CN118059642A - 用于脱除石油轻烃中硫化氢的方法 - Google Patents
用于脱除石油轻烃中硫化氢的方法 Download PDFInfo
- Publication number
- CN118059642A CN118059642A CN202410455124.2A CN202410455124A CN118059642A CN 118059642 A CN118059642 A CN 118059642A CN 202410455124 A CN202410455124 A CN 202410455124A CN 118059642 A CN118059642 A CN 118059642A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature map
- feature
- scale
- training
- 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
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 title claims abstract description 105
- 229910000037 hydrogen sulfide Inorganic materials 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 65
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 44
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 44
- 239000003208 petroleum Substances 0.000 title claims abstract description 44
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 27
- 239000007789 gas Substances 0.000 claims abstract description 126
- 238000006243 chemical reaction Methods 0.000 claims abstract description 106
- 238000010521 absorption reaction Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 99
- 230000004044 response Effects 0.000 claims description 78
- 238000010586 diagram Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000007788 liquid Substances 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 22
- 239000006096 absorbing agent Substances 0.000 claims description 20
- 238000007599 discharging Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 238000003795 desorption Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000002156 mixing Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000005507 spraying Methods 0.000 claims description 4
- 238000004090 dissolution Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 20
- 238000012098 association analyses Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 25
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 18
- 238000009826 distribution Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 239000003513 alkali Substances 0.000 description 4
- 239000003518 caustics Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000010802 sludge Substances 0.000 description 4
- 229910052979 sodium sulfide Inorganic materials 0.000 description 4
- GRVFOGOEDUUMBP-UHFFFAOYSA-N sodium sulfide (anhydrous) Chemical compound [Na+].[Na+].[S-2] GRVFOGOEDUUMBP-UHFFFAOYSA-N 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000006477 desulfuration reaction Methods 0.000 description 3
- 230000023556 desulfurization Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 238000004523 catalytic cracking Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Landscapes
- Physical Or Chemical Processes And Apparatus (AREA)
Abstract
本申请公开了一种用于脱除石油轻烃中硫化氢的方法,其通过在进行混合反应的过程中,通过传感器组实时监测采集吸收塔排出气体和燃烧器排出气体的流速值,以及,撞击流反应器中的温度值,并在后端引入数据处理和分析算法来进行这些混合反应参数数据的时序协同关联分析,以此来建立吸收塔排出气体的流速值和燃烧器排出气体的流速值与撞击流反应器中的温度值之间的关联关系,以便更好地控制撞击流反应器内的混合反应过程,实现硫化氢脱除过程的高效运行。
Description
技术领域
本申请涉及智能脱硫领域,且更为具体地,涉及一种用于脱除石油轻烃中硫化氢的方法。
背景技术
石化企业中的催化裂化液化气、乙烯裂解气中含有大量硫化氢,石油轻烃中硫化氢的存在会对炼油和石化过程造成腐蚀和环境问题。因此,需要有效的方法来脱除硫化氢。然而,传统的硫化氢脱除工艺中的主要步骤需要将处理的物料与事先配置好的一定浓度的氢氧化钠碱溶液混合,其物料中所含有的硫化氢与氢氧化钠反应,生成硫化钠进入到碱液中,从而脱除物料中的硫化氢。上述现有技术中存在的主要问题是:一方面,在用氢氧化钠脱除硫化氢的过程中会产生大量废碱渣,而废碱渣中含有大量硫化钠,硫化钠很不稳定,在储存、运输等过程中会分解释放出大量硫化氢污染环境;不能够有效的对于石油轻烃中的硫化氢进行脱除,导致脱硫的效果降低,无法满足生产要求。
因此,期望一种优化的用于脱除石油轻烃中硫化氢的方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于脱除石油轻烃中硫化氢的方法,其可以控制撞击流反应器内的混合反应过程,实现硫化氢脱除过程的高效运行。
根据本申请的一个方面,提供了一种用于脱除石油轻烃中硫化氢的方法,其包括:将含有硫化氢的气体通过吸收塔,所述吸收塔使用喷淋的液体工质对所述含有硫化氢的气体进行部分溶解以得到硫化氢溶解液,并将所述吸收塔中未被溶解的所述含有硫化氢的气体从所述吸收塔的排气端排出以得到吸收塔排出气体;将所述硫化氢溶解液通过所述吸收塔的排液端排出,并将排出的所述硫化氢溶解液通过热泵机组中进行升温处理后输入解吸塔中进行解析分离以得到分离硫化氢气体和分离液体工质;将所述分离硫化氢气体通过所述解吸塔的气体排出端排出,并将所述分离液体工质通过所述热泵机组中进行降温处理后输入所述吸收塔中进行喷淋;将所述解吸塔的气体排出端排出的分离硫化氢气体通过燃烧器中进行燃烧后通过所述燃烧器的排出端进行排出以得到燃烧器排出气体;将所述吸收塔排出气体和所述燃烧器排出气体通过撞击流反应器中进行混合反应,并将反应后的气体从所述撞击流反应器的排出端排出。
在上述用于脱除石油轻烃中硫化氢的方法中,将所述吸收塔排出气体和所述燃烧器排出气体通过撞击流反应器中进行混合反应,并将反应后的气体从所述撞击流反应器的排出端排出,包括:获取由传感器组采集的所述吸收塔排出气体的流速值、所述燃烧器排出气体的流速值和所述撞击流反应器中的温度值的时间序列;将所述吸收塔排出气体的流速值、所述燃烧器排出气体的流速值和所述撞击流反应器中的温度值的时间序列按照时间维度和反应参数样本维度进行数据规整以得到反应参数时序输入矩阵;通过基于深度神经网络模型的反应参数时序模式关联特征提取器对所述反应参数时序输入矩阵进行特征提取以得到反应参数时序模式关联特征图;将所述反应参数时序模式关联特征图进行多尺度特征感知以得到反应参数时序模式多尺度关联特征;基于所述反应参数时序模式多尺度关联特征,确定当前时间点的撞击流反应器中的温度值应增大、减小或不变。
在上述用于脱除石油轻烃中硫化氢的方法中,所述深度神经网络模型为卷积神经网络模型。
在上述用于脱除石油轻烃中硫化氢的方法中,将所述反应参数时序模式关联特征图进行多尺度特征感知以得到反应参数时序模式多尺度关联特征图作为反应参数时序模式多尺度关联特征,包括:将所述反应参数时序模式关联特征图通过基于Ghost-SE-Res2Net模块的多尺度特征感知器以得到反应参数时序模式多尺度关联特征图作为所述反应参数时序模式多尺度关联特征。
在上述用于脱除石油轻烃中硫化氢的方法中,将所述反应参数时序模式关联特征图通过基于Ghost-SE-Res2Net模块的多尺度特征感知器以得到反应参数时序模式多尺度关联特征图作为所述反应参数时序模式多尺度关联特征,包括:将所述反应参数时序模式关联特征图通过所述多尺度特征感知器中的基于1×1卷积核的第一卷积层以得到通道变换反应参数时序模式关联特征图;将所述通道变换反应参数时序模式关联特征图沿着通道维度进行拆分以得到第一分支特征图、第二分支特征图、第三分支特征图和第四分支特征图;将所述第一分支特征图通过所述多尺度特征感知器中的卷积神经网络模型以得到第一分支输出特征图;将所述第二分支特征图通过所述多尺度特征感知器中的Ghost模块进行处理以得到第二分支输出特征图;将所述第二分支输出特征图和所述第三分支特征图进行融合后通过所述多尺度特征感知器中的Ghost模块进行处理以得到第三分支输出特征图;将所述第三分支输出特征图和所述第四分支特征图进行融合后通过所述多尺度特征感知器中的Ghost模块进行处理以得到第四分支输出特征图;融合所述第一分支输出特征图、所述第二分支输出特征图、所述第三分支输出特征图和所述第四分支输出特征图以得到多分支融合特征图;将所述多分支融合特征图通过所述多尺度特征感知器中的基于1×1卷积核的第五卷积层进行处理以得到通道变换多分支融合特征图;融合所述通道变换多分支融合特征图和所述反应参数时序模式关联特征图以得到所述反应参数时序模式多尺度关联特征图。
在上述用于脱除石油轻烃中硫化氢的方法中,将所述第二分支特征图通过所述多尺度特征感知器中的Ghost模块进行处理以得到第二分支输出特征图,包括:将所述第二分支特征图通过所述Ghost模块中的卷积层以得到第二分支深层特征图;对所述第二分支深层特征图进行线性变换以得到多个幻影特征图;将所述多个幻影特征图和所述第二分支深层特征图进行拼接以得到所述第二分支输出特征图。
在上述用于脱除石油轻烃中硫化氢的方法中,基于所述反应参数时序模式多尺度关联特征,确定当前时间点的撞击流反应器中的温度值应增大、减小或不变,包括:将所述反应参数时序模式多尺度关联特征图通过基于分类器的温度控制器以得到控制结果,所述控制结果用于表示当前时间点的撞击流反应器中的温度值应增大、减小或不变。
在上述用于脱除石油轻烃中硫化氢的方法中,还包括训练步骤:用于对所述基于深度神经网络模型的反应参数时序模式关联特征提取器、所述基于Ghost-SE-Res2Net模块的多尺度特征感知器和所述基于分类器的温度控制器进行训练。
在上述用于脱除石油轻烃中硫化氢的方法中,所述训练步骤,包括:获取训练数据,所述训练数据包括由传感器组采集的所述吸收塔排出气体的训练流速值、所述燃烧器排出气体的训练流速值和所述撞击流反应器中的训练温度值的时间序列;将所述吸收塔排出气体的训练流速值、所述燃烧器排出气体的训练流速值和所述撞击流反应器中的训练温度值的时间序列按照时间维度和反应参数样本维度进行数据规整以得到训练反应参数时序输入矩阵;通过基于深度神经网络模型的反应参数时序模式关联特征提取器对所述训练反应参数时序输入矩阵进行特征提取以得到训练反应参数时序模式关联特征图;将所述训练反应参数时序模式关联特征图进行多尺度特征感知以得到训练反应参数时序模式多尺度关联特征图;对所述训练反应参数时序模式多尺度关联特征图进行优化以得到优化训练反应参数时序模式多尺度关联特征图;将所述优化训练反应参数时序模式多尺度关联特征图通过基于分类器的温度控制器以得到分类损失函数值;基于所述分类损失函数值对所述基于深度神经网络模型的反应参数时序模式关联特征提取器、所述基于Ghost-SE-Res2Net模块的多尺度特征感知器和所述基于分类器的温度控制器进行训练。
在上述用于脱除石油轻烃中硫化氢的方法中,对所述训练反应参数时序模式多尺度关联特征图进行优化以得到优化训练反应参数时序模式多尺度关联特征图,包括:对所述训练反应参数时序模式多尺度关联特征图中沿通道维度的各个特征矩阵进行基于特征场景的类概率逻辑关联推理以得到多个推理系数组成的推理系数向量;将所述推理系数向量中的各个推理系数作为加权系数分别对所述训练反应参数时序模式多尺度关联特征图的相应的特征矩阵进行加权优化以得到所述优化训练反应参数时序模式多尺度关联特征图。
与现有技术相比,本申请提供的一种用于脱除石油轻烃中硫化氢的方法,其通过在进行混合反应的过程中,通过传感器组实时监测采集吸收塔排出气体和燃烧器排出气体的流速值,以及,撞击流反应器中的温度值,并在后端引入数据处理和分析算法来进行这些混合反应参数数据的时序协同关联分析,以此来建立吸收塔排出气体的流速值和燃烧器排出气体的流速值与撞击流反应器中的温度值之间的关联关系,以便更好地控制撞击流反应器内的混合反应过程,实现硫化氢脱除过程的高效运行。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的用于脱除石油轻烃中硫化氢的方法的流程图。
图2为根据本申请实施例的用于脱除石油轻烃中硫化氢的方法的系统架构图。
图3为根据本申请实施例的用于脱除石油轻烃中硫化氢的方法的训练阶段的流程图。
图4为根据本申请实施例的用于脱除石油轻烃中硫化氢的方法的子步骤S5的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
传统的硫化氢脱除工艺中的主要步骤需要将处理的物料与事先配置好的一定浓度的氢氧化钠碱溶液混合,其物料中所含有的硫化氢与氢氧化钠反应,生成硫化钠进入到碱液中,从而脱除物料中的硫化氢。上述现有技术中存在的主要问题是:一方面,在用氢氧化钠脱除硫化氢的过程中会产生大量废碱渣,而废碱渣中含有大量硫化钠,硫化钠很不稳定,在储存、运输等过程中会分解释放出大量硫化氢污染环境;不能够有效的对于石油轻烃中的硫化氢进行脱除,导致脱硫的效果降低,无法满足生产要求。因此,期望一种优化的用于脱除石油轻烃中硫化氢的方案。
在本申请的技术方案中,提出了一种用于脱除石油轻烃中硫化氢的方法。图1为根据本申请实施例的用于脱除石油轻烃中硫化氢的方法的流程图。如图1所示,根据本申请的实施例的用于脱除石油轻烃中硫化氢的方法,包括步骤:S1,将含有硫化氢的气体通过吸收塔,所述吸收塔使用喷淋的液体工质对所述含有硫化氢的气体进行部分溶解以得到硫化氢溶解液,并将所述吸收塔中未被溶解的所述含有硫化氢的气体从所述吸收塔的排气端排出以得到吸收塔排出气体;S2,将所述硫化氢溶解液通过所述吸收塔的排液端排出,并将排出的所述硫化氢溶解液通过热泵机组中进行升温处理后输入解吸塔中进行解析分离以得到分离硫化氢气体和分离液体工质;S3,将所述分离硫化氢气体通过所述解吸塔的气体排出端排出,并将所述分离液体工质通过所述热泵机组中进行降温处理后输入所述吸收塔中进行喷淋;S4,将所述解吸塔的气体排出端排出的分离硫化氢气体通过燃烧器中进行燃烧后通过所述燃烧器的排出端进行排出以得到燃烧器排出气体;S5,将所述吸收塔排出气体和所述燃烧器排出气体通过撞击流反应器中进行混合反应,并将反应后的气体从所述撞击流反应器的排出端排出。
特别地,所述S1,将含有硫化氢的气体通过吸收塔,所述吸收塔使用喷淋的液体工质对所述含有硫化氢的气体进行部分溶解以得到硫化氢溶解液,并将所述吸收塔中未被溶解的所述含有硫化氢的气体从所述吸收塔的排气端排出以得到吸收塔排出气体。其中,吸收塔是一种用于气体-液体或气体-固体之间物质传递的装置。它通常用于工业领域中的气体处理和净化过程中,以去除气体中的污染物或有害物质。吸收塔通过让气体与液体或固体接触,从而使其中的一种物质被另一种物质吸收或吸附,实现气体的净化或分离。
特别地,所述S2,将所述硫化氢溶解液通过所述吸收塔的排液端排出,并将排出的所述硫化氢溶解液通过热泵机组中进行升温处理后输入解吸塔中进行解析分离以得到分离硫化氢气体和分离液体工质。其中,解吸塔是一种用于从液体或固体中释放吸收或吸附的物质的设备。它通常用于气体处理和分离过程中,以从吸收液体或固体中释放已吸收或吸附的物质,
特别地,所述S3,将所述分离硫化氢气体通过所述解吸塔的气体排出端排出,并将所述分离液体工质通过所述热泵机组中进行降温处理后输入所述吸收塔中进行喷淋。其中,热泵机组可以通过循环工质的方式,将热量从液体中吸收并排放到其他介质中,从而实现降温的目的。
特别地,所述S4,将所述解吸塔的气体排出端排出的分离硫化氢气体通过燃烧器中进行燃烧后通过所述燃烧器的排出端进行排出以得到燃烧器排出气体。其中,通过将分离的硫化氢气体经燃烧器进行燃烧处理,可以有效地控制和处理硫化氢气体,减少对环境的影响。
特别地,所述S5,将所述吸收塔排出气体和所述燃烧器排出气体通过撞击流反应器中进行混合反应,并将反应后的气体从所述撞击流反应器的排出端排出。应可以理解,上述用于脱除石油轻烃中硫化氢的方法能够通过吸收塔和解吸塔的结合,利用液体工质对含硫化氢气体进行吸收和解析分离,最终实现硫化氢的有效去除。在上述方案中,在撞击流反应器中的混合反应过程则起着关键作用。在撞击流反应器内进行混合反应的过程中,确保吸收塔排出气体和燃烧器排出气体在进行混合反应时具有适当的温度。温度的控制可以影响反应速率和选择性,因此需要在撞击流反应器中保持适当的温度,以保证反应的高效性和选择性。特别地,在本申请的一个具体示例中,图2为根据本申请实施例的用于脱除石油轻烃中硫化氢的方法的系统架构图,图4为根据本申请实施例的用于脱除石油轻烃中硫化氢的方法的子步骤S5的流程图。如图2和图4所示,所述S5,包括:S51,获取由传感器组采集的所述吸收塔排出气体的流速值、所述燃烧器排出气体的流速值和所述撞击流反应器中的温度值的时间序列;S52,将所述吸收塔排出气体的流速值、所述燃烧器排出气体的流速值和所述撞击流反应器中的温度值的时间序列按照时间维度和反应参数样本维度进行数据规整以得到反应参数时序输入矩阵;S53,通过基于深度神经网络模型的反应参数时序模式关联特征提取器对所述反应参数时序输入矩阵进行特征提取以得到反应参数时序模式关联特征图;S54,将所述反应参数时序模式关联特征图进行多尺度特征感知以得到反应参数时序模式多尺度关联特征;S55,基于所述反应参数时序模式多尺度关联特征,确定当前时间点的撞击流反应器中的温度值应增大、减小或不变。
具体地,所述S51,获取由传感器组采集的所述吸收塔排出气体的流速值、所述燃烧器排出气体的流速值和所述撞击流反应器中的温度值的时间序列。特别地,在本申请的一个具体示例中,可通过流速传感器来获取吸收塔排出气体的流速值的时间序列及燃烧器排出气体的流速值的时间序列,通过温度传感器来获取所述撞击流反应器中的温度值的时间序列。
具体地,所述S52,将所述吸收塔排出气体的流速值、所述燃烧器排出气体的流速值和所述撞击流反应器中的温度值的时间序列按照时间维度和反应参数样本维度进行数据规整以得到反应参数时序输入矩阵。考虑到由于所述吸收塔排出气体的流速值、所述燃烧器排出气体的流速值和所述撞击流反应器中的温度值在时间维度上不仅具有着时序的动态变化规律,其会随着时间的推移而发生变化,而且这些混合反应参数数据之间还存在着时序的关联关系。因此,为了能够建立吸收塔排出气体的流速值和燃烧器排出气体的流速值与撞击流反应器中的温度值之间的关联关系,在本申请的技术方案中,需要将所述吸收塔排出气体的流速值、所述燃烧器排出气体的流速值和所述撞击流反应器中的温度值的时间序列按照时间维度和反应参数样本维度进行数据规整以得到反应参数时序输入矩阵。将不同来源的数据按照时间维度和反应参数样本维度进行规整,可以确保数据之间的对应关系和一致性。这有助于消除数据之间的不匹配或错位,使得后续的分析更加准确和可靠。
具体地,所述S53,通过基于深度神经网络模型的反应参数时序模式关联特征提取器对所述反应参数时序输入矩阵进行特征提取以得到反应参数时序模式关联特征图。特别地,在本申请的一个具体示例中,所述深度神经网络模型为卷积神经网络模型。也就是,将所述反应参数时序输入矩阵通过基于深度神经网络模型的反应参数时序模式关联特征提取器中进行特征挖掘,以提取出所述反应参数时序输入矩阵中关于吸收塔排出气体的流速值、燃烧器排出气体的流速值和撞击流反应器中的温度值之间在时间维度上的时序协同关联特征信息,从而得到反应参数时序模式关联特征图。具体地,使用所述基于深度神经网络模型的反应参数时序模式关联特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于深度神经网络模型的反应参数时序模式关联特征提取器的最后一层的输出为所述反应参数时序模式关联特征图,所述基于深度神经网络模型的反应参数时序模式关联特征提取器的第一层的输入为所述反应参数时序输入矩阵。
卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,特别适用于处理具有网格结构的数据,如图像和视频。下面是卷积神经网络模型的一般结构和步骤化展开:输入层:接受输入数据,通常是图像、音频或文本等;卷积层:卷积层是CNN的核心组件之一。它通过应用一系列滤波器(也称为卷积核)来提取输入数据中的局部特征。卷积操作将滤波器与输入数据进行逐元素相乘并求和,生成特征图;激活函数:在卷积层之后,通常会应用一个非线性激活函数,如ReLU,以引入非线性特征;池化层:池化层用于减少特征图的空间尺寸,并保留最重要的特征。常见的池化操作有最大池化和平均池化;全连接层:全连接层将池化层的输出连接到一个或多个全连接层,用于将特征映射到最终的输出类别或回归值。全连接层中的每个神经元都与前一层的所有神经元相连;输出层:输出层根据任务的不同选择适当的激活函数,如softmax函数用于多分类任务,线性激活函数用于回归任务;损失函数:根据任务的不同选择适当的损失函数,如交叉熵损失函数用于分类任务,均方误差损失函数用于回归任务;反向传播和优化:通过反向传播算法和梯度下降优化算法,根据损失函数计算模型参数的梯度,并更新参数以最小化损失函数。
具体地,所述S54,将所述反应参数时序模式关联特征图进行多尺度特征感知以得到反应参数时序模式多尺度关联特征。考虑到在实际进行混合反应的过程中,温度的控制可以影响反应速率和选择性,因此需要确保吸收塔排出气体和燃烧器排出气体在进行混合反应时保持适当的温度,以保证反应的高效性和选择性,这就需要更为准确地建立这些混合反应数据之间的关联关系。然而,吸收塔排出气体的流速值、燃烧器排出气体的流速值和撞击流反应器中的温度值之间具有着复杂的时序关联特征,为了能够提高对反应过程的特征提取和分析能力,在本申请的技术方案中,进一步将所述反应参数时序模式关联特征图通过基于Ghost-SE-Res2Net模块的多尺度特征感知器以得到反应参数时序模式多尺度关联特征图。应可以理解,所述Ghost-SE-Res2Net模块是一种结合了多尺度特征感知和通道注意力机制的网络模块,能够有效地捕获不同尺度下的特征信息。通过应用这样的模块,可以更全面地理解反应参数时序模式中不同尺度特征之间的关联,提高特征提取的准确性和全面性。特别地,所述基于Ghost-SE-Res2Net模块的多尺度特征感知器能够帮助模型更好地理解反应参数时序模式中的复杂特征,从而提高模型的性能和泛化能力。通过引入多尺度关联特征图,可以更好地捕获反应过程中的多个混合反应参数之间的时序特征在不同尺度上的关联关系,为后续的温度控制提供依据。更具体地,将所述反应参数时序模式关联特征图通过基于Ghost-SE-Res2Net模块的多尺度特征感知器以得到反应参数时序模式多尺度关联特征图作为所述反应参数时序模式多尺度关联特征,包括:将所述反应参数时序模式关联特征图通过所述多尺度特征感知器中的基于1×1卷积核的第一卷积层以得到通道变换反应参数时序模式关联特征图;将所述通道变换反应参数时序模式关联特征图沿着通道维度进行拆分以得到第一分支特征图、第二分支特征图、第三分支特征图和第四分支特征图;将所述第一分支特征图通过所述多尺度特征感知器中的卷积神经网络模型以得到第一分支输出特征图;将所述第二分支特征图通过所述多尺度特征感知器中的Ghost模块进行处理以得到第二分支输出特征图;将所述第二分支输出特征图和所述第三分支特征图进行融合后通过所述多尺度特征感知器中的Ghost模块进行处理以得到第三分支输出特征图;将所述第三分支输出特征图和所述第四分支特征图进行融合后通过所述多尺度特征感知器中的Ghost模块进行处理以得到第四分支输出特征图;融合所述第一分支输出特征图、所述第二分支输出特征图、所述第三分支输出特征图和所述第四分支输出特征图以得到多分支融合特征图;将所述多分支融合特征图通过所述多尺度特征感知器中的基于1×1卷积核的第五卷积层进行处理以得到通道变换多分支融合特征图;融合所述通道变换多分支融合特征图和所述反应参数时序模式关联特征图以得到所述反应参数时序模式多尺度关联特征图。更具体地,将所述第二分支特征图通过所述多尺度特征感知器中的Ghost模块进行处理以得到第二分支输出特征图,包括:将所述第二分支特征图通过所述Ghost模块中的卷积层以得到第二分支深层特征图;对所述第二分支深层特征图进行线性变换以得到多个幻影特征图;将所述多个幻影特征图和所述第二分支深层特征图进行拼接以得到所述第二分支输出特征图。
具体地,所述S55,基于所述反应参数时序模式多尺度关联特征,确定当前时间点的撞击流反应器中的温度值应增大、减小或不变。特别地,在本申请的一个具体示例中,将所述反应参数时序模式多尺度关联特征图通过基于分类器的温度控制器以得到控制结果,所述控制结果用于表示当前时间点的撞击流反应器中的温度值应增大、减小或不变。也就是说,利用所述反应参数数据之间的时序模式多尺度关联特征信息来进行分类处理,以此利用吸收塔排出气体的流速值和燃烧器排出气体的流速值与撞击流反应器中的温度值之间的关联关系来更为准确地控制撞击流反应器内的混合反应过程,实现硫化氢脱除过程的高效运行。更具体地,将所述反应参数时序模式多尺度关联特征图通过基于分类器的温度控制器以得到控制结果,包括:将所述反应参数时序模式多尺度关联特征图基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
分类器是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于深度神经网络模型的反应参数时序模式关联特征提取器、所述基于Ghost-SE-Res2Net模块的多尺度特征感知器和所述基于分类器的温度控制器进行训练。也就是说,在本申请的用于脱除石油轻烃中硫化氢的方法中,还包括训练阶段,用于对所述基于深度神经网络模型的反应参数时序模式关联特征提取器、所述基于Ghost-SE-Res2Net模块的多尺度特征感知器和所述基于分类器的温度控制器进行训练。
图3为根据本申请实施例的用于脱除石油轻烃中硫化氢的方法的训练阶段的流程图。如图3所示,根据本申请实施例的用于脱除石油轻烃中硫化氢的方法,包括:训练阶段,包括:S110,获取训练数据,所述训练数据包括由传感器组采集的所述吸收塔排出气体的训练流速值、所述燃烧器排出气体的训练流速值和所述撞击流反应器中的训练温度值的时间序列;S120,将所述吸收塔排出气体的训练流速值、所述燃烧器排出气体的训练流速值和所述撞击流反应器中的训练温度值的时间序列按照时间维度和反应参数样本维度进行数据规整以得到训练反应参数时序输入矩阵;S130,通过基于深度神经网络模型的反应参数时序模式关联特征提取器对所述训练反应参数时序输入矩阵进行特征提取以得到训练反应参数时序模式关联特征图;S140,将所述训练反应参数时序模式关联特征图进行多尺度特征感知以得到训练反应参数时序模式多尺度关联特征图;S150,对所述训练反应参数时序模式多尺度关联特征图进行优化以得到优化训练反应参数时序模式多尺度关联特征图;S160,将所述优化训练反应参数时序模式多尺度关联特征图通过基于分类器的温度控制器以得到分类损失函数值;S170,基于所述分类损失函数值对所述基于深度神经网络模型的反应参数时序模式关联特征提取器、所述基于Ghost-SE-Res2Net模块的多尺度特征感知器和所述基于分类器的温度控制器进行训练。
其中,对所述训练反应参数时序模式多尺度关联特征图进行优化以得到优化训练反应参数时序模式多尺度关联特征图,包括:对所述训练反应参数时序模式多尺度关联特征图中沿通道维度的各个特征矩阵进行基于特征场景的类概率逻辑关联推理以得到多个推理系数组成的推理系数向量;将所述推理系数向量中的各个推理系数作为加权系数分别对所述训练反应参数时序模式多尺度关联特征图的相应的特征矩阵进行加权优化以得到所述优化训练反应参数时序模式多尺度关联特征图。
特别地,在本申请的技术方案中,所述训练反应参数时序模式关联特征图表达所述反应参数数据的样本-时序交叉维度局部关联特征,这样,将所述训练反应参数时序模式关联特征图通过基于Ghost-SE-Res2Net模块的多尺度特征感知器后,考虑到所述训练多尺度特征感知器的对应于不同尺度的卷积分支在不同的基于特征矩阵的空间分布的特征维度上进行关联特征感知,因此得到的所述训练反应参数时序模式多尺度关联特征图也会具有各个特征矩阵之间的特征分布差异性,从而影响所述训练反应参数时序模式多尺度关联特征图的各个特征矩阵的基于特征值整体数值分布的类概率回归效果,影响其通过分类器进行分类训练的训练速度和得到的分类结果的准确性。由此,本申请的申请人在每次所述训练反应参数时序模式多尺度关联特征图通过分类器进行分类回归的训练迭代时,对所述训练反应参数时序模式多尺度关联特征图的各个特征矩阵进行优化,表示为:;其中,/>是所述训练反应参数时序模式多尺度关联特征图的每个特征矩阵的第/>位置的特征值,/>表示特征值的概率化函数,即将特征值/>映射到/>区间的概率化函数,/>是所述训练反应参数时序模式多尺度关联特征图的每个特征矩阵的尺度,即宽度乘以高度,/>是所述训练生理参数时序多尺度关联特征图通过分类器得到的类概率值,且是权重超参数,/>表示优化系数。也就是,对于所述训练反应参数时序模式多尺度关联特征图的每个特征矩阵对应的特征场景,通过概率分布前景约束和相对的概率映射响应假设来承接场景饱和的类概率推理逻辑关联,从而向所述训练反应参数时序模式多尺度关联特征图的每个特征矩阵的特征集合赋予场景概念本体论认知,也就是,将整体分布与在分类过程下的基于场景的类概率逻辑推理进行内在对齐,以提升所述训练反应参数时序模式多尺度关联特征图的特征矩阵场景分布对于类认知的理解能力。这样,再以所述优化系数对所述训练反应参数时序模式多尺度关联特征图的相应的特征矩阵进行加权优化,就可以改进优化后的训练反应参数时序模式多尺度关联特征图的类概率回归效果,也就是,提升其通过分类器进行分类训练的训练速度和得到的分类结果的准确性。这样,能够基于吸收塔排出气体的流速值和燃烧器排出气体的流速值与撞击流反应器中的温度值之间的关联关系来更为准确地控制撞击流反应器内的混合反应过程,使得在混合反应过程中保持适当的温度,以保证反应的高效性和选择性。
综上,根据本申请实施例的用于脱除石油轻烃中硫化氢的方法被阐明,其通过在进行混合反应的过程中,通过传感器组实时监测采集吸收塔排出气体和燃烧器排出气体的流速值,以及,撞击流反应器中的温度值,并在后端引入数据处理和分析算法来进行这些混合反应参数数据的时序协同关联分析,以此来建立吸收塔排出气体的流速值和燃烧器排出气体的流速值与撞击流反应器中的温度值之间的关联关系,以便更好地控制撞击流反应器内的混合反应过程,实现硫化氢脱除过程的高效运行。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种用于脱除石油轻烃中硫化氢的方法,包括步骤:将含有硫化氢的气体通过吸收塔,所述吸收塔使用喷淋的液体工质对所述含有硫化氢的气体进行部分溶解以得到硫化氢溶解液,并将所述吸收塔中未被溶解的所述含有硫化氢的气体从所述吸收塔的排气端排出以得到吸收塔排出气体;将所述硫化氢溶解液通过所述吸收塔的排液端排出,并将排出的所述硫化氢溶解液通过热泵机组中进行升温处理后输入解吸塔中进行解析分离以得到分离硫化氢气体和分离液体工质;将所述分离硫化氢气体通过所述解吸塔的气体排出端排出,并将所述分离液体工质通过所述热泵机组中进行降温处理后输入所述吸收塔中进行喷淋;将所述解吸塔的气体排出端排出的分离硫化氢气体通过燃烧器中进行燃烧后通过所述燃烧器的排出端进行排出以得到燃烧器排出气体;将所述吸收塔排出气体和所述燃烧器排出气体通过撞击流反应器中进行混合反应,并将反应后的气体从所述撞击流反应器的排出端排出;其特征在于,包括:获取由传感器组采集的所述吸收塔排出气体的流速值、所述燃烧器排出气体的流速值和所述撞击流反应器中的温度值的时间序列;将所述吸收塔排出气体的流速值、所述燃烧器排出气体的流速值和所述撞击流反应器中的温度值的时间序列按照时间维度和反应参数样本维度进行数据规整以得到反应参数时序输入矩阵;通过基于深度神经网络模型的反应参数时序模式关联特征提取器对所述反应参数时序输入矩阵进行特征提取以得到反应参数时序模式关联特征图;将所述反应参数时序模式关联特征图进行多尺度特征感知以得到反应参数时序模式多尺度关联特征;基于所述反应参数时序模式多尺度关联特征,确定当前时间点的撞击流反应器中的温度值应增大、减小或不变。
2.根据权利要求1所述的用于脱除石油轻烃中硫化氢的方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的用于脱除石油轻烃中硫化氢的方法,其特征在于,将所述反应参数时序模式关联特征图进行多尺度特征感知以得到反应参数时序模式多尺度关联特征图作为反应参数时序模式多尺度关联特征,包括:将所述反应参数时序模式关联特征图通过基于Ghost-SE-Res2Net模块的多尺度特征感知器以得到反应参数时序模式多尺度关联特征图作为所述反应参数时序模式多尺度关联特征。
4.根据权利要求3所述的用于脱除石油轻烃中硫化氢的方法,其特征在于,将所述反应参数时序模式关联特征图通过基于Ghost-SE-Res2Net模块的多尺度特征感知器以得到反应参数时序模式多尺度关联特征图作为所述反应参数时序模式多尺度关联特征,包括:将所述反应参数时序模式关联特征图通过所述多尺度特征感知器中的基于1×1卷积核的第一卷积层以得到通道变换反应参数时序模式关联特征图;将所述通道变换反应参数时序模式关联特征图沿着通道维度进行拆分以得到第一分支特征图、第二分支特征图、第三分支特征图和第四分支特征图;将所述第一分支特征图通过所述多尺度特征感知器中的卷积神经网络模型以得到第一分支输出特征图;将所述第二分支特征图通过所述多尺度特征感知器中的Ghost模块进行处理以得到第二分支输出特征图;将所述第二分支输出特征图和所述第三分支特征图进行融合后通过所述多尺度特征感知器中的Ghost模块进行处理以得到第三分支输出特征图;将所述第三分支输出特征图和所述第四分支特征图进行融合后通过所述多尺度特征感知器中的Ghost模块进行处理以得到第四分支输出特征图;融合所述第一分支输出特征图、所述第二分支输出特征图、所述第三分支输出特征图和所述第四分支输出特征图以得到多分支融合特征图;将所述多分支融合特征图通过所述多尺度特征感知器中的基于1×1卷积核的第五卷积层进行处理以得到通道变换多分支融合特征图;融合所述通道变换多分支融合特征图和所述反应参数时序模式关联特征图以得到所述反应参数时序模式多尺度关联特征图。
5.根据权利要求4所述的用于脱除石油轻烃中硫化氢的方法,其特征在于,将所述第二分支特征图通过所述多尺度特征感知器中的Ghost模块进行处理以得到第二分支输出特征图,包括:将所述第二分支特征图通过所述Ghost模块中的卷积层以得到第二分支深层特征图;对所述第二分支深层特征图进行线性变换以得到多个幻影特征图;将所述多个幻影特征图和所述第二分支深层特征图进行拼接以得到所述第二分支输出特征图。
6.根据权利要求5所述的用于脱除石油轻烃中硫化氢的方法,其特征在于,基于所述反应参数时序模式多尺度关联特征,确定当前时间点的撞击流反应器中的温度值应增大、减小或不变,包括:将所述反应参数时序模式多尺度关联特征图通过基于分类器的温度控制器以得到控制结果,所述控制结果用于表示当前时间点的撞击流反应器中的温度值应增大、减小或不变。
7.根据权利要求6所述的用于脱除石油轻烃中硫化氢的方法,其特征在于,还包括训练步骤:用于对所述基于深度神经网络模型的反应参数时序模式关联特征提取器、所述基于Ghost-SE-Res2Net模块的多尺度特征感知器和所述基于分类器的温度控制器进行训练。
8.根据权利要求7所述的用于脱除石油轻烃中硫化氢的方法,其特征在于,所述训练步骤,包括:获取训练数据,所述训练数据包括由传感器组采集的所述吸收塔排出气体的训练流速值、所述燃烧器排出气体的训练流速值和所述撞击流反应器中的训练温度值的时间序列;将所述吸收塔排出气体的训练流速值、所述燃烧器排出气体的训练流速值和所述撞击流反应器中的训练温度值的时间序列按照时间维度和反应参数样本维度进行数据规整以得到训练反应参数时序输入矩阵;通过基于深度神经网络模型的反应参数时序模式关联特征提取器对所述训练反应参数时序输入矩阵进行特征提取以得到训练反应参数时序模式关联特征图;将所述训练反应参数时序模式关联特征图进行多尺度特征感知以得到训练反应参数时序模式多尺度关联特征图;对所述训练反应参数时序模式多尺度关联特征图进行优化以得到优化训练反应参数时序模式多尺度关联特征图;将所述优化训练反应参数时序模式多尺度关联特征图通过基于分类器的温度控制器以得到分类损失函数值;基于所述分类损失函数值对所述基于深度神经网络模型的反应参数时序模式关联特征提取器、所述基于Ghost-SE-Res2Net模块的多尺度特征感知器和所述基于分类器的温度控制器进行训练。
9.根据权利要求8所述的用于脱除石油轻烃中硫化氢的方法,其特征在于,对所述训练反应参数时序模式多尺度关联特征图进行优化以得到优化训练反应参数时序模式多尺度关联特征图,包括:对所述训练反应参数时序模式多尺度关联特征图中沿通道维度的各个特征矩阵进行基于特征场景的类概率逻辑关联推理以得到多个推理系数组成的推理系数向量;将所述推理系数向量中的各个推理系数作为加权系数分别对所述训练反应参数时序模式多尺度关联特征图的相应的特征矩阵进行加权优化以得到所述优化训练反应参数时序模式多尺度关联特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410455124.2A CN118059642A (zh) | 2024-04-16 | 2024-04-16 | 用于脱除石油轻烃中硫化氢的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410455124.2A CN118059642A (zh) | 2024-04-16 | 2024-04-16 | 用于脱除石油轻烃中硫化氢的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118059642A true CN118059642A (zh) | 2024-05-24 |
Family
ID=91099273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410455124.2A Pending CN118059642A (zh) | 2024-04-16 | 2024-04-16 | 用于脱除石油轻烃中硫化氢的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118059642A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2568303A1 (en) * | 2006-10-31 | 2007-02-20 | John Keum-Ho Hwang | A method for recovering sulphur from gas streams |
CN105521687A (zh) * | 2015-11-30 | 2016-04-27 | 华电重工股份有限公司 | 一种利用煤焦油加氢硫化氢气体副产硫磺的方法 |
CN107715671A (zh) * | 2017-09-25 | 2018-02-23 | 江苏河海新能源股份有限公司 | 硫化氢脱除装置 |
CN112876681A (zh) * | 2021-02-04 | 2021-06-01 | 武汉柔显科技股份有限公司 | 一种使用撞击流反应器制备聚酰亚胺前驱体及其薄膜的制备方法 |
CN116859848A (zh) * | 2023-07-12 | 2023-10-10 | 普洛赛斯工程技术(宁波)有限公司 | 甲基异丁基酮生产装置的控制系统及其方法 |
-
2024
- 2024-04-16 CN CN202410455124.2A patent/CN118059642A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2568303A1 (en) * | 2006-10-31 | 2007-02-20 | John Keum-Ho Hwang | A method for recovering sulphur from gas streams |
CN105521687A (zh) * | 2015-11-30 | 2016-04-27 | 华电重工股份有限公司 | 一种利用煤焦油加氢硫化氢气体副产硫磺的方法 |
CN107715671A (zh) * | 2017-09-25 | 2018-02-23 | 江苏河海新能源股份有限公司 | 硫化氢脱除装置 |
CN112876681A (zh) * | 2021-02-04 | 2021-06-01 | 武汉柔显科技股份有限公司 | 一种使用撞击流反应器制备聚酰亚胺前驱体及其薄膜的制备方法 |
CN116859848A (zh) * | 2023-07-12 | 2023-10-10 | 普洛赛斯工程技术(宁波)有限公司 | 甲基异丁基酮生产装置的控制系统及其方法 |
Non-Patent Citations (1)
Title |
---|
虞秋辰等: "基于Ghost-SE-Res2Net的多模型融合语音唤醒词检测方法", 《计算机工程》, vol. 50, no. 3, 22 March 2024 (2024-03-22), pages 0 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boger et al. | Knowledge extraction from artificial neural network models | |
CN108594790B (zh) | 一种基于结构化稀疏型主元分析的故障检测和分离方法 | |
Raveendran et al. | Two layered mixture Bayesian probabilistic PCA for dynamic process monitoring | |
Khan et al. | Open source machine learning frameworks for industrial internet of things | |
CN113052218A (zh) | 工业过程的多尺度残差卷积与lstm融合性能评估方法 | |
CN116030897A (zh) | 油田伴生气的分离方法及系统 | |
Tian et al. | Intelligent prediction and early warning of abnormal conditions for fluid catalytic cracking process | |
Xiong et al. | Attention-based long short-term memory fully convolutional network for chemical process fault diagnosis | |
Zhao et al. | A GA-ANN model for air quality predicting | |
CN115861246A (zh) | 应用于工业互联网的产品质量异常检测方法及其系统 | |
Kaplan et al. | Goal driven network pruning for object recognition | |
CN118059642A (zh) | 用于脱除石油轻烃中硫化氢的方法 | |
Mishra et al. | Locomotion mode recognition using sensory data with noisy labels: A deep learning approach | |
CN117455451A (zh) | 一种草甘膦水解溶剂的回收方法 | |
KHAMIS et al. | Deep learning Feedforward Neural Network in predicting model of Environmental risk factors in the Sohar region | |
CN116603390A (zh) | 船舶尾气洗涤系统及其方法 | |
Nogueira et al. | Faulty scenarios in sour water treatment units: Simulation and AI-based diagnosis | |
CN115849519A (zh) | 一种有机模块化电催化氧化处理装置 | |
CN110533159B (zh) | 一种基于介科学指导提高深度学习数据集质量及模型可解释性的方法 | |
Lv et al. | A spatial–temporal variational graph attention autoencoder using interactive information for fault detection in complex industrial processes | |
Li et al. | Multimodel Anomaly Identification and Control in Wet Limestone‐Gypsum Flue Gas Desulphurization System | |
Patel et al. | A journey from neural networks to deep networks: comprehensive understanding for deep learning | |
Liu et al. | Enhanced unsupervised data augmentation for emergency events detection and classification | |
Li et al. | LSTM-based ensemble learning for time-dependent reliability analysis | |
Wang et al. | Deep discriminative feature learning based on classification-enhanced neural networks for visual process monitoring |
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 |