CN116646022A - 有机固废热解三态产物的预测方法、装置、设备及介质 - Google Patents
有机固废热解三态产物的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116646022A CN116646022A CN202310655074.8A CN202310655074A CN116646022A CN 116646022 A CN116646022 A CN 116646022A CN 202310655074 A CN202310655074 A CN 202310655074A CN 116646022 A CN116646022 A CN 116646022A
- Authority
- CN
- China
- Prior art keywords
- parameter information
- target
- sample
- organic solid
- neural network
- 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
- 239000002910 solid waste Substances 0.000 title claims abstract description 83
- 238000000197 pyrolysis Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000010438 heat treatment Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims description 87
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 19
- 229910052799 carbon Inorganic materials 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 229910052739 hydrogen Inorganic materials 0.000 claims description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 229910052717 sulfur Inorganic materials 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 238000005979 thermal decomposition reaction Methods 0.000 claims description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000001257 hydrogen Substances 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 239000011593 sulfur Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000000921 elemental analysis Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012071 phase Substances 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 239000005060 rubber Substances 0.000 description 2
- 239000007790 solid phase Substances 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 239000010806 kitchen waste Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002906 medical waste Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明涉及有机固废热解技术领域，尤其涉及一种有机固废热解三态产物的预测方法、装置、设备及介质。该方法包括：获取待预测热解三态产物的目标有机固废的输入参数信息，输入参数信息包括工业分析参数、元素分析参数、热解反应器的热解温度、热解反应器的升温速率和有机固废在热解反应器内的停留时间；将输入参数输入到预先训练好的产物预测模型中，得到目标有机固废热解三态产物的输出参数信息，输出参数信息包括如下中的至少一种：产率、组分和热值，产物预测模型是利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练得到的。上述技术方案能够准确快速地对有机固废热解三态产物的相关参数进行预测。
Description
技术领域
本发明涉及有机固废热解技术领域，尤其涉及一种有机固废热解三态产物的预测方法、装置、设备及介质。
背景技术
近年来，随着我国经济的快速发展，有机固体废物产生量迅速上升，大量有机固体废物亟待处置。热解是有机固体废物利用较为理想的技术，有机固体废物(包括橡胶、塑料、污泥等工业固废，生物质、厨余等生活垃圾及医疗废弃物等)在无氧/缺氧条件下热解时，会生成固体、液体、气体的三态产物。
随着以有机固废热解为源头的多联产工艺的不断提出以及环境问题的日益凸显，使得有机固废热解的相关技术研究成为了该领域的热点，但有机固废热解过程是一个非常复杂的物理、化学过程，其热解产物不仅受制于有机固废不同种类自身复杂的物理、化学结构，而且还受制于外部热解条件的影响，例如压力、温度、升温速率和气氛等，从而使得有机固废热解三态产物的预测变得十分困难。
基于此，本发明提出了一种有机固废热解三态产物的预测方法、装置、设备及介质来解决上述技术问题。
发明内容
本发明描述了一种有机固废热解三态产物的预测方法、装置、设备及介质，能够准确快速地对有机固废热解三态产物的相关参数进行预测。
根据第一方面，本发明提供了一种有机固废热解三态产物的预测方法，包括：
获取待预测热解三态产物的目标有机固废的输入参数信息；其中，所述输入参数信息包括工业分析参数、元素分析参数、热解反应器的热解温度、热解反应器的升温速率和有机固废在热解反应器内的停留时间；
将所述输入参数输入到预先训练好的产物预测模型中，得到所述目标有机固废热解三态产物的输出参数信息；其中，所述输出参数信息包括如下中的至少一种：产率、组分和热值，所述产物预测模型是利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练得到的。
根据第二方面，本发明提供了一种有机固废热解三态产物的预测装置，包括：
获取单元，用于获取待预测热解三态产物的目标有机固废的输入参数信息；其中，所述输入参数信息包括工业分析参数、元素分析参数、热解反应器的热解温度、热解反应器的升温速率和有机固废在热解反应器内的停留时间；
预测单元，用于将所述输入参数输入到预先训练好的产物预测模型中，得到所述目标有机固废热解三态产物的输出参数信息；其中，所述输出参数信息包括如下中的至少一种：产率、组分和热值，所述产物预测模型是利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练得到的。
根据第三方面，本发明提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现第一方面的方法。
根据第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
根据本发明提供的有机固废热解三态产物的预测方法、装置、设备及介质，通过利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练而得到产物预测模型，这样就可以将目标有机固废的输入参数信息输入到产物预测模型中，如此可以准确快速地得到目标有机固废热解三态产物的输出参数信息。因此，上述技术方案能够准确快速地对有机固废热解三态产物的相关参数进行预测。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述的附图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示出了根据一个实施例的有机固废热解三态产物的预测方法的流程示意图；
图2示出了根据一个实施例的有机固废热解三态产物的预测装置的示意性框图；
图3示出了根据一个实施例的样本有机固废的均方误差变化曲线图；
图4示出了根据一个实施例的BP神经网络的结构示意图。
具体实施方式
下面结合附图，对本发明提供的方案进行描述。
图1示出根据一个实施例的有机固废热解三态产物的预测方法的流程示意图。可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图1所示，该方法包括:
步骤100、获取待预测热解三态产物的目标有机固废的输入参数信息；其中，输入参数信息包括工业分析参数、元素分析参数、热解反应器的热解温度、热解反应器的升温速率和有机固废在热解反应器内的停留时间；
步骤102、将输入参数输入到预先训练好的产物预测模型中，得到目标有机固废热解三态产物的输出参数信息；其中，输出参数信息包括如下中的至少一种：产率、组分和热值，产物预测模型是利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练得到的。
在本实施例中，通过利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练而得到产物预测模型，这样就可以将目标有机固废的输入参数信息输入到产物预测模型中，如此可以准确快速地得到目标有机固废热解三态产物的输出参数信息。因此，上述技术方案能够准确快速地对有机固废热解三态产物的相关参数进行预测。
需要说明的是，上述输入参数信息具体是通过灰色关联度分析法对发明人收集的大量影响因素进行筛选得到，即上述输入参数信息起到影响上述输出参数信息的决定性作用。
为了避免由权值过大或过小而导致的数值溢出问题，可以考虑对上述输入参数信息进行标准化处理，例如通过如下公式实现：
式中，Xi代表输入数据；μ代表数据序列的均值；σ代表数据序列的标准差。
在本发明一个实施例中，工业分析参数包括水分含量、灰分含量、挥发分含量和固定碳含量，元素分析参数包括碳含量、氢含量、氧含量、氮含量和硫含量。
BP神经网络是一种机器学习算法，通过对大量原始数据进行加工或分析就可以有效地建立起各物理量之间复杂和非线性的内在联系，进而实现对目标问题的准确预测，在数据挖掘方面具有显著的优势和良好的实用性。
BP神经网络的训练过程分为两个部分：首先是工作信号由输入层经隐藏层再到输出层，完成正向传播，在这个过程中各层之间的权值与阈值是不变的；然后是将实际输出与期望输出也就是样本值做比较，误差信号由输出层经隐藏层到达输入层，完成逆向传播，在这一过程中，沿着误差信号的梯度反向修正权值与阈值，通过重复这两个过程，不断调整权值与阈值，直到实际输出与期望输出尽可能的达到相近。
BP神经网络的初始权值和阈值是随机产生的，此后的迭代更新都是对初始值进行小幅度修正。因此，BP神经网络对初始解非常敏感，算法存在不稳定的因素。对此，发明人创造性地发现：可以考虑以一个固定的权值矩阵初始化网络。
此外，BP算法是采用梯度下降的方法确定搜索方向，由于搜索空间存在平坦区域和多个极小值点，该算法极容易出现收敛速度很慢或者陷入局部极小值的情况。针对这一问题，发明人创造性地发现：可以考虑结合具有优良的全局搜索性能的粒子群算法或遗传算法进行优化。粒子群算法或遗传算法均具有较强的自适应性，在迭代过程中不需要用到梯度等问题信息，不存在平坦区的问题，并且可以利用选择算子将陷入局部极小值的模型淘汰。粒子群算法或遗传算法一个种群中有多个个体，它们并行地进行全局搜索，确保最终能找到最优模型。
进一步地，发明人创造性地发现：运用粒子群算法PSO结合遗传算法GA的方法对BP神经网络的初始权值、阈值进行优化，可以达到更好的优化效果。因此，通过构建改进型BP神经网络(即目标BP神经网络)实现基于多元有机固废热解产物特性预测对工业热解过程中反应器的选择及操作条件的设置优化，具有较高的学术价值和重要的现实实用意义。
下面介绍产物预测模型的训练过程。
在本发明一个实施例中，产物预测模型具体是通过如下方式训练得到的：
确定BP神经网络的网络结构；其中，网络结构包括权值和阈值；
对BP神经网络的权值和阈值进行编码，得到初始种群；其中，将权值和阈值均作为初始种群的粒子；
设定遗传算法的算法参数；其中，算法参数包括：粒子群规模、最大进化次数、交叉概率、变异概率、学习率、粒子的速度范围和位置范围；
对初始种群中每一个粒子的速度和位置均进行初始化，并计算初始种群中每一个粒子的适应度值；
对初始种群中每一个粒子的速度和位置均进行更新，并计算更新后的每一个粒子的适应度值；
基于更新后的每一个粒子的适应度值，对初始种群的粒子进行选择、交叉和变异，得到下一代种群，循环执行对每一代种群的粒子的适应度值计算、选择、交叉和变异，直至完成最大进化次数的迭代，并输出适应度值最高的全局最优粒子；
对全局最优粒子进行解码，得到最优权值和最优阈值；
将最优权值和最优阈值赋值到BP神经网络，得到目标BP神经网络；
利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练，得到产物预测模型。
在本发明一个实施例中，步骤“利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练，得到产物预测模型”，包括：
在利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练的过程中，根据如下公式对目标BP神经网络的学习率进行调整：
式中，η为学习率，β为0-1之间的常数，γ为1-2之间的常数，n为网络当前的训练次数，n为有限的正整数，dik为第i个样本的第k个期望输出值，aik为第i个样本的第k个实际网络输出值，mse(n)表示实际网络输出值与期望输出值之间的均方误差，N为样本数；
当目标BP神经网络的均方误差小于预设的目标均方误差或者目标BP神经网络的训练次数达到预设的最大训练次数时，完成对目标BP神经网络的训练，并得到产物预测模型。
在本实施例中，在对BP神经网络采用PS0算法联合GA算法优化权值、阈值的基础上，又在BP神经网络中附加自适应学习率的方式，进一步促进网络的高效学习与快速收敛，有效的改善了普通BP神经网络存在的收敛速度慢、易陷入局部极小值等缺陷。
综上所述，上述方法采用有机固废的工业分析参数(M、A、V、FC)、元素分析参数(C、H、O、N、S)、热解温度、升温速率和停留时间实现对有机固废三态热解产物的准确预测，本发明运用粒子群算法PSO结合遗传算法GA的方法对BP神经网络的初始权值、阈值进行优化，而后在BP神经网络的运算过程中嵌入自适应学习率，在进行网络训练之前，所有数据都进行标准化处理，本发明通过PSO算法与GA算法来提高BP神经网络的稳定性，同时借助附加自适应学习率的方式实现BP神经网络的快速收敛，数据的标准化处理避免了由权值过大或过小而导致的数值溢出问题，进而提高了BP神经网络的运算效率和预测数据的预测精度。本发明具有模型简单、易操作、预测精度高、现阶段利于推广、应用环境广泛等优点。
下面结合具体实验数据对上述方法进行介绍。
步骤S1、选取橡胶、塑料、污泥、厨余、生物质等共70余种有机固废在热解温度为250～900℃、升温速率为5～1200000℃/min、固相保温时间为0.01～60min、气相停留时间为0.01～12min时，所对应的三态热解产物产率、组分与热值共367组数据作为学习样本；选取橡胶手套、棉签棒、纱布、输液管、注射器等热解温度为300～600℃、升温速率为300～1200℃/min、固相保温时间为20～40min、气相停留时间为0.01～1min时，所对应的三态热解产物产率、组分与热值共55组数据作为预测样本；
把学习样本和预测样本的工业分析参数(M、A、V、FC)、元素分析参数(C、H、O、N、S)、热解温度、升温速率和停留时间等十二个参数作为输入，以有机固废三态产物产率、组分与热值作为输出，同时确定网络的拓扑结构(可参见图4)，并得到初始权值、阈值的长度；
步骤S2、基于上述输入、输出参数构建特征矩阵，并进行标准化处理，如下：
式中，Xi代表输入数据；μ代表数据序列的均值；σ代表数据序列的标准差；
步骤S3、初始化算法参数，包括粒子群规模Sizepop＝60、最大进化次数Maxiter＝50、交叉概率Pc＝0.6、变异概率Pm＝0.1、学习率η＝0.004，目标误差Eo＝0.001、最大运算次数MaxE＝50000，同时限定粒子的速度范围[Vmin，Vmax]＝[-1，1]和位置范围[Xmin，Xmax]＝[-5，5]；
步骤S4、初始化粒子群中每一个粒子的速度V和位置X，并计算每一个粒子的适应度值；
步骤S5、更新粒子群中每一个粒子的速度和位置按如下公式进行：
式中，vid为在d维搜索空间第i个粒子的飞行速度，xid为第i个粒子在d维搜索空间的位置，qid为在d维空间第i个粒子的历史最佳位置，qgd为在d维空间粒子群体的历史最佳位置，r1、r2为[0，1]之间的随机数；c1、c2为加速因子，c1＝c2取值为1.3；t为迭代次数，ω为惯性权值，ω取值为0.8；
步骤S6、对更新后的粒子计算适应度，进行遗传操作，找出优秀粒子：
a、选择：基于粒子适应度比例的形式进行选择，每个粒子被选择的概率pi为：
式中，表示第i个粒子的适应度值，N为样本个数，K为输出层节点数，dik为第i个样本的第k个期望输出值，aik为第i个样本的第k个实际网络输出值，M为粒子群的粒子数目；
b、交叉：基于上述选择操作中符合设定交叉概率pc的粒子，通过交叉算子对粒子进行两两信息交换重组，产生新的粒子群；
c、变异：依据设定的变异概率pm，在新的粒子群中选出一个粒子，选择该粒子中的一点进行变异，产生新粒子；
步骤S7、对步骤S6选出的新粒子进行适应度评价，保留该次迭代中的最优粒子，返回步骤S5进行迭代，对迭代后的新粒子进行适应度评价，得到全局最优粒子；
适应度评价方法为：
确定新粒子的适应度
若则/>且Pid＝Xid；
若则/>且Pgd＝Xid；
式中，为第i个粒子的最优适应度值，/>为第h次迭代时粒子的最优适应度值，Pid为第i个粒子在d维空间的位置，Pgd为第h次迭代时粒子在d维空间的位置；
步骤S8、对全局最优粒子解码得到最优的权值、阈值；
步骤S9、将得到的最优的权值、阈值赋给附加自适应学习率的BP算法即A-BP算法，并作为A-BP算法的初始权值、阈值；
步骤S10、提取步骤S2中特征矩阵中的学习样本，再次对A-BP算法的权值、阈值进行迭代优化，其优化过程借助于网络产生的均分误差函数进行：
式中，mse(n)表示实际网络输出值与期望输出值之间的均方误差，n为网络当前的训练次数，dik为第i个样本的第k个期望输出值，aik为第i个样本的第k个实际网络输出值，N为样本数；
步骤S11、在利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练的过程中，根据如下公式对目标BP神经网络的学习率进行调整：
式中，η为学习率，β为0-1之间的常数，γ为1-2之间的常数，n为网络当前的训练次数，n为有限的正整数，dik为第i个样本的第k个期望输出值，aik为第i个样本的第k个实际网络输出值，mse(n)表示实际网络输出值与期望输出值之间的均方误差，N为样本数；
步骤S12、当目标BP神经网络的均方误差小于预设的目标均方误差或者目标BP神经网络的训练次数达到预设的最大训练次数时，完成对目标BP神经网络的训练，并得到产物预测模型。
步骤S13、将输入参数输入到预先训练好的产物预测模型中，得到目标有机固废热解三态产物的产率、组分和热值。
为了验证本发明的有益效果，发明人采用普通BP模型进行预测，普通BP模型及本发明的训练样本均方误差变化，如图3可知，本发明的预测方法具有更好的收敛能力。
上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
根据另一方面的实施例，本发明提供了一种有机固废热解三态产物的预测装置。图2示出根据一个实施例的有机固废热解三态产物的预测装置的示意性框图。可以理解，该装置可以通过任何具有计算、处理能力的装置、设备、平台和设备集群来实现。如图2所示，该装置包括：获取单元200和预测单元202。其中各组成单元的主要功能如下：
获取单元200，用于获取待预测热解三态产物的目标有机固废的输入参数信息；其中，输入参数信息包括工业分析参数、元素分析参数、热解反应器的热解温度、热解反应器的升温速率和有机固废在热解反应器内的停留时间；
预测单元202，用于将输入参数输入到预先训练好的产物预测模型中，得到目标有机固废热解三态产物的输出参数信息；其中，输出参数信息包括如下中的至少一种：产率、组分和热值，产物预测模型是利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练得到的。
在本发明一个实施例中，工业分析参数包括水分含量、灰分含量、挥发分含量和固定碳含量，元素分析参数包括碳含量、氢含量、氧含量、氮含量和硫含量。
在本发明一个实施例中，产物预测模型具体是通过如下方式训练得到的：
确定BP神经网络的网络结构；其中，网络结构包括权值和阈值；
对BP神经网络的权值和阈值进行编码，得到初始种群；其中，将权值和阈值均作为初始种群的粒子；
设定遗传算法的算法参数；其中，算法参数包括：粒子群规模、最大进化次数、交叉概率、变异概率、学习率、粒子的速度范围和位置范围；
对初始种群中每一个粒子的速度和位置均进行初始化，并计算初始种群中每一个粒子的适应度值；
对初始种群中每一个粒子的速度和位置均进行更新，并计算更新后的每一个粒子的适应度值；
基于更新后的每一个粒子的适应度值，对初始种群的粒子进行选择、交叉和变异，得到下一代种群，循环执行对每一代种群的粒子的适应度值计算、选择、交叉和变异，直至完成最大进化次数的迭代，并输出适应度值最高的全局最优粒子；
对全局最优粒子进行解码，得到最优权值和最优阈值；
将最优权值和最优阈值赋值到BP神经网络，得到目标BP神经网络；
利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练，得到产物预测模型。
在本发明一个实施例中，利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练，得到产物预测模型，包括：
在利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练的过程中，根据如下公式对目标BP神经网络的学习率进行调整：
式中，η为学习率，β为0-1之间的常数，γ为1-2之间的常数，n为网络当前的训练次数，n为有限的正整数，dik为第i个样本的第k个期望输出值，aik为第i个样本的第k个实际网络输出值，mse(n)表示实际网络输出值与期望输出值之间的均方误差，N为样本数；
当目标BP神经网络的均方误差小于预设的目标均方误差或者目标BP神经网络的训练次数达到预设的最大训练次数时，完成对目标BP神经网络的训练，并得到产物预测模型。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当计算机程序在计算机中执行时，令计算机执行结合图1所描述的方法。
根据再一方面的实施例，还提供一种电子设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图1所述的方法。
本发明的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种有机固废热解三态产物的预测方法，其特征在于，包括：
获取待预测热解三态产物的目标有机固废的输入参数信息；其中，所述输入参数信息包括工业分析参数、元素分析参数、热解反应器的热解温度、热解反应器的升温速率和有机固废在热解反应器内的停留时间；
将所述输入参数输入到预先训练好的产物预测模型中，得到所述目标有机固废热解三态产物的输出参数信息；其中，所述输出参数信息包括如下中的至少一种：产率、组分和热值，所述产物预测模型是利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述工业分析参数包括水分含量、灰分含量、挥发分含量和固定碳含量，所述元素分析参数包括碳含量、氢含量、氧含量、氮含量和硫含量。
3.根据权利要求1或2所述的方法，其特征在于，所述产物预测模型具体是通过如下方式训练得到的：
确定BP神经网络的网络结构；其中，所述网络结构包括权值和阈值；
对所述BP神经网络的权值和阈值进行编码，得到初始种群；其中，将所述权值和所述阈值均作为所述初始种群的粒子；
设定遗传算法的算法参数；其中，所述算法参数包括：粒子群规模、最大进化次数、交叉概率、变异概率、学习率、粒子的速度范围和位置范围；
对所述初始种群中每一个粒子的速度和位置均进行初始化，并计算所述初始种群中每一个粒子的适应度值；
对所述初始种群中每一个粒子的速度和位置均进行更新，并计算更新后的每一个粒子的适应度值；
基于更新后的每一个粒子的适应度值，对所述初始种群的粒子进行选择、交叉和变异，得到下一代种群，循环执行对每一代种群的粒子的适应度值计算、选择、交叉和变异，直至完成所述最大进化次数的迭代，并输出适应度值最高的全局最优粒子；
对所述全局最优粒子进行解码，得到最优权值和最优阈值；
将所述最优权值和所述最优阈值赋值到所述BP神经网络，得到目标BP神经网络；
利用样本有机固废已知的样本输入参数信息和样本输出参数信息对所述目标BP神经网络进行训练，得到所述产物预测模型。
4.根据权利要求3所述的方法，其特征在于，所述利用样本有机固废已知的样本输入参数信息和样本输出参数信息对所述目标BP神经网络进行训练，得到所述产物预测模型，包括：
在利用样本有机固废已知的样本输入参数信息和样本输出参数信息对所述目标BP神经网络进行训练的过程中，根据如下公式对所述目标BP神经网络的学习率进行调整：
式中，η为学习率，β为0-1之间的常数，γ为1-2之间的常数，n为网络当前的训练次数，n为有限的正整数，dik为第i个样本的第k个期望输出值，aik为第i个样本的第k个实际网络输出值，mse(n)表示实际网络输出值与期望输出值之间的均方误差，N为样本数；
当所述目标BP神经网络的均方误差小于预设的目标均方误差或者所述目标BP神经网络的训练次数达到预设的最大训练次数时，完成对所述目标BP神经网络的训练，并得到所述产物预测模型。
5.一种有机固废热解三态产物的预测装置，其特征在于，包括：
获取单元，用于获取待预测热解三态产物的目标有机固废的输入参数信息；其中，所述输入参数信息包括工业分析参数、元素分析参数、热解反应器的热解温度、热解反应器的升温速率和有机固废在热解反应器内的停留时间；
预测单元，用于将所述输入参数输入到预先训练好的产物预测模型中，得到所述目标有机固废热解三态产物的输出参数信息；其中，所述输出参数信息包括如下中的至少一种：产率、组分和热值，所述产物预测模型是利用样本有机固废已知的样本输入参数信息和样本输出参数信息对目标BP神经网络进行训练得到的。
6.根据权利要求5所述的装置，其特征在于，所述工业分析参数包括水分含量、灰分含量、挥发分含量和固定碳含量，所述元素分析参数包括碳含量、氢含量、氧含量、氮含量和硫含量。
7.根据权利要求5或6所述的装置，其特征在于，所述产物预测模型是通过如下方式训练得到的：
确定BP神经网络的网络结构；其中，所述网络结构包括权值和阈值；
对所述BP神经网络的权值和阈值进行编码，得到初始种群；其中，将所述权值和所述阈值均作为所述初始种群的粒子；
设定遗传算法的算法参数；其中，所述算法参数包括：粒子群规模、最大进化次数、交叉概率、变异概率、学习率、粒子的速度范围和位置范围；
对所述初始种群中每一个粒子的速度和位置均进行初始化，并计算所述初始种群中每一个粒子的适应度值；
对所述初始种群中每一个粒子的速度和位置均进行更新，并计算更新后的每一个粒子的适应度值；
基于更新后的每一个粒子的适应度值，对所述初始种群的粒子进行选择、交叉和变异，得到下一代种群，循环执行对每一代种群的粒子的适应度值计算、选择、交叉和变异，直至完成所述最大进化次数的迭代，并输出适应度值最高的全局最优粒子；
对所述全局最优粒子进行解码，得到最优权值和最优阈值；
将所述最优权值和所述最优阈值赋值到所述BP神经网络，得到目标BP神经网络；
利用样本有机固废已知的样本输入参数信息和样本输出参数信息对所述目标BP神经网络进行训练，得到所述产物预测模型。
8.根据权利要求7所述的装置，其特征在于，所述利用样本有机固废已知的样本输入参数信息和样本输出参数信息对所述目标BP神经网络进行训练，得到所述产物预测模型，包括：
在利用样本有机固废已知的样本输入参数信息和样本输出参数信息对所述目标BP神经网络进行训练的过程中，根据如下公式对所述目标BP神经网络的学习率进行调整：
式中，η为学习率，β为0-1之间的常数，γ为1-2之间的常数，n为网络当前的训练次数，n为有限的正整数，dik为第i个样本的第k个期望输出值，aik为第i个样本的第k个实际网络输出值，mse(n)表示实际网络输出值与期望输出值之间的均方误差，N为样本数；
当所述目标BP神经网络的均方误差小于预设的目标均方误差或者所述目标BP神经网络的训练次数达到预设的最大训练次数时，完成对所述目标BP神经网络的训练，并得到所述产物预测模型。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-4中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310655074.8A CN116646022A (zh) | 2023-06-05 | 2023-06-05 | 有机固废热解三态产物的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310655074.8A CN116646022A (zh) | 2023-06-05 | 2023-06-05 | 有机固废热解三态产物的预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116646022A true CN116646022A (zh) | 2023-08-25 |
Family
ID=87618622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310655074.8A Pending CN116646022A (zh) | 2023-06-05 | 2023-06-05 | 有机固废热解三态产物的预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116646022A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454327A (zh) * | 2023-12-26 | 2024-01-26 | 山东建筑大学 | 基于多项式回归的有机废弃物热解气组分预测方法及系统 |
| CN117786569A (zh) * | 2023-12-12 | 2024-03-29 | 中国科学院大学 | 一种污泥热解工艺智能控制方法及其应用 |
-
2023
- 2023-06-05 CN CN202310655074.8A patent/CN116646022A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786569A (zh) * | 2023-12-12 | 2024-03-29 | 中国科学院大学 | 一种污泥热解工艺智能控制方法及其应用 |
| CN117786569B (zh) * | 2023-12-12 | 2024-05-24 | 中国科学院大学 | 一种污泥热解工艺智能控制方法及其应用 |
| CN117454327A (zh) * | 2023-12-26 | 2024-01-26 | 山东建筑大学 | 基于多项式回归的有机废弃物热解气组分预测方法及系统 |
| CN117454327B (zh) * | 2023-12-26 | 2024-03-15 | 山东建筑大学 | 基于多项式回归的有机废弃物热解气组分预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | AS-NAS: Adaptive scalable neural architecture search with reinforced evolutionary algorithm for deep learning | |
| CN116646022A (zh) | 有机固废热解三态产物的预测方法、装置、设备及介质 | |
| Curteanu et al. | Neural networks applied in chemistry. I. Determination of the optimal topology of multilayer perceptron neural networks | |
| Yang et al. | Online sequential echo state network with sparse RLS algorithm for time series prediction | |
| Yang et al. | Hybrid prediction method for wind speed combining ensemble empirical mode decomposition and Bayesian ridge regression | |
| Li et al. | Identification method of neuro‐fuzzy‐based Hammerstein model with coloured noise | |
| Xuesong et al. | Research on contaminant sources identification of uncertainty water demand using genetic algorithm | |
| Xue et al. | Matching sensor ontologies with multi-context similarity measure and parallel compact differential evolution algorithm | |
| Liu et al. | Neural network for change direction prediction in dynamic optimization | |
| Shaha et al. | Performance prediction and interpretation of a refuse plastic fuel fired boiler | |
| Chao et al. | Fuzzy cerebellar model articulation controller network optimization via self-adaptive global best harmony search algorithm | |
| Yi et al. | Intergroup cascade broad learning system with optimized parameters for chaotic time series prediction | |
| Lu et al. | An adaptive neural architecture search design for collaborative edge-cloud computing | |
| Dong et al. | Data‐driven control based on simultaneous perturbation stochastic approximation with adaptive weighted gradient estimation | |
| Basterrech et al. | Evolutionary Echo State Network: A neuroevolutionary framework for time series prediction | |
| Kim et al. | Trends in neural architecture search: Towards the acceleration of search | |
| Han et al. | Knowledge reconstruction for dynamic multi-objective particle swarm optimization using fuzzy neural network | |
| Sun et al. | Recurrent neural system with minimum complexity: A deep learning perspective | |
| Deng et al. | A progressive predictor-based quantum architecture search with active learning | |
| Su et al. | Effluent ammonia nitrogen prediction using a phase space reconstruction method combining pipelined recurrent wavelet neural network | |
| Zhang et al. | Mean almost periodicity and moment exponential stability of discrete-time stochastic shunting inhibitory cellular neural networks with time delays | |
| Upadhyay et al. | IIR system identification using differential evolution with wavelet mutation | |
| Wang et al. | Soft Sensor Modeling of Self-Organizing Interval Type-2 Fuzzy Neural Network Based on Adaptive Quantum-Behaved Particle Swarm Optimization Algorithm | |
| Liu et al. | A PSO-RBF neural network for BOD multi-step prediction in wastewater treatment process | |
| Han et al. | Identification of CSTR using extreme learning machine based hammerstein-wiener model |
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 |