CN115906646A - 一种快速预测不同温度和压力下气体吸附量的方法和系统 - Google Patents
一种快速预测不同温度和压力下气体吸附量的方法和系统 Download PDFInfo
- Publication number
- CN115906646A CN115906646A CN202211523471.1A CN202211523471A CN115906646A CN 115906646 A CN115906646 A CN 115906646A CN 202211523471 A CN202211523471 A CN 202211523471A CN 115906646 A CN115906646 A CN 115906646A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- adsorption
- pressures
- artificial neural
- 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
- 238000001179 sorption measurement Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000007789 gas Substances 0.000 claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000002474 experimental method Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 229910052739 hydrogen Inorganic materials 0.000 claims description 14
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 13
- 239000001257 hydrogen Substances 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000000746 purification Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000035515 penetration Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 229910021536 Zeolite Inorganic materials 0.000 description 2
- 239000003463 adsorbent Substances 0.000 description 2
- HNPSIPDUKPIQMN-UHFFFAOYSA-N dioxosilane;oxo(oxoalumanyloxy)alumane Chemical compound O=[Si]=O.O=[Al]O[Al]=O HNPSIPDUKPIQMN-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000010457 zeolite Substances 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 239000002156 adsorbate Substances 0.000 description 1
- 238000001833 catalytic reforming Methods 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
一种快速预测不同温度和压力下气体吸附量的方法和系统。该方法包括：通过实验或者公开文献资料数据为基础，获得不同气体在不同吸附压力和温度下的气体吸附量数据，形成算法的训练数据库，将所有特征参数为输入量，以气体吸附量作为输出，对数据进行归一化处理，将处理好的数据输入至人工神经网络模型中，调整不同的超参数，使人工神经网络模型达到最优结构，用训练好的人工神经网络模型去预测不同温度和不同压力条件下的气体吸附量。本发明提出基于人工神经网络算法的吸附等温线预测方法，可以快速准确的对气体在不同压力和温度下的吸附量进行预测，节省了成本并避免了气体高温高压的实验测试。
Description
技术领域
本发明涉及变压吸附制氢生产技术领域，尤其涉及一种快速预测不同温度和压力下气体吸附量的方法和系统。
背景技术
氢气的生产主要依靠化石燃料的催化重整分离，如焦炉煤气和炼油厂尾气(ROG)，其中大部分含有CO2、CO、N2、CH4、Ar和H2。变压吸附(PSA)技术可用于氢气纯化，传统上，PSA的最佳吸附剂是通过多次实验确定的。实验测量的吸附等温线用于设计变压吸附分离。吸附等温线是静态吸附实验的结果，其中吸附质和吸附剂长时间保持接触直至达到平衡，使用在恒温和不同压力下测量的平衡负载构建吸附等温线，需要测量不同气体在不同压力和温度下的吸附量，测试实验存在耗时费力、测试成本高、实验安全性差等问题。本发明提出了一种基于人工神经网络算法的吸附等温线预测方法，可以快速准确的对气体在不同压力和温度下的吸附量进行预测，节省了成本并避免了气体高温高压的实验测试。
因此，本发明提供一种快速预测不同温度和压力下气体吸附量的方法和系统。
发明内容
目前预测气体吸附量还是依赖传统的数学模型，如TDLangmuir,Sips模型等。这些模型往往比较复杂，需要拟合的数学参数也很多，比较耗时。传统的数学模型包括TDLangmuir,Sips模型虽然应用较多，但是传统的吸附等温线模型有一定的局限性，需要等温条件和同质假设，因此存在一定的误差。为解决等温条件,压力和温度统一模型，例如和温度相关的朗缪尔(TDDSL)模型，TDSips也越来越多地应用于预测不同压力和温度条件下的吸附能力。虽然压力和温度统一模型可以突破等温条件的限制，但这些模型在数学上更加复杂，需要对多个参数进行全局优化。因此需要建立一种能够灵活准确的应对各种等温线的通用吸附模型是非常有必要的。本发明基于神经网络算法来拟合五组分气体(CO2、CO、N2、CH4和H2)在沸石13X的吸附等温线模型，与典型的吸附等温线模型(TD Langmuir)进行对比分析，对五组分气体的吸附等温线进行预测。
本发明的目的在于：为了解决背景技术中提到的问题，而提出的一种快速预测不同温度和压力下气体吸附量的方法和系统。
为了实现上述目的，本发明采用了如下技术方案：
一种快速预测不同温度和压力下气体吸附量的方法，包括下述步骤：
步骤S101、数据集的获取：通过实验或者公开文献资料数据为基础，获得不同气体在不同吸附压力和不同温度下的气体吸附量数据，形成算法的数据集；
步骤S102、数据预处理：将所述步骤S101中数据集的所有特征参数作为输入量，气体吸附量作为输出量，其中特征参数包括压力和温度，将数据集随机分成训练集、测试集和验证集，并对数据集进行归一化处理；
步骤S103、人工神经网络训练：将处理好的数据集输入至BP人工神经网络模型中，利用处理后的数据集对BP人工神经网络模型进行训练，调整不同的超参数，使BP人工神经网络模型达到最优结构；
步骤S104、气体吸附量预测：用达到最优结构的BP人工神经网络模型去预测不同温度和不同压力条件下的气体吸附量。
所述步骤S101中气体包括CO2、CO、CH4、N2、H2。
所述步骤S102中的训练集、测试集和验证集的比例为60：20：20。
所述步骤S103中的超参数包括隐含层神经元的个数、初始的权重和偏置。
本发明提供了一种快速预测不同温度和压力下气体吸附量的系统，系统包括：数据集模块、数据预处理模块、ANN模型模块、鲁棒性测试模块、吸附等温线预测模块、氢气纯化性能预测模块，其中：
数据集模块：通过吸附等温线实验或者公开文献资料作为数据基础，获得不同气体在不同吸附压力和温度下的气体吸附量数据，形成算法的训练数据库。
数据预处理模块：将数据集分为训练集，测试集和验证集，并将数据进行归一化。
ANN模型模块：构建神经网络模型，调整最佳的超参数，超参数包括隐含层神经元的个数，隐含层的层数，网络层初始的权重和偏置，可通过遗传算法来获得最佳的神经网络结构。
鲁棒性测试模块：将训练好的神经网络模型和实验值进行对比验证，通过平均偏差值来判断神经网络的拟合情况。
吸附等温线预测模块：将训练好的人工神经网络模型去预测不同的温度和压力条件下的气体吸附量。
氢气纯化性能预测模块：提出来的人工神经网络模型可以预测不同的温度和压力条件下的气体吸附量，将此数学模型可以应用到氢气纯化变压吸附的穿透曲线预测和循环性能预测。
总体而言，与现有技术相比，本发明所构思的以上技术方案，能够取得下列
有益效果：
1.提出的ANN算法可以快速准确的预测不同气体在沸石13X不同压力和温度下的吸附量，算法高效准确，避免重复实验，节约了成本。
2.该发明专利和传统的吸附等温线模型相比，不仅可以预测气体在不同压力和温度下的吸附量，且可同时预测不同气体的吸附量，避免了不同气体多参数数学拟合，在变压吸附制氢中具有广泛的应用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一种快速预测不同温度和压力下气体吸附量的方法的流程图；
图2是本申请实施例中BP人工神经网络基本结构；
图3是本申请实施例中以吸附压力和温度作为输入条件的神经网络模型结构；
图4是本申请实施例中不同吸附等温线型训练集在T＝293K(a)的模拟情况；
图5是本申请实施例中不同吸附等温线模型训练集在T＝308K(b)的模拟情况；
图6是本申请实施例中不同吸附等温线模型训练集在T＝323K(c)的模拟情况；
图7是本申请实施例中一种快速预测不同温度和压力下气体吸附量的系统示意图。
具体实施方式
为了便于理解本发明，下面将对本发明进行更全面的描述，并给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明提供了一种快速预测不同温度和压力下气体吸附量的方法，参见图1所示的流程图，该方法包括以下步骤：
步骤S101、数据集的获取：通过实验或者公开文献资料数据为基础，获得不同气体在不同吸附压力和不同温度下的气体吸附量数据，形成算法的数据集；
步骤S102、数据预处理：将所述步骤S101中数据集的所有特征参数作为输入量，气体吸附量作为输出量，其中特征参数包括压力和温度，将数据集随机分成训练集、测试集和验证集，并对数据集进行归一化处理；
步骤S103、人工神经网络训练：将处理好的数据集输入至BP人工神经网络模型中，利用处理后的数据集对BP人工神经网络模型进行训练，调整不同的超参数，使BP人工神经网络模型达到最优结构；
步骤S104、气体吸附量预测：用达到最优结构的BP人工神经网络模型去预测不同温度和不同压力条件下的气体吸附量。
所述步骤S101中气体包括CO2、CO、CH4、N2、H2。
所述步骤S102中的训练集、测试集和验证集的比例为60：20：20。
所述步骤S103中的超参数包括隐含层神经元的个数、初始的权重和偏置。
下面通过一具体实施例对本发明提供的一种快速预测不同温度和压力下气体吸附量的方法进行说明。BP(BackPropagation)神经网络模型是一种根据误差反向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。在网络的运行过程中，每一次迭代求解的结果会根据与真实值的偏差情况对隐含层的权重进行反馈调整。由于是按照误差反向传播的算法来更新权重，因此称为BP人工神经网络，其结构如图2所示。
BP人工神经网络求解过程为：
1)初始化神经网络中的权值[w1j,w2j,……,wnj]T和偏置bi
2)激活前向传播，得到各层输出和损失函数的期望值
3)根据损失函数，计算输出层的误差项和隐含层的误差项
隐含层单元的误差项的计算公式为
输出层的误差项的计算公式为
4)根据计算的误差和目标误差，更新神经网络中的权值和偏置项隐含层权重和偏重更新公式为：
输出层权重和偏重更新公式为
本发明利用BP人工神经网络来预测不同气体的吸附等温线，以压力(p)和温度(T)作为神经网络的输入，吸附量q作为输出，结构如图3所示。
神经网络模型训练的数据集来源于不同气体的实验值，实验值包含了三种温度下(293K、308K和323K)不同气体的吸附量。数据集被随机分为三部分：训练集、验证集和测试集，比例分别为60:20:20。在网络学习过程中，为了便于训练,必须对样本数据进行预处理，我们一般将数据进行归一化处理，即使数据在[0-1]之间。本发明以MATLAB软件为例，通过调用MATLAB中的函数mapminmax，可使数据集进行归一化。再调用MATLAB中的newff函数，构建BP人工神经网络。将归一化之后的数据输入BP人工神经网络进行训练，调用train函数。BP人工神经网络中的超参数如隐含层神经元的个数，初始的权重和偏置可通过调用MATLAB中的遗传算法optimoptions('ga')来进行优化，当BP人工神经网络的损失函数期望值最低时，模型中的参数达到最优。最后，训练好的BP人工神经网络可以预测气体不同温度和压力条件下的吸附量，可通过sim函数来实现。
图4-6为人工神经网络模型在不同温度下(a＝293K,b＝308K、c＝323K)的验证情况。由图4-6可知，人工神经网络对测试集293K、308K、323K有很好的拟合效果，其提出的神经网络模型比传统的TDLangmuir结果明显要好，尤其是对于CO2气体。
平均偏差(DQaver)用来表示实验值与吸附等温线模型或者神经网络模型之间的偏差：
式中，
和
分别表示气体的实验吸附量值和模型计算的吸附量值，k是实验数据的数量。表1为TDLangmuir模型和神经网络模型与实验值平均偏差的对比情况。
表1TDLangmuir模型和神经网络模型与实验值平均偏差的对比情况
由表1对比可知，在大多数情况下，BP人工神经网络模型比TDLangmuir模型的平均偏差小，可以更快速准确地对气体在不同压力和温度下的吸附量进行预测。
本发明还提供了一种快速预测不同温度和压力下气体吸附量的系统，参见图7，系统包括：数据集模块S601、数据预处理模块S602、ANN模型模块S603、鲁棒性测试模块S604、吸附等温线预测模块S605、氢气纯化性能预测模块S606，其中：
数据集模块S601：通过吸附等温线实验或者公开文献资料作为数据基础，获得不同气体在不同吸附压力和温度下的气体吸附量数据，形成算法的训练数据库。
数据预处理模块S602：将数据集分为训练集，测试集和验证集，并将数据进行归一化。
ANN模型模块S603：构建神经网络模型，调整最佳的超参数，超参数包括隐含层神经元的个数，隐含层的层数，网络层初始的权重和偏置，可通过遗传算法来获得最佳的神经网络结构。
鲁棒性测试模块S604：将训练好的神经网络模型和实验值进行对比验证，通过平均偏差值来判断神经网络的拟合情况。
吸附等温线预测模块S605：将训练好的人工神经网络模型去预测不同的温度和压力条件下的气体吸附量。
氢气纯化性能预测模块S606：提出来的人工神经网络模型可以预测不同的温度和压力条件下的气体吸附量，将此数学模型可以应用到氢气纯化变压吸附的穿透曲线预测和循环性能预测。
需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，可以通过任何合适的方式进行任意组合，其同样落入本发明所公开的范围之内。另外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
Claims (5)
1.一种快速预测不同温度和压力下气体吸附量的方法，其特征在于，包括以下步骤：
步骤S101、数据集的获取：通过实验或者公开文献资料数据为基础，获得不同气体在不同吸附压力和不同温度下的气体吸附量数据，形成算法的数据集；
步骤S102、数据预处理：将所述步骤S101中数据集的所有特征参数作为输入量，气体吸附量作为输出量，其中特征参数包括压力和温度，将数据集随机分成训练集、测试集和验证集，并对数据集进行归一化处理；
步骤S103、人工神经网络训练：将处理好的数据集输入至BP人工神经网络模型中，利用处理后的数据集对BP人工神经网络模型进行训练，调整不同的超参数，使BP人工神经网络模型达到最优结构；
步骤S104、气体吸附量预测：用达到最优结构的BP人工神经网络模型去预测不同温度和不同压力条件下的气体吸附量。
2.如权利要求1所述的一种快速预测不同温度和压力下气体吸附量的方法，其特征在于，所述步骤S101中气体包括CO2、CO、CH4、N2、H2。
3.如权利要求1所述的一种快速预测不同温度和压力下气体吸附量的方法，其特征在于，所述步骤S102中的训练集、测试集和验证集的比例为60：20：20。
4.如权利要求1所述的一种快速预测不同温度和压力下气体吸附量的方法，其特征在于，所述步骤S103中的超参数包括隐含层神经元的个数、初始的权重和偏置。
5.一种快速预测不同温度和压力下气体吸附量的系统，其特征在于，该系统包括数据集模块、数据预处理模块、ANN模型模块、鲁棒性测试模块、吸附等温线预测模块、氢气纯化性能预测模块，其中：
数据集模块：通过吸附等温线实验或者公开文献资料作为数据基础，获得不同气体在不同吸附压力和温度下的气体吸附量数据，形成算法的训练数据库；
数据预处理模块：将数据集分为训练集，测试集和验证集，并将数据进行归一化；
ANN模型模块：构建神经网络模型，调整最佳的超参数，超参数包括隐含层神经元的个数，隐含层的层数，网络层初始的权重和偏置，可通过遗传算法来获得最佳的神经网络结构；
鲁棒性测试模块：将训练好的神经网络模型和实验值进行对比验证，通过平均偏差值来判断神经网络的拟合情况；
吸附等温线预测模块：将训练好的人工神经网络模型去预测不同的温度和压力条件下的气体吸附量；
氢气纯化性能预测模块：提出来的人工神经网络模型可以预测不同的温度和压力条件下的气体吸附量，将此数学模型可以应用到氢气纯化变压吸附的穿透曲线预测和循环性能预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211523471.1A CN115906646A (zh) | 2022-11-30 | 2022-11-30 | 一种快速预测不同温度和压力下气体吸附量的方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211523471.1A CN115906646A (zh) | 2022-11-30 | 2022-11-30 | 一种快速预测不同温度和压力下气体吸附量的方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115906646A true CN115906646A (zh) | 2023-04-04 |
Family
ID=86474324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211523471.1A Pending CN115906646A (zh) | 2022-11-30 | 2022-11-30 | 一种快速预测不同温度和压力下气体吸附量的方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115906646A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117309195A (zh) * | 2023-11-30 | 2023-12-29 | 中控技术股份有限公司 | 测温仪表的检测方法、装置及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763848A (zh) * | 2018-02-10 | 2018-11-06 | 江西航天经纬化工有限公司 | 一种基于bp人工神经网络的推进剂力学性能预测方法 |
| JP2019150768A (ja) * | 2018-03-02 | 2019-09-12 | Ｊｆｅスチール株式会社 | ガス分離方法 |
| CN111625953A (zh) * | 2020-05-21 | 2020-09-04 | 中国石油大学(华东) | 气体高压等温吸附曲线预测方法、系统、存储介质、终端 |
| US20220207223A1 (en) * | 2020-12-31 | 2022-06-30 | Applied Materials, Inc. | Systems and methods for predicting film thickness using virtual metrology |
-
2022
- 2022-11-30 CN CN202211523471.1A patent/CN115906646A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763848A (zh) * | 2018-02-10 | 2018-11-06 | 江西航天经纬化工有限公司 | 一种基于bp人工神经网络的推进剂力学性能预测方法 |
| JP2019150768A (ja) * | 2018-03-02 | 2019-09-12 | Ｊｆｅスチール株式会社 | ガス分離方法 |
| CN111625953A (zh) * | 2020-05-21 | 2020-09-04 | 中国石油大学(华东) | 气体高压等温吸附曲线预测方法、系统、存储介质、终端 |
| US20220207223A1 (en) * | 2020-12-31 | 2022-06-30 | Applied Materials, Inc. | Systems and methods for predicting film thickness using virtual metrology |
Non-Patent Citations (4)
| Title |
|---|
| （德）雷祖尔卡里姆MD.REZAULKARIM: "《Scala机器学习构建现实世界机器学习和深度学习项目》", 北京：机械工业出版社, pages: 225 - 226 * |
| 张楠楠: "层状床变压吸附氢气纯化循环特性的优化", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 1, pages 15 - 100 * |
| 李成龙: "基于机器学习的层状床变压吸附氢气纯化性能优化", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 8, pages 1 - 60 * |
| 郭继通等: "基于遗传算法和神经网络的软脆工件研磨加工工艺智能决策系统", 《表面技术》, vol. 49, no. 04, pages 23 - 29 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117309195A (zh) * | 2023-11-30 | 2023-12-29 | 中控技术股份有限公司 | 测温仪表的检测方法、装置及电子设备 |
| CN117309195B (zh) * | 2023-11-30 | 2024-04-12 | 中控技术股份有限公司 | 测温仪表的检测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840362B (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
| CN115906646A (zh) | 一种快速预测不同温度和压力下气体吸附量的方法和系统 | |
| Jiang et al. | Simulation and optimal design of multiple‐bed pressure swing adsorption systems | |
| EP2185981A1 (en) | System and method for empirical ensemble-based virtual sensing of gas emission | |
| EP0755534A1 (en) | Maximizing process production rates using permanent constraints | |
| JP2008516241A5 (zh) | ||
| TW200630834A (en) | Method and device using intelligent theory to evaluate permeability of heat pipe | |
| CN101650566B (zh) | 催裂化装置常规再生的再生烟气成份动态软测量方法 | |
| US8805587B1 (en) | Method for optimizing and controlling pressure in gas-oil separation plants | |
| CN112489734B (zh) | 一种内燃机替代燃料二甲醚燃烧反应机理模型的简化方法 | |
| CN115324698B (zh) | 基于神经网络的柴油机尾气分析传感方法 | |
| CN112748665A (zh) | 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置 | |
| CN113239991A (zh) | 基于回归生成对抗网络的火焰图像氧浓度预测方法 | |
| CN104765347A (zh) | 一种渣油延迟焦化过程中收率实时预测方法 | |
| Chavoshi et al. | Data‐driven prediction of the probability of creep–fatigue crack initiation in 316H stainless steel | |
| CN108170945B (zh) | 一种航空发动机修后排气温度裕度预测方法 | |
| EP2057512B1 (en) | Method for model gain matrix modification | |
| de Nola et al. | A Model-Based Computer Aided Calibration Methodology Enhancing Accuracy, Time and Experimental Effort Savings Through Regression Techniques and Neural Networks | |
| CN111549193A (zh) | 用于多座高炉热风炉的换炉方法、换炉装置及控制设备 | |
| CN105221280A (zh) | 用于并入燃料特性的发动机控制的系统和方法 | |
| Goldblatt et al. | An evaluation of the long‐wave radiative transfer code used in the Met Office Unified Model | |
| Grimm et al. | A machine learning-aided equilibrium model of VTSA processes for sorbents screening applied to CO2 capture from diluted sources | |
| CN115563824A (zh) | 基于机器学习的双相材料复合管性能预测方法 | |
| CN111275320B (zh) | 一种发电机组的性能调整数据处理方法、系统和存储介质 | |
| Zhao et al. | An identification approach to nonlinear state space model for industrial multivariable model predictive control |
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 |