炉压力、废液进料浆管流量和气化炉压力；
产气组分目标变量为产气CO2比例、产气CO比例和产气H2比例；
气化炉温度目标变量为气化炉上部由热电偶测量的温度。
3.根据权利要求1所述的多组分有机废物高温气化过程产气组分的预测方法，其特征在于，对获得的变量数据依次进行箱线图法，归一处理，包括：
对获得的原始数据从小到大排列，将排列后的原始数据分成n个等分，并获取n-1个分割点的数值，将大于上边缘和小于下边缘的数据进行删除得到优化数据，将优化数据进行归一化处理转化为【-1,1】区间的预处理变量；
其中，下边缘Ld为：
Ld＝Q1-1.5IQR
IQR＝Qn-1-Q1
上边缘Lu为：
Lu＝Qn-1+1.5QIR
其中，Q1为第一个分割点的数值，Qn-1为第n-1个分割点。
4.根据权利要求2所述的多组分有机废物高温气化过程产气组分的预测方法，其特征在于，预处理变量包括对第一特征向量依次进行箱线图法和归一处理得到第一预处理变量，以及对第二特征向量依次进行箱线图法和归一处理得到第二预处理变量，将第一预处理变量进行主成分分析得到第一训练样本集、将第二预处理变量进行主成分分析得到第二训练样本集。
5.根据权利要求4所述的多组分有机废物高温气化过程产气组分的预测方法，其特征在于，将第一预处理变量进行主成分分析得到第一训练样本集，包括：
计算预处理变量的协方差矩阵A：
其中，n为第一预处理变量的样本数，x为第一预处理变量数据集；
采用特征值分解法求得协方差矩阵的特征值和对应的特征向量，并将特征值按照从大到小排列；
获得前p个主成分的累计贡献率Kp为：
其中，M为特征值的数量，j为特征值的索引；选择累计贡献率Kp达到阈值以上的前a个主成分，即前a个特征值，并将其对应的特征向量分别作为行向量组成特征向量矩阵P；将第一预处理变量和对应的特征向量矩阵进行乘积得到第一训练样本集。
6.根据权利要求5所述的多组分有机废物高温气化过程产气组分的预测方法，其特征在于，BP神经网络模型包括第一输入层、第一隐含层、第二输入层、第二隐含层、输出层；
其中，将第一输入层的节点个数为第一预处理变量的特征值中满足贡献率阈值的主成分个数a；
第一隐含层的节点个数b为：
其中，c为第二预处理变量的特征值中满足贡献率阈值的主成分个数，h1为调节常数，第一输入层与第一隐含层全连接；
第二输入层的节点数为c+1，其中，将第二训练样本集输入第二输入层的c个神经元中，第二输入层的第c+1个神经元与第一隐含层全连接；
第二隐含层的节点个数d为：
其中，e为输出层节点数，h2为调节常数，第二输入层与第二隐含层全连接；
输出层具有多个节点，输出层与第二隐含层全连接；
第一输入层到第一隐含层的传递函数，以及第二输入层到第二隐含层的传递函数均f1(m)为：
其中，m为传递函数的输入值；
第一隐含层到第二输入层的第c+1个神经元的传递函数，以及第二隐含层到输出层的线性传递函数f2(n)为：
f2(n)＝n
其中，n为线性传递函数的输入值；
第一隐含层的第e个神经元的输出Pe为。
7.根据权利要求6所述的多组分有机废物高温气化过程产气组分的预测方法，其特征在于，第一隐含层的第e个神经元输出Be为：
其中，f为第一输入层中的神经元的索引，e为第一隐含层的神经元的索引，Af为第一输入层中第f个神经元的输出，wfe为第一输入层的第f个神经元和第一隐含层的第e个神经元之间的权重值，ke为第一隐含层第e个神经元的阈值；
第二输入层的第c+1个神经元的输出Cc+1为：
其中，kc+1为C层Cc+1神经元的阈值，we为第一隐含层中的第e个神经元与C层的第Cc+1个神经元之间的权重值；
第二隐含层的第q个神经元的输出Dq为：
其中，l为第二输入层的神经元索引，q为第二隐含层的神经元的索引，Cp为第二输出层中的第p个神经元的输出，wlq为第二输出层的第l个神经元和第二隐含层的第q个节点之间的权重值，kq为第二隐含层的第q个神经元的阈值；
输出层的第r个神经元的输出Er为：
其中，r为输出层的神经元节点的索引，wqr为第二隐含层的第q个神经元和输出层的第r个节点之间的权重值，kr为输出层的第r个神经元的阈值。
8.根据权利要求1所述的多组分有机废物高温气化过程产气组分的预测方法，其特征在于，第一损失函数O1为：
其中，g为第一训练样本的索引，G为第一训练样本的总数，
为第g个训练样本的气化炉温度预测值，ts为第g个训练样本的气化炉温度目标数据；
第二损失函数O2为：
其中，其中，r为输出层的神经元节点的索引，R为输出层的神经元的个数，s为第二训练样本的索引，S为第二训练样本的数量，
为产气组分的预测值，Zrs为产气组分目标数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211152612.3A CN115762664A (zh) | 2022-09-21 | 2022-09-21 | 一种多组分有机废物高温气化过程产气组分的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211152612.3A CN115762664A (zh) | 2022-09-21 | 2022-09-21 | 一种多组分有机废物高温气化过程产气组分的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115762664A true CN115762664A (zh) | 2023-03-07 |
Family
ID=85350999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211152612.3A Pending CN115762664A (zh) | 2022-09-21 | 2022-09-21 | 一种多组分有机废物高温气化过程产气组分的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115762664A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935985A (zh) * | 2023-07-17 | 2023-10-24 | 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554353A (zh) * | 2020-04-10 | 2020-08-18 | 中国恩菲工程技术有限公司 | 氧气底吹炉铜熔炼过程参数在线预测方法 |
| CN114550838A (zh) * | 2022-02-25 | 2022-05-27 | 浙江大学 | 一种多组分有机废物高温气化炉内温度的软测量方法 |
-
2022
- 2022-09-21 CN CN202211152612.3A patent/CN115762664A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554353A (zh) * | 2020-04-10 | 2020-08-18 | 中国恩菲工程技术有限公司 | 氧气底吹炉铜熔炼过程参数在线预测方法 |
| CN114550838A (zh) * | 2022-02-25 | 2022-05-27 | 浙江大学 | 一种多组分有机废物高温气化炉内温度的软测量方法 |
Non-Patent Citations (9)
| Title |
|---|
| MINGYUE YAN ET.AL: "Advanced soft-sensing techniques for predicting furnace temperature in industrial organic waste gasifiation", PROCESS SAFETY AND ENVIRONMENTAL PROTECTION, 2 August 2024 (2024-08-02), pages 1253 * |
| XIONGCHAO LIN ET.AL: "Prediction of Slag Characteristics Based on Artificial Neural Network for Molten Gasification of Hazardous Wastes", ENERGIES, 1 October 2020 (2020-10-01), pages 1 - 18 * |
| YANGWEI WU ET.AL: "Prediction of pyrolysis product yield of medical waste based on BP neural network", PROCESS SAFETY AND ENVIRONMENTAL PROTECTION, 16 June 2023 (2023-06-16), pages 653, XP087361478, DOI: 10.1016/j.psep.2023.06.047 * |
| ZHAO LIU ET.AL: "Prediction model of BOF end - point P and O contents based on PCA– GA– BP neural network", HIGH TEMPERATURE MATERIALS AND PROCESSES, 26 September 2022 (2022-09-26), pages 505 - 513 * |
| 赵锦超;龚欣;代正华;郭晓镭;盛新;韩启元;卞修荣;: "用BP神经网络对气流床粉煤气化炉的预测", 华东理工大学学报(自然科学版), no. 05, 15 October 2009 (2009-10-15) * |
| 邱东;仝彩霞;朱里红;陈爽;王龙山;: "基于神经网络的高炉炉温预测模型的研究", 微计算机信息, no. 14, 15 May 2009 (2009-05-15) * |
| 郭庆华;梁钦锋;颜卓勇;于广锁;于遵宏;: "基于BP神经网络预测气流床气化炉炉膛温度的试验研究", 计算机与应用化学, no. 05, 28 May 2007 (2007-05-28) * |
| 马隆龙;陈平;原晓华;阴秀丽;吴创之;颜涌捷;: "内循环流化床生物质气化过程的神经网络模型", 太阳能学报, no. 12, 28 December 2007 (2007-12-28) * |
| 黄颖雷;刘业峰;黄辉;郑秉霖;: "基于PCA-GA-BP的TPC受铁量预测模型", 控制工程, no. 04, 20 July 2009 (2009-07-20) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935985A (zh) * | 2023-07-17 | 2023-10-24 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102175345B (zh) | 多喷嘴对置式水煤浆气化炉炉膛温度的软测量方法 | |
| CN106202946A (zh) | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 | |
| Sun et al. | Prediction of oxygen content using weighted PCA and improved LSTM network in MSWI process | |
| Yin et al. | An integrated computational intelligence technique based operating parameters optimization scheme for quality improvement oriented process-manufacturing system | |
| CN107844659A (zh) | 水煤浆气化过程的代理模型建模方法 | |
| CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
| CN115762664A (zh) | 一种多组分有机废物高温气化过程产气组分的预测方法 | |
| Wang et al. | Operation optimization of Shell coal gasification process based on convolutional neural network models | |
| Lei et al. | A novel modeling strategy for the prediction on the concentration of H2 and CH4 in raw coke oven gas | |
| CN114550838A (zh) | 一种多组分有机废物高温气化炉内温度的软测量方法 | |
| Devasahayam | Deep learning models in Python for predicting hydrogen production: A comparative study | |
| Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace | |
| Zhang et al. | Monitoring method for gasification process instability using BEE-RBFNN pattern recognition | |
| Devasahayam | Deep Learning Models for Hydrogen Production Prediction in Python: A Comparative Study | |
| CN111178627B (zh) | 一种基于spca的神经网络混合优化预测方法 | |
| Qiang et al. | The combination prediction of BTP in sintering process based on Bayesian framework and LS-SVM | |
| CN110824099A (zh) | 基于gbrt预测固体燃料化学链过程中反应性能的方法 | |
| CN112825103B (zh) | 气化工艺的反向设计装置及方法 | |
| Wang et al. | Artificial neural network prediction model for supercritical water gasification data of discarded circuit boards | |
| Liu et al. | Data driven modeling for UGI gasification process via a variable structure genetic BP neural network | |
| CN118230838A (zh) | 一种融合甲醇生产系统机理的多目标自适应智能优化算法 | |
| Liu et al. | Coal allocation optimization based on a hybrid residual prediction model with an improved genetic algorithm | |
| Wade et al. | Optimisation of the Arrhenius parameters in a semi-detailed mechanism for jet fuel thermal degradation using a genetic algorithm | |
| Ponselvakumar et al. | Prediction of Biomass Composition in Fluidized Matrix Biomass Gasifier | |
| Ahmad et al. | Data-based Sensing of Composition and Quality of Product in Biodiesel Production |
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 |