JP2001256420A - 複合混合物の引火限界を予測する方法 - Google Patents
複合混合物の引火限界を予測する方法Info
- Publication number
- JP2001256420A JP2001256420A JP2001007446A JP2001007446A JP2001256420A JP 2001256420 A JP2001256420 A JP 2001256420A JP 2001007446 A JP2001007446 A JP 2001007446A JP 2001007446 A JP2001007446 A JP 2001007446A JP 2001256420 A JP2001256420 A JP 2001256420A
- Authority
- JP
- Japan
- Prior art keywords
- data
- mixture
- neural network
- limit
- fuel
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06G—ANALOGUE COMPUTERS
- G06G7/00—Devices in which the computing operation is performed by varying electric or magnetic quantities
- G06G7/48—Analogue computers for specific processes, systems or devices, e.g. simulators
-
- 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
- G01N25/50—Investigating or analyzing materials by the use of thermal means by investigating flash-point; by investigating explosibility
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 複合化学混合物の引火限界を予測するための
モデルとしてニューラルネットワークを使用する方法を
提供する。 【解決手段】 構造群の臨界変数を用いて複合混合物の
引火限界を予測するに際し、各々の構造群の該臨界変数
からのデータを訓練してニューラルネットワークモデル
を生成するに、該臨界変数は、構造群の各々からの組成
上のデータ及び熱化学上のデータを含むものであり；該
ニューラルネットワークモデルからの該訓練したデータ
をテストし；及び該ニューラルネットワークからの該訓
練しかつテストしたデータを検証して同様の構造群を有
する類似の複合混合物の引火限界を正確に予測すること
を含む方法。
モデルとしてニューラルネットワークを使用する方法を
提供する。 【解決手段】 構造群の臨界変数を用いて複合混合物の
引火限界を予測するに際し、各々の構造群の該臨界変数
からのデータを訓練してニューラルネットワークモデル
を生成するに、該臨界変数は、構造群の各々からの組成
上のデータ及び熱化学上のデータを含むものであり；該
ニューラルネットワークモデルからの該訓練したデータ
をテストし；及び該ニューラルネットワークからの該訓
練しかつテストしたデータを検証して同様の構造群を有
する類似の複合混合物の引火限界を正確に予測すること
を含む方法。
Description
【０００１】
【発明の属する技術分野】本発明は、総括的には、化学
混合物の引火限界を予測することに関する。一層特に、
本発明は、複合化学混合物の引火限界を予測するための
モデルとしてニューラルネットワークを使用することに
関する。
混合物の引火限界を予測することに関する。一層特に、
本発明は、複合化学混合物の引火限界を予測するための
モデルとしてニューラルネットワークを使用することに
関する。
【０００２】
【従来の技術】可燃性ガス状化合物（「燃料」）及びオ
キシダント（酸素又は酸素含有ガスが典型的である）を
含有する蒸気混合物は、混合物組成及び条件が、混合物
を点火する際にフレームを維持するようなものであるな
らば、引火性になり得る。そのような蒸気混合物は、不
活性ガスを含有して三成分系を形成し得るのがしばしば
である。引火性混合物が点火すると、フレームが周囲の
未燃の燃料−オキシダント−不活性物質（ｉｎｅｒｔ）
混合物に伝播し、圧力が急速に上昇し、装置にひどい損
傷及び／又はヒトに傷害又は死を与える可能性を生じ
る。従って、燃料、オキシダント、及び不活性物質を含
有する三成分系の引火性特性を理解することは、産業爆
発を防ぎ及び／又は軽減するのに必須である。特に、産
業プロセスの安全デザイン、作業、及び／又は最適化
は、引火性混合物を取り扱う可能性があり、これらの引
火限界の知識に依存する。
キシダント（酸素又は酸素含有ガスが典型的である）を
含有する蒸気混合物は、混合物組成及び条件が、混合物
を点火する際にフレームを維持するようなものであるな
らば、引火性になり得る。そのような蒸気混合物は、不
活性ガスを含有して三成分系を形成し得るのがしばしば
である。引火性混合物が点火すると、フレームが周囲の
未燃の燃料−オキシダント−不活性物質（ｉｎｅｒｔ）
混合物に伝播し、圧力が急速に上昇し、装置にひどい損
傷及び／又はヒトに傷害又は死を与える可能性を生じ
る。従って、燃料、オキシダント、及び不活性物質を含
有する三成分系の引火性特性を理解することは、産業爆
発を防ぎ及び／又は軽減するのに必須である。特に、産
業プロセスの安全デザイン、作業、及び／又は最適化
は、引火性混合物を取り扱う可能性があり、これらの引
火限界の知識に依存する。
【０００３】フレーム維持を達成するのに必要な所定の
一連の条件下での混合物の組成は、蒸気混合物の引火限
界を確定する。従って、それらのファクターは、燃料−
オキシダント混合物の燃焼の間に反応、熱、及び物質移
動に影響を与え、引火限界の値に強い影響を与えること
になる。引火性混合物は、燃料及びオキシダントを含有
しなければならず、かつまた典型的には燃焼反応に参加
しない種と定義される不活性物質（すなわち、Ｎ２、Ａ
ｒ、Ｈｅ、ＣＯ２、Ｈ２Ｏ）も含有し得ることから、引
火性エンベロープ（囲い）及びその境界（引火限界）
は、三成分引火性ダイヤグラムを使用して例示されるの
が典型的である。単一の燃料、単一のオキシダント、及
び不活性物質を含有する混合物についての所定の温度及
び圧力における典型的な三成分の引火性ダイヤグラムを
図１に例示する。引火性混合物は、上部を上方引火限界
（ＵＦＬ）、上方爆発限界（ＵＥＬ）、又は最大酸素濃
度（ＭＯＣ）によりかつ下部を下方引火限界（ＬＦＬ）
又は下方爆発限界（ＬＥＬ）によって境界を付ける「引
火性エンベロープ」内に在る。これらの２つの境界は、
制限酸素値（ＬＯＶ）と呼ばれる点で交わり、制限酸素
値よりも低い酸素濃度では、燃料、オキシダント、及び
不活性物質の混合物は、引火性でない。
一連の条件下での混合物の組成は、蒸気混合物の引火限
界を確定する。従って、それらのファクターは、燃料−
オキシダント混合物の燃焼の間に反応、熱、及び物質移
動に影響を与え、引火限界の値に強い影響を与えること
になる。引火性混合物は、燃料及びオキシダントを含有
しなければならず、かつまた典型的には燃焼反応に参加
しない種と定義される不活性物質（すなわち、Ｎ２、Ａ
ｒ、Ｈｅ、ＣＯ２、Ｈ２Ｏ）も含有し得ることから、引
火性エンベロープ（囲い）及びその境界（引火限界）
は、三成分引火性ダイヤグラムを使用して例示されるの
が典型的である。単一の燃料、単一のオキシダント、及
び不活性物質を含有する混合物についての所定の温度及
び圧力における典型的な三成分の引火性ダイヤグラムを
図１に例示する。引火性混合物は、上部を上方引火限界
（ＵＦＬ）、上方爆発限界（ＵＥＬ）、又は最大酸素濃
度（ＭＯＣ）によりかつ下部を下方引火限界（ＬＦＬ）
又は下方爆発限界（ＬＥＬ）によって境界を付ける「引
火性エンベロープ」内に在る。これらの２つの境界は、
制限酸素値（ＬＯＶ）と呼ばれる点で交わり、制限酸素
値よりも低い酸素濃度では、燃料、オキシダント、及び
不活性物質の混合物は、引火性でない。
【０００４】従来技術は、引火限界の測定及び予測を指
向するが、それは、主に、常温及び常圧（２５Ｃ及び１
気圧）における又は常温及び常圧近くの空気中の単一の
燃料と単一成分又は二成分不活性系とのような一層簡単
な混合物に焦点を合わせるものであった。しかし、オキ
シダント、酸素、複数の不活性物質、及び複数の燃料を
高温及び高圧で含有する蒸気混合物を取り扱う引火性化
合物の化学プロセス、不活性化（ｉｎｅｒｔｉｎｇ）、
貯蔵及び輸送を含む多数の産業用途、並びにその他の用
途は、従来技術において指向されていないと考えられ
る。これらの混合物を、「複合混合物」と呼ぶことにす
る。
向するが、それは、主に、常温及び常圧（２５Ｃ及び１
気圧）における又は常温及び常圧近くの空気中の単一の
燃料と単一成分又は二成分不活性系とのような一層簡単
な混合物に焦点を合わせるものであった。しかし、オキ
シダント、酸素、複数の不活性物質、及び複数の燃料を
高温及び高圧で含有する蒸気混合物を取り扱う引火性化
合物の化学プロセス、不活性化（ｉｎｅｒｔｉｎｇ）、
貯蔵及び輸送を含む多数の産業用途、並びにその他の用
途は、従来技術において指向されていないと考えられ
る。これらの混合物を、「複合混合物」と呼ぶことにす
る。
【０００５】次いで、引火限界の測定は、引火性混合物
を取り扱う可能性がある安全な系及びプロセスを適当に
デザインするのに要求されるのが典型的である。しか
し、実験テストによる複合混合物の引火性エンベロープ
を特性表示することは、極めて困難であり、時間を浪費
し、かつ費用がかかることになり得る。複合混合物の引
火限界を予測することができることは、多数の産業にと
って非常に有益な道具として働くことになろう。そのよ
うな道具は、また、新規なプロセス及びプロセス条件を
調査する際に、役に立つことになろう。混合物引火性特
性を一層良く理解することにより、関心のある条件を正
確に定め、それにより広範囲の引火性を測定するのに伴
う時間及び費用を最少にすることができる。
を取り扱う可能性がある安全な系及びプロセスを適当に
デザインするのに要求されるのが典型的である。しか
し、実験テストによる複合混合物の引火性エンベロープ
を特性表示することは、極めて困難であり、時間を浪費
し、かつ費用がかかることになり得る。複合混合物の引
火限界を予測することができることは、多数の産業にと
って非常に有益な道具として働くことになろう。そのよ
うな道具は、また、新規なプロセス及びプロセス条件を
調査する際に、役に立つことになろう。混合物引火性特
性を一層良く理解することにより、関心のある条件を正
確に定め、それにより広範囲の引火性を測定するのに伴
う時間及び費用を最少にすることができる。
【０００６】しかし、第一原理から予測モデルを開発す
ることは、全く手に負えない仕事である。しかし、ニュ
ーラルネットワークは、これらの複雑な非線形関係を、
これらの複合混合物の引火性挙動を指向する熱力学、速
度論、熱、及び物質移動を含む基本的な関係の詳細な知
識なしでモデル化する手段を提供することができる。本
発明は、ニューラルネットワークを用いて複合混合物の
引火限界を予測するための新規なアプローチについて記
載する。
ることは、全く手に負えない仕事である。しかし、ニュ
ーラルネットワークは、これらの複雑な非線形関係を、
これらの複合混合物の引火性挙動を指向する熱力学、速
度論、熱、及び物質移動を含む基本的な関係の詳細な知
識なしでモデル化する手段を提供することができる。本
発明は、ニューラルネットワークを用いて複合混合物の
引火限界を予測するための新規なアプローチについて記
載する。
【０００７】引火限界を予測するためのたくさんの引火
限界データ及び技術が、従来技術中に存在する。従来技
術の調査で、引火限界を予測することの問題を指向する
ことを試みる多数の予測モデルが分かる。関連のある従
来技術の著者等は、この問題に取り組むために、ル・シ
ャトゥリエの原理、定断熱フレーム温度（ＣＡＦＴ）、
線形及び非線形回帰、グループ寄与技術、及びニューラ
ルネットワークを含む、多数のアプローチを取ってき
た。
限界データ及び技術が、従来技術中に存在する。従来技
術の調査で、引火限界を予測することの問題を指向する
ことを試みる多数の予測モデルが分かる。関連のある従
来技術の著者等は、この問題に取り組むために、ル・シ
ャトゥリエの原理、定断熱フレーム温度（ＣＡＦＴ）、
線形及び非線形回帰、グループ寄与技術、及びニューラ
ルネットワークを含む、多数のアプローチを取ってき
た。
【０００８】ル・シャトゥリエの原理は、各燃料及び燃
料混合物組成物の引火限界をベースにした空気中の燃料
混合物のＬＦＬ及びＵＦＬを予測するのにしばしば用い
られる伝統的かつ簡単なアプローチである。別のアプロ
ーチは、低級パラフィンが引火性の限界において定断熱
フレーム温度を示すという観測に基づく。引火限界、温
度作用、圧力作用を予測するための多数の経験的及び半
経験的モデルもまた従来技術中に存在する。ニューラル
ネットワークは、所定の一連の入力と出力との間に存在
する非線形関係をモデル化するのに広範囲に用いられて
きたが、引火限界を予測するためのニューラルネットワ
ークベースの技術は、限られる。
料混合物組成物の引火限界をベースにした空気中の燃料
混合物のＬＦＬ及びＵＦＬを予測するのにしばしば用い
られる伝統的かつ簡単なアプローチである。別のアプロ
ーチは、低級パラフィンが引火性の限界において定断熱
フレーム温度を示すという観測に基づく。引火限界、温
度作用、圧力作用を予測するための多数の経験的及び半
経験的モデルもまた従来技術中に存在する。ニューラル
ネットワークは、所定の一連の入力と出力との間に存在
する非線形関係をモデル化するのに広範囲に用いられて
きたが、引火限界を予測するためのニューラルネットワ
ークベースの技術は、限られる。
【０００９】本発明の目的から、引火限界とは、適当な
点火から開始されるフレームが、丁度燃料／オキシダン
ト混合物全体にわたって伝播することができない点を意
味する。
点火から開始されるフレームが、丁度燃料／オキシダン
ト混合物全体にわたって伝播することができない点を意
味する。
【００１０】
【発明が解決しようとする課題】複合混合物の上方及び
下方引火限界を予測するのにニューラルネットワークベ
ースの技術を使用するための教示は従来技術に存在しな
いと考えられる。従って、複合混合物の引火限界を予測
する方法を提供することは、当分野において望ましいこ
とである。
下方引火限界を予測するのにニューラルネットワークベ
ースの技術を使用するための教示は従来技術に存在しな
いと考えられる。従って、複合混合物の引火限界を予測
する方法を提供することは、当分野において望ましいこ
とである。
【００１１】
【課題を解決するための手段】本出願は、構造群の臨界
変数を用いて複合混合物の引火限界を予測するに際し、
各々の構造群の臨界変数からのデータを訓練し（ｔｒａ
ｉｎ）、該臨界変数は、構造群の各々からの組成上のデ
ータ及び熱化学上のデータを含んでニューラルネットワ
ークモデルを生成し；ニューラルネットワークモデルか
らの訓練したデータをテストし；及びニューラルネット
ワークからの訓練しかつテストしたデータを検証して同
様の構造群を有する類似の複合混合物の引火限界を正確
に予測する方法を指向する。
変数を用いて複合混合物の引火限界を予測するに際し、
各々の構造群の臨界変数からのデータを訓練し（ｔｒａ
ｉｎ）、該臨界変数は、構造群の各々からの組成上のデ
ータ及び熱化学上のデータを含んでニューラルネットワ
ークモデルを生成し；ニューラルネットワークモデルか
らの訓練したデータをテストし；及びニューラルネット
ワークからの訓練しかつテストしたデータを検証して同
様の構造群を有する類似の複合混合物の引火限界を正確
に予測する方法を指向する。
【００１２】
【発明の実施の形態】本発明に開示する引火限界を予測
する方法は、複数の燃料、複数の不活性種（すなわち、
Ｈｅ、Ａｒ、ＣＯ２、Ｎ２、Ｈ２Ｏ）を含有する複合混
合物を異なる温度及び圧力で扱おうと試みる従来技術に
おいて利用可能な任意の他の技術に比べて一層強固であ
ると考えられる。
する方法は、複数の燃料、複数の不活性種（すなわち、
Ｈｅ、Ａｒ、ＣＯ２、Ｎ２、Ｈ２Ｏ）を含有する複合混
合物を異なる温度及び圧力で扱おうと試みる従来技術に
おいて利用可能な任意の他の技術に比べて一層強固であ
ると考えられる。
【００１３】人工のニューラルネットワークは、簡単な
処理要素、ユニット、又はノッドであって、それらの機
能性が、漠然と生物神経細胞の機能性に基づくものの相
互接続である。各々の処理要素は、いくつもの重みを付
けた入力（「シナプス」）を、非線形変換関数（Ｓ字状
（ｓｉｇｍｏｉｄ）関数のような）を使用して出力に変
換する。その結果、ニューラルネットワークは、また、
パラレルディストリビューティブプロセッサとしても記
載される。これらの相互接続された処理要素の構造は、
変わることができるが、最も広く用いられているアーキ
テクチュアの内の一つは、入力層と、隠れた処理要素の
層と、出力層とからなる多層パーセプトロンである（図
２を参照）。
処理要素、ユニット、又はノッドであって、それらの機
能性が、漠然と生物神経細胞の機能性に基づくものの相
互接続である。各々の処理要素は、いくつもの重みを付
けた入力（「シナプス」）を、非線形変換関数（Ｓ字状
（ｓｉｇｍｏｉｄ）関数のような）を使用して出力に変
換する。その結果、ニューラルネットワークは、また、
パラレルディストリビューティブプロセッサとしても記
載される。これらの相互接続された処理要素の構造は、
変わることができるが、最も広く用いられているアーキ
テクチュアの内の一つは、入力層と、隠れた処理要素の
層と、出力層とからなる多層パーセプトロンである（図
２を参照）。
【００１４】反復プロセス又は「学習」技術を使用する
ことによって、各々の所定の処理要素についての入力重
み及び変換関数パラメーターの値を、モデルがいかに良
く出力を予測するかに基づくある目的機能が満足される
まで、調節する。バック伝播は、入力の重みを調節する
ための最も一般的な技術である。データにおける一般的
な傾向を収集するのにニューラルネットワークを有効に
訓練するキーは、データを要求する。しかし、ニューラ
ルネットワークを訓練する時に、ネットワークを確実に
一般化するために、データを過多に指定し（ｏｖｅｒ−
ｓｐｅｃｉｆｙ）たり又は過多に適合させ（ｏｖｅｒ
ｆｉｔ）たりしないように常に注意しなければならな
い。このために、それを訓練する際のデータを、訓練セ
ットとテストセットとに分割するのが典型的である。モ
デルは、それの性能が訓練及びデータの両方のセットに
ついての最少の基準に達するまで、連続して重みを調節
しかつ処理要素を加えることによって、築く。テストデ
ータセットは、訓練プロセスと完全には無関係でないこ
とから、利用可能なデータのわずかな部分は取りのけら
れてモデルの性能をテストするのに用いられる。その目
的は、３つすべてのデータセットについて良く働くモデ
ルを築き、それによりオーバーフィッティングを防ぎか
つ一般化されたモデルを確実にすることにある。従っ
て、ニューラルネットワークの有効性は、ネットワーク
を訓練して入力と出力との間の一般的な関係を認識する
ためのデータに依存する。
ことによって、各々の所定の処理要素についての入力重
み及び変換関数パラメーターの値を、モデルがいかに良
く出力を予測するかに基づくある目的機能が満足される
まで、調節する。バック伝播は、入力の重みを調節する
ための最も一般的な技術である。データにおける一般的
な傾向を収集するのにニューラルネットワークを有効に
訓練するキーは、データを要求する。しかし、ニューラ
ルネットワークを訓練する時に、ネットワークを確実に
一般化するために、データを過多に指定し（ｏｖｅｒ−
ｓｐｅｃｉｆｙ）たり又は過多に適合させ（ｏｖｅｒ
ｆｉｔ）たりしないように常に注意しなければならな
い。このために、それを訓練する際のデータを、訓練セ
ットとテストセットとに分割するのが典型的である。モ
デルは、それの性能が訓練及びデータの両方のセットに
ついての最少の基準に達するまで、連続して重みを調節
しかつ処理要素を加えることによって、築く。テストデ
ータセットは、訓練プロセスと完全には無関係でないこ
とから、利用可能なデータのわずかな部分は取りのけら
れてモデルの性能をテストするのに用いられる。その目
的は、３つすべてのデータセットについて良く働くモデ
ルを築き、それによりオーバーフィッティングを防ぎか
つ一般化されたモデルを確実にすることにある。従っ
て、ニューラルネットワークの有効性は、ネットワーク
を訓練して入力と出力との間の一般的な関係を認識する
ためのデータに依存する。
【００１５】適応傾斜学習及びＫａｌｍａｎ学習法則を
含む種々の学習アルゴリズムが、ニューラルネットワー
クを訓練するのに用いられる。また、多数のガイドライ
ン及びアルゴリズムが、入力データをニューラルネット
ワークを訓練するために一層適した形態に変換する、変
数を選定する、最適な数の隠れた処理要素を決める、並
びに訓練、検証及びテストセットのサイズ及び組成を指
定するために開発された。従って、ニューラルネットワ
ークモデルを構築することは、データ選定、データ変
換、変数選定、ニューラルネットワークビルディング、
ネットワーク訓練、及び評価を伴う。ニューラルネット
ワークは、プロセス原理におけるべーシスが限られた複
雑な非線形回帰技術であることから、ネットワークは、
訓練データ入力スペースの範囲内で良く表わされる入力
を扱う時に最も有効的である。しかし、プロセス又は用
途の知識は、訓練データを最適に選定し、データを変換
し、及びモデル性能を評価するのに重要である。
含む種々の学習アルゴリズムが、ニューラルネットワー
クを訓練するのに用いられる。また、多数のガイドライ
ン及びアルゴリズムが、入力データをニューラルネット
ワークを訓練するために一層適した形態に変換する、変
数を選定する、最適な数の隠れた処理要素を決める、並
びに訓練、検証及びテストセットのサイズ及び組成を指
定するために開発された。従って、ニューラルネットワ
ークモデルを構築することは、データ選定、データ変
換、変数選定、ニューラルネットワークビルディング、
ネットワーク訓練、及び評価を伴う。ニューラルネット
ワークは、プロセス原理におけるべーシスが限られた複
雑な非線形回帰技術であることから、ネットワークは、
訓練データ入力スペースの範囲内で良く表わされる入力
を扱う時に最も有効的である。しかし、プロセス又は用
途の知識は、訓練データを最適に選定し、データを変換
し、及びモデル性能を評価するのに重要である。
【００１６】その結果、ニューラルネットワークは、知
られている数学的な関数或は入力又は独立変数と出力と
の間の関係の基本的な理解が存在しないデータを類別
し、モデル化し、及び分類するのに良く作動する。ニュ
ーラルネットワーク用途は、たくさんありかつさまざま
であり、投資分析、署名分析、プロセス制御（すなわ
ち、製鋼プロセスの最適化及び制御）を含んできた。
られている数学的な関数或は入力又は独立変数と出力と
の間の関係の基本的な理解が存在しないデータを類別
し、モデル化し、及び分類するのに良く作動する。ニュ
ーラルネットワーク用途は、たくさんありかつさまざま
であり、投資分析、署名分析、プロセス制御（すなわ
ち、製鋼プロセスの最適化及び制御）を含んできた。
【００１７】ニューラルネットワークを複合混合物引火
限界を予測するのに適用するために、多量の引火性デー
タ（約７０の化学化合物について約４３００点に上る）
が文献から集められて訓練用データとして働いている。
限界を予測するのに適用するために、多量の引火性デー
タ（約７０の化学化合物について約４３００点に上る）
が文献から集められて訓練用データとして働いている。
【００１８】引火性モデルの記述 複合混合物の引火限界を予測するためのニューラルネッ
トワークベースのモデルを築く際の第一工程は、ネット
ワーク入力及び出力を確定することであった。この場
合、予測された変数である単一のネットワーク出力は、
上方の引火限界、下方の引火限界、又は制限酸素値であ
った。蒸気混合物の引火性特性を求める際に重要な役割
を果たしてきたと考えられた変数は、温度、圧力、不活
性化の程度、混合物組成、成分物理的及び熱力学的性質
を含み、これらに限定せず、これらのネットワーク入力
によって表わされた。次いで、その目的は、依然複合混
合物を組成上のデータ及び熱化学上のデータにだけ基づ
いて種々の温度及び圧力において扱うことができる強固
なモデルを作りながら、複合混合物のこれらの臨界変数
と引火性特性、特に引火限界との間の関係を収集するこ
とであった。このために、蒸気混合物を下記の３つの成
分に分割した：１）不活性な種すべてを含有する不活性
物質；２）引火性化合物、通常炭化水素すべてを含有す
る燃料；及び３）オキシダント、典型的に酸素。次い
で、混合物の不活性物質及び燃料成分を、各々の成分が
混合物の引火限界に与える影響を収集する一連の変数に
よって特性表示する。
トワークベースのモデルを築く際の第一工程は、ネット
ワーク入力及び出力を確定することであった。この場
合、予測された変数である単一のネットワーク出力は、
上方の引火限界、下方の引火限界、又は制限酸素値であ
った。蒸気混合物の引火性特性を求める際に重要な役割
を果たしてきたと考えられた変数は、温度、圧力、不活
性化の程度、混合物組成、成分物理的及び熱力学的性質
を含み、これらに限定せず、これらのネットワーク入力
によって表わされた。次いで、その目的は、依然複合混
合物を組成上のデータ及び熱化学上のデータにだけ基づ
いて種々の温度及び圧力において扱うことができる強固
なモデルを作りながら、複合混合物のこれらの臨界変数
と引火性特性、特に引火限界との間の関係を収集するこ
とであった。このために、蒸気混合物を下記の３つの成
分に分割した：１）不活性な種すべてを含有する不活性
物質；２）引火性化合物、通常炭化水素すべてを含有す
る燃料；及び３）オキシダント、典型的に酸素。次い
で、混合物の不活性物質及び燃料成分を、各々の成分が
混合物の引火限界に与える影響を収集する一連の変数に
よって特性表示する。
【００１９】簡単にするために、不活性物質を、混合物
の熱的性質に影響を与え、燃焼しかつフレーム伝播する
間の伝熱用の冷却用放熱器及び媒体の両方として作用す
る希釈剤として処理した。従って、初めに、全不活性物
質対全燃料モル比（Ｉ／Ｆ）を、不活性化の程度を収集
するためのネットワーク入力と定義した：
の熱的性質に影響を与え、燃焼しかつフレーム伝播する
間の伝熱用の冷却用放熱器及び媒体の両方として作用す
る希釈剤として処理した。従って、初めに、全不活性物
質対全燃料モル比（Ｉ／Ｆ）を、不活性化の程度を収集
するためのネットワーク入力と定義した：
【数１】 式中、ｙＩ ｉは、燃料と不活性物質とだけの混合物中の
不活性種ｉのモル分率であり、ｙＦ ｉは、燃料と不活性
物質とだけの混合物中の燃料種ｉのモル分率であり、Ｎ
Ｉは、不活性種の合計数であり、及びＮＦは、燃料種の
合計数である。
不活性種ｉのモル分率であり、ｙＦ ｉは、燃料と不活性
物質とだけの混合物中の燃料種ｉのモル分率であり、Ｎ
Ｉは、不活性種の合計数であり、及びＮＦは、燃料種の
合計数である。
【００２０】次いで、不活性成分を、不活性物質が混合
物の引火性特性に与える熱的影響を収集しようとしてモ
ル熱容量及び熱伝導率を含むそれの熱的性質によって定
義した。すべての不活性物質についてモデルの一般化を
確実にするために、混合物中の不活性種をひとまとめに
して不活性混合物のモル熱容量（ＣＩ ｐ）及び熱伝導率
（ｋＩ）によって定義する単一の不活性物質にした。こ
れらは、通常の加算式及び不活性成分組成を用いて計算
する：
物の引火性特性に与える熱的影響を収集しようとしてモ
ル熱容量及び熱伝導率を含むそれの熱的性質によって定
義した。すべての不活性物質についてモデルの一般化を
確実にするために、混合物中の不活性種をひとまとめに
して不活性混合物のモル熱容量（ＣＩ ｐ）及び熱伝導率
（ｋＩ）によって定義する単一の不活性物質にした。こ
れらは、通常の加算式及び不活性成分組成を用いて計算
する：
【数２】 ＮＩ＝不活性成分内の不活性物質の合計数；ＸＩ ｉ＝不
活性物質混合物内の不活性種Ｉのモル分率；ＣＩ ｐ，ｉ
＝不活性種の標準モル熱容量；及びｋＩ＝不活性種Ｉの
熱伝導率。
活性物質混合物内の不活性種Ｉのモル分率；ＣＩ ｐ，ｉ
＝不活性種の標準モル熱容量；及びｋＩ＝不活性種Ｉの
熱伝導率。
【００２１】混合物の引火性に強い影響を与えた不活性
成分のその他の物理的性質を、また、更なるネットワー
ク入力のべーシスとして用いた。これらは、密度及び粘
度を含み得る。
成分のその他の物理的性質を、また、更なるネットワー
ク入力のべーシスとして用いた。これらは、密度及び粘
度を含み得る。
【００２２】同様のアプローチを用いて混合物中の反応
性燃料化合物の熱化学的作用を特性表示した。本例で
は、燃料混合物の熱容量に加えて、燃焼熱（同様の加算
式を用いて計算した）を入力変数として用いた：
性燃料化合物の熱化学的作用を特性表示した。本例で
は、燃料混合物の熱容量に加えて、燃焼熱（同様の加算
式を用いて計算した）を入力変数として用いた：
【数３】 式中、ΔＨｃ＝混合物モル燃焼熱；ΔＨｉ ｃ＝燃料種Ｉ
の純成分燃焼熱；ＣＦ ｐ＝燃料混合物モル熱容量；及び
ＣＦ ｐ，ｉ＝燃料種Ｉの純成分モル熱容量。
の純成分燃焼熱；ＣＦ ｐ＝燃料混合物モル熱容量；及び
ＣＦ ｐ，ｉ＝燃料種Ｉの純成分モル熱容量。
【００２３】次いで、グループ寄与アプローチを用いて
再び簡単でその上強固なモデルを作りながら燃料を燃焼
する間の速度論及び熱力学を融和させた。グループ寄与
方法は、化合物の化学構造の知識だけに基づいて炭化水
素熱力学的及び物理的性質を推定するために用いた。
再び簡単でその上強固なモデルを作りながら燃料を燃焼
する間の速度論及び熱力学を融和させた。グループ寄与
方法は、化合物の化学構造の知識だけに基づいて炭化水
素熱力学的及び物理的性質を推定するために用いた。
【００２４】ＣＯ、ＮＨ３、ＨＣＮ、及びＨ２のような
非炭化水素燃料の明細を明らかにする一次構造グループ
（二次グループは最も近い隣接作用の明細を明らかにす
る）並びに更なる入力をニューラルネットワークについ
ての入力変数と定義した。ニューラルネットワークを築
きかつ訓練するために後に使用した引火限界データのデ
ータベースは、７０の異なる化学化合物を表わした。こ
れらの化合物の各々を記載するのに、３７の構造グルー
プ（表１に示す）を要した。次いで、これらのグループ
を用いて多成分燃料混合物をひとまとめにして化学構造
に基づいて定義する単一の燃料にした。下記の式を用い
た：
非炭化水素燃料の明細を明らかにする一次構造グループ
（二次グループは最も近い隣接作用の明細を明らかにす
る）並びに更なる入力をニューラルネットワークについ
ての入力変数と定義した。ニューラルネットワークを築
きかつ訓練するために後に使用した引火限界データのデ
ータベースは、７０の異なる化学化合物を表わした。こ
れらの化合物の各々を記載するのに、３７の構造グルー
プ（表１に示す）を要した。次いで、これらのグループ
を用いて多成分燃料混合物をひとまとめにして化学構造
に基づいて定義する単一の燃料にした。下記の式を用い
た：
【数４】 式中、Ｇｉ ｍ＝燃料混合物中の燃料ＮＦの中の燃料ｉに
おける構造グループｍ（これらの中に３４存在する）の
寄与；ＸＦ ｉ＝燃料混合物中の燃料ｉのモル分率；Ｎ
ＳＧ＝構造グループの合計数（本例では、３４）；及び
ＧＦ ｍ＝ひとまとめにされた燃料における構造グループ
ｍの標準化された寄与。
おける構造グループｍ（これらの中に３４存在する）の
寄与；ＸＦ ｉ＝燃料混合物中の燃料ｉのモル分率；Ｎ
ＳＧ＝構造グループの合計数（本例では、３４）；及び
ＧＦ ｍ＝ひとまとめにされた燃料における構造グループ
ｍの標準化された寄与。
【００２５】従って、本例では、これらの構造グルー
プ、燃料混合物の総括熱容量、不活性物質混合物の総括
熱容量及び熱伝導率、並びに燃料混合物の燃焼熱は、ニ
ューラルネットワークへの入力のすべての明細を明らか
にする。ニューラルネットワークへの入力を指定するた
めのアプローチは、多成分燃料及びバラストガスを種々
の温度及び圧力において含有する蒸気混合物の引火限界
を予測するためのモデルを簡単にしかつ一般化すること
を可能にした。ニューラルネットワークへの入力を指定
するためのこのアプローチを図３に例示する。
プ、燃料混合物の総括熱容量、不活性物質混合物の総括
熱容量及び熱伝導率、並びに燃料混合物の燃焼熱は、ニ
ューラルネットワークへの入力のすべての明細を明らか
にする。ニューラルネットワークへの入力を指定するた
めのアプローチは、多成分燃料及びバラストガスを種々
の温度及び圧力において含有する蒸気混合物の引火限界
を予測するためのモデルを簡単にしかつ一般化すること
を可能にした。ニューラルネットワークへの入力を指定
するためのこのアプローチを図３に例示する。
【００２６】
【表１】表１．ニューラルネットワークモデルにおいて
用いる構造グループ 燃料と、不活性物質と、酸素とのガス状混合物の最大酸
素濃度（ＭＯＣ）又は上方引火限界（ＵＦＬ）を予測す
る時のモデル性能の例
用いる構造グループ 燃料と、不活性物質と、酸素とのガス状混合物の最大酸
素濃度（ＭＯＣ）又は上方引火限界（ＵＦＬ）を予測す
る時のモデル性能の例
【００２７】次の工程は、引火データ上でニューラルネ
ットワークを築きかつ訓練することであった。本例で
は、目的は、組成、化学構造、及び熱化学的データの知
識だけに基づいて燃料−不活性物質−オキシダント混合
物のＵＦＬ及びＭＯＣを予測することにあった。上方引
火限界又は最大酸素濃度（ＭＯＣ）をモデル化するの
に、予備分析を行った。文献から集めた、７０の異なる
化学化合物を表わすおよそ４３００データ点が、ニュー
ラルネットワークビルディング及び訓練プロセスとして
働いた。データのすべてを指定された一連の入力及び出
力に変換し、ニューラルネットワークを訓練しかつテス
トするために使用した。推奨される訓練、テスチング、
及び検証データセット規則に基づいて、データの内のお
よそ２０％を独立検証セットとして取りのけ、他方、残
りのデータの内の７０〜８０％をニューラルネットワー
クを訓練するために使用し、残りを、ネットワークをテ
ストするために使用した。これは、モデルの一般化を確
実にしかつデータのオーバーフィッティングを防ぐため
に行った。
ットワークを築きかつ訓練することであった。本例で
は、目的は、組成、化学構造、及び熱化学的データの知
識だけに基づいて燃料−不活性物質−オキシダント混合
物のＵＦＬ及びＭＯＣを予測することにあった。上方引
火限界又は最大酸素濃度（ＭＯＣ）をモデル化するの
に、予備分析を行った。文献から集めた、７０の異なる
化学化合物を表わすおよそ４３００データ点が、ニュー
ラルネットワークビルディング及び訓練プロセスとして
働いた。データのすべてを指定された一連の入力及び出
力に変換し、ニューラルネットワークを訓練しかつテス
トするために使用した。推奨される訓練、テスチング、
及び検証データセット規則に基づいて、データの内のお
よそ２０％を独立検証セットとして取りのけ、他方、残
りのデータの内の７０〜８０％をニューラルネットワー
クを訓練するために使用し、残りを、ネットワークをテ
ストするために使用した。これは、モデルの一般化を確
実にしかつデータのオーバーフィッティングを防ぐため
に行った。
【００２８】本例では、変換される入力１２９、隠れた
処理要素９及び単一の出力からなるカスケード式ニュー
ラルネットワークが最良の結果をもたらした。表２は、
４つのデータセット：訓練データ、テストデータ、検証
データ、及びデータのすべてについてのモデルの相関係
数（Ｒ）及び正確度（対応する測定の５％の範囲内に入
る予測のパーセンテージ）を要約する。図４において、
ニューラルネットワークによって予測されたＭＯＣを全
データセットについて測定されたＭＯＣに対してプロッ
トする。４つすべてのデータセットについての予測とデ
ータとの間の良好な相関は、モデルが、データのオーバ
ーフィッティングを避けながら、入力変数と出力との間
の一般的な関係を収集する際に良好な仕事をなしたこと
を立証する。測定された値から有意に逸脱する範囲外の
予測がいくつか存在する。このことは、利用可能なデー
タの範囲及び引火性測定値の可変性（ｖａｒｉａｂｉｌ
ｉｔｙ）における限界によると予想される。ニューラル
ネットワークを用いる時に、確定された入力スペースを
横切るデータの分布でさえ、モデルの性能にとって重要
である。一層複雑な混合物データが訓練データとして利
用可能になるにつれて、モデルは、学習して向上し続け
ることになる。
処理要素９及び単一の出力からなるカスケード式ニュー
ラルネットワークが最良の結果をもたらした。表２は、
４つのデータセット：訓練データ、テストデータ、検証
データ、及びデータのすべてについてのモデルの相関係
数（Ｒ）及び正確度（対応する測定の５％の範囲内に入
る予測のパーセンテージ）を要約する。図４において、
ニューラルネットワークによって予測されたＭＯＣを全
データセットについて測定されたＭＯＣに対してプロッ
トする。４つすべてのデータセットについての予測とデ
ータとの間の良好な相関は、モデルが、データのオーバ
ーフィッティングを避けながら、入力変数と出力との間
の一般的な関係を収集する際に良好な仕事をなしたこと
を立証する。測定された値から有意に逸脱する範囲外の
予測がいくつか存在する。このことは、利用可能なデー
タの範囲及び引火性測定値の可変性（ｖａｒｉａｂｉｌ
ｉｔｙ）における限界によると予想される。ニューラル
ネットワークを用いる時に、確定された入力スペースを
横切るデータの分布でさえ、モデルの性能にとって重要
である。一層複雑な混合物データが訓練データとして利
用可能になるにつれて、モデルは、学習して向上し続け
ることになる。
【００２９】
【表２】表２．ニューラルネットワークモデル性能の結
果
果
【００３０】発明の特定の特徴を便宜のためだけに図面
の内の一つ又はそれ以上に示すが、各々の特徴は、発明
に従って他の特徴と組み合わせることができる。当業者
ならば、代わりの実施態様を認識することになり、代わ
りの実施態様は、発明の範囲内に含むことを意図する。
の内の一つ又はそれ以上に示すが、各々の特徴は、発明
に従って他の特徴と組み合わせることができる。当業者
ならば、代わりの実施態様を認識することになり、代わ
りの実施態様は、発明の範囲内に含むことを意図する。
【図１】単一の燃料、単一のオキシダント、及び不活性
物質を含有する混合物についての所定の温度及び圧力に
おける典型的な三成分の引火性ダイヤグラムを例示す
る。
物質を含有する混合物についての所定の温度及び圧力に
おける典型的な三成分の引火性ダイヤグラムを例示す
る。
【図２】入力層と、隠れた処理要素の層と、出力層とか
らなる多層パーセプトロンを例示する。
らなる多層パーセプトロンを例示する。
【図３】ニューラルネットワークへの入力を指定するた
めのこのアプローチを例示する。
めのこのアプローチを例示する。
【図４】ニューラルネットワークによって予測されたＭ
ＯＣを全データセットについて測定されたＭＯＣに対し
てプロットする。
ＯＣを全データセットについて測定されたＭＯＣに対し
てプロットする。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 マシュー・リンカン・ワグナー アメリカ合衆国ニューヨーク州バッファロ ー、リッチモンド・アベニュー231 ナン バー15
Claims (3)
- 【請求項１】 構造群の臨界変数を用いて複合混合物の
引火限界を予測するに際し、下記： ａ．各々の構造群の該臨界変数からのデータを訓練して
ニューラルネットワークモデルを生成するに、該臨界変
数は、ｓ）．エイド構造群の各々からの組成上のデータ
及び熱化学上のデータを含むものであり； ｂ．該ニューラルネットワークモデルからの該訓練した
データをテストし；及び ｃ．該ニューラルネットワークからの該訓練しかつテス
トしたデータを検証して同様の構造群を有する類似の複
合混合物の引火限界を正確に予測することを含む方法。 - 【請求項２】 前記処理工程が、希釈剤としての不活性
成分を処理して前記複合混合物の熱特性に影響を与える
ことを含む請求項１の方法。 - 【請求項３】 前記複合混合物が複数の反応性燃料及び
不活性種を含む請求項１の方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US09/487,385 US6442536B1 (en) | 2000-01-18 | 2000-01-18 | Method for predicting flammability limits of complex mixtures |
| US09/487385 | 2000-01-18 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2001256420A true JP2001256420A (ja) | 2001-09-21 |
Family
ID=23935524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001007446A Withdrawn JP2001256420A (ja) | 2000-01-18 | 2001-01-16 | 複合混合物の引火限界を予測する方法 |
Country Status (11)
| Country | Link |
|---|---|
| US (1) | US6442536B1 (ja) |
| EP (1) | EP1118855A3 (ja) |
| JP (1) | JP2001256420A (ja) |
| KR (1) | KR20010085291A (ja) |
| CN (1) | CN1315659A (ja) |
| AR (1) | AR027516A1 (ja) |
| BR (1) | BR0100085A (ja) |
| CA (1) | CA2331262A1 (ja) |
| IL (1) | IL140907A0 (ja) |
| MX (1) | MXPA01000484A (ja) |
| PL (1) | PL345145A1 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008509486A (ja) * | 2004-08-03 | 2008-03-27 | イー・アイ・デュポン・ドウ・ヌムール・アンド・カンパニー | 化学混合物の特性を予測する方法および装置 |
| WO2019198644A1 (ja) * | 2018-04-11 | 2019-10-17 | 富士フイルム株式会社 | 推定装置、推定方法、及び推定プログラム |
| WO2021095742A1 (ja) * | 2019-11-12 | 2021-05-20 | 昭和電工マテリアルズ株式会社 | 入力データ生成システム、入力データ生成方法、及び入力データ生成プログラム |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100482689B1 (ko) * | 2002-10-30 | 2005-04-14 | 엘지전자 주식회사 | 에이티엠 기반 엠피엘에스-엘이알 시스템 및 그의 연결설정 방법 |
| US7132623B2 (en) | 2002-03-27 | 2006-11-07 | Praxair Technology, Inc. | Luminescence sensing system for welding |
| US7487663B2 (en) * | 2006-04-20 | 2009-02-10 | Exxonmobil Research & Engineering Co. | Method for selecting fuel to both optimize the operating range and minimize the exhaust emissions of HCCI engines |
| MX2010006576A (es) | 2007-12-13 | 2010-10-15 | Danisco Us Inc | Composiciones y metodos para producir isopreno. |
| KR100945297B1 (ko) * | 2008-03-26 | 2010-03-03 | 한국건설기술연구원 | 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및예측 방법 |
| WO2009132220A2 (en) | 2008-04-23 | 2009-10-29 | Danisco Us Inc. | Isoprene synthase variants for improved microbial production of isoprene |
| SG167566A1 (en) | 2008-07-02 | 2011-01-28 | Danisco Us Inc | Compositions and methods for producing isoprene free of C5 hydrocarbons under decoupling conditions and/or safe operating ranges |
| CN101339180B (zh) * | 2008-08-14 | 2012-05-23 | 南京工业大学 | 基于支持向量机的有机化合物燃爆特性预测方法 |
| CN101339181B (zh) * | 2008-08-14 | 2011-10-26 | 南京工业大学 | 基于遗传算法的有机化合物燃爆特性预测方法 |
| US8518686B2 (en) | 2009-04-23 | 2013-08-27 | Danisco Us Inc. | Three-dimensional structure of isoprene synthase and its use thereof for generating variants |
| CA2816306A1 (en) | 2010-10-27 | 2012-05-03 | Danisco Us Inc. | Isoprene synthase variants for improved production of isoprene |
| CN102033989A (zh) * | 2010-11-30 | 2011-04-27 | 河南理工大学 | 基于bp神经网络的氯离子固化量预测方法 |
| CN102608284B (zh) * | 2011-12-23 | 2014-11-05 | 南京工业大学 | 一种确定多元混合气体爆炸极限的方法 |
| US9163263B2 (en) | 2012-05-02 | 2015-10-20 | The Goodyear Tire & Rubber Company | Identification of isoprene synthase variants with improved properties for the production of isoprene |
| CN102901804B (zh) * | 2012-10-25 | 2014-10-29 | 四川威特龙消防设备有限公司 | 一种油气爆炸临界参数分析方法 |
| CN104063588B (zh) * | 2014-06-12 | 2017-03-22 | 东北大学 | 基于多源数据融合的管道腐蚀缺陷尺寸的预测方法 |
| US10515715B1 (en) | 2019-06-25 | 2019-12-24 | Colgate-Palmolive Company | Systems and methods for evaluating compositions |
| DE102020120829B4 (de) | 2020-08-06 | 2022-04-07 | Sick Ag | Vorrichtung und Verfahren zur Überwachung eines Elektrofilters |
| CN112908431A (zh) * | 2021-01-28 | 2021-06-04 | 中铁岩锋成都科技有限公司 | 一种液体硅酸盐无机涂料配方的设计方法 |
| CN113484364B (zh) * | 2021-06-03 | 2022-05-06 | 中国科学技术大学 | 一种航空煤油可燃物组分的临界安全浓度预测方法 |
| CN115048775B (zh) * | 2022-05-27 | 2024-04-09 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种热化学非平衡流动的组分限制方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5327357A (en) | 1991-12-03 | 1994-07-05 | Praxair Technology, Inc. | Method of decarburizing molten metal in the refining of steel using neural networks |
| US5554273A (en) * | 1995-07-26 | 1996-09-10 | Praxair Technology, Inc. | Neural network compensation for sensors |
| US5724255A (en) * | 1996-08-27 | 1998-03-03 | The University Of Wyoming Research Corporation | Portable emergency action system for chemical releases |
-
2000
- 2000-01-18 US US09/487,385 patent/US6442536B1/en not_active Expired - Lifetime
-
2001
- 2001-01-15 MX MXPA01000484A patent/MXPA01000484A/es unknown
- 2001-01-15 IL IL14090701A patent/IL140907A0/xx unknown
- 2001-01-16 BR BR0100085-3A patent/BR0100085A/pt not_active Application Discontinuation
- 2001-01-16 KR KR1020010002354A patent/KR20010085291A/ko not_active Application Discontinuation
- 2001-01-16 PL PL01345145A patent/PL345145A1/xx not_active Application Discontinuation
- 2001-01-16 AR ARP010100175A patent/AR027516A1/es unknown
- 2001-01-16 CN CN01101681A patent/CN1315659A/zh active Pending
- 2001-01-16 EP EP01100913A patent/EP1118855A3/en not_active Withdrawn
- 2001-01-16 JP JP2001007446A patent/JP2001256420A/ja not_active Withdrawn
- 2001-01-17 CA CA002331262A patent/CA2331262A1/en not_active Abandoned
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008509486A (ja) * | 2004-08-03 | 2008-03-27 | イー・アイ・デュポン・ドウ・ヌムール・アンド・カンパニー | 化学混合物の特性を予測する方法および装置 |
| WO2019198644A1 (ja) * | 2018-04-11 | 2019-10-17 | 富士フイルム株式会社 | 推定装置、推定方法、及び推定プログラム |
| JPWO2019198644A1 (ja) * | 2018-04-11 | 2021-03-11 | 富士フイルム株式会社 | 推定装置、推定方法、及び推定プログラム |
| WO2021095742A1 (ja) * | 2019-11-12 | 2021-05-20 | 昭和電工マテリアルズ株式会社 | 入力データ生成システム、入力データ生成方法、及び入力データ生成プログラム |
| JP7395974B2 (ja) | 2019-11-12 | 2023-12-12 | 株式会社レゾナック | 入力データ生成システム、入力データ生成方法、及び入力データ生成プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| CA2331262A1 (en) | 2001-07-18 |
| IL140907A0 (en) | 2002-02-10 |
| PL345145A1 (en) | 2001-07-30 |
| KR20010085291A (ko) | 2001-09-07 |
| EP1118855A3 (en) | 2004-02-25 |
| AR027516A1 (es) | 2003-04-02 |
| EP1118855A2 (en) | 2001-07-25 |
| BR0100085A (pt) | 2001-08-28 |
| CN1315659A (zh) | 2001-10-03 |
| US6442536B1 (en) | 2002-08-27 |
| MXPA01000484A (es) | 2003-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2001256420A (ja) | 複合混合物の引火限界を予測する方法 | |
| Franke et al. | Tabulation of combustion chemistry via Artificial Neural Networks (ANNs): Methodology and application to LES-PDF simulation of Sydney flame L | |
| Varga et al. | Development of a joint hydrogen and syngas combustion mechanism based on an optimization approach | |
| Tomlin | The role of sensitivity and uncertainty analysis in combustion modelling | |
| Elliott et al. | Genetic algorithms for optimisation of chemical kinetics reaction mechanisms | |
| Xu et al. | PDF calculations of turbulent nonpremixed flames with local extinction | |
| Taghavifar et al. | Diesel engine spray characteristics prediction with hybridized artificial neural network optimized by genetic algorithm | |
| Pierorazio et al. | An update to the Baker–Strehlow–Tang vapor cloud explosion prediction methodology flame speed table | |
| Babrauskas | COMPF2, A Program for Calculating Post-Flashover Fire Temperatures | |
| Pang et al. | Evaluation and optimisation of phenomenological multi-step soot model for spray combustion under diesel engine-like operating conditions | |
| Xin et al. | Skeletal reaction model generation, uncertainty quantification and minimization: Combustion of butane | |
| EP2527834B1 (en) | Method for determining fuel property and device for determining fuel property | |
| Bounagui et al. | Optimizing the grid size used in CFD simulations to evaluate fire safety in houses | |
| Spinti et al. | Heat transfer to objects in pool fires | |
| Zhou et al. | A machine learning based full-spectrum correlated k-distribution model for nonhomogeneous gas-soot mixtures | |
| Kirbas | The method of lines solution of the discrete ordinates method for radiative heat transfer in enclosures | |
| Hechinger et al. | Targeted QSPR for the prediction of the laminar burning velocity of biofuels | |
| Li et al. | Numerical simulation of turbulence-radiation interactions in turbulent reacting flows | |
| Tam et al. | Assessment of Radiation Solvers for Fire Simulation Models Using RADNNET-ZM | |
| DeFilippo et al. | Development and validation of reaction mechanisms for alcohol-blended fuels for IC engine applications | |
| TW498158B (en) | Method for predicting flammability limits of complex mixtures | |
| Mukhutdinov et al. | Application of a neural network model for revealing specific features and regularities of solid fuel burning process | |
| Ji et al. | Data-driven approaches to learn HyChem models | |
| Bellemans et al. | A machine-learning framework for plasma-assisted combustion using principal component analysis and Gaussian process regression | |
| Abrukov et al. | Application of artificial neural networks for solution of scientific and applied problems for combustion of energetic materials |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20080401 |