KR20010085291A - 복합 혼합물의 가연성 한계를 예측하는 방법 - Google Patents

복합 혼합물의 가연성 한계를 예측하는 방법 Download PDF

Info

Publication number
KR20010085291A
KR20010085291A KR1020010002354A KR20010002354A KR20010085291A KR 20010085291 A KR20010085291 A KR 20010085291A KR 1020010002354 A KR1020010002354 A KR 1020010002354A KR 20010002354 A KR20010002354 A KR 20010002354A KR 20010085291 A KR20010085291 A KR 20010085291A
Authority
KR
South Korea
Prior art keywords
data
neural network
mixture
flammability
flammability limits
Prior art date
Application number
KR1020010002354A
Other languages
English (en)
Inventor
아머와히드 아카라스
매튜링컨 와그너
Original Assignee
조안 엠. 젤사 ; 로버트 지. 호헨스타인 ; 도로시 엠. 보어
프랙스에어 테크놀로지, 인코포레이티드
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 조안 엠. 젤사 ; 로버트 지. 호헨스타인 ; 도로시 엠. 보어, 프랙스에어 테크놀로지, 인코포레이티드 filed Critical 조안 엠. 젤사 ; 로버트 지. 호헨스타인 ; 도로시 엠. 보어
Publication of KR20010085291A publication Critical patent/KR20010085291A/ko

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

본 발명은 각각의 구조기로부터의 조성 및 열화학적 데이타를 포함하여 신경망 모델을 제공하는, 각각의 구조기의 임계 변수로부터 데이타를 트레이닝시키는 단계; 신경망 모델로부터 트레이닝된 데이타를 시험하는 단계; 및 신경망으로부터 트레이닝되고 시험된 데이타를 유효화시켜 유사한 구조기를 갖는 유사 복합 혼합물의 가연성 한계를 정확하게 예측하는 단계를 포함하는, 구조기의 임계 변수를 사용하여 복합 혼합물의 가연성 한계를 예측하는 방법에 관한 것이다.

Description

복합 혼합물의 가연성 한계를 예측하는 방법 {METHOD FOR PREDICTING FLAMMABILITY LIMITS OF COMPLEX MIXTURES}
본 발명은 화학 혼합물의 가연성 한계를 예측하는 방법에 관한 것이다. 더욱 상세하게, 본 발명은 복합 화학 혼합물의 가연성 한계를 예측하는 모델로서의 신경망의 용도에 관한 것이다.
연소성 기체 화합물("연료") 및 산화제(보편적으로 산소 또는 산소 함유 기체)를 함유하는 증기 혼합물은 이 혼합물 조성 및 조건이 혼합물의 점화시에 불꽃을 유지시키는 경우에 가연성일 수 있다. 종종, 이러한 증기 혼합물은 3차 시스템을 형성하는 불활성 기체를 함유할 수 있다. 가연성 혼합물의 점화는 둘러싸고 있는 타지 않은 연료-산화제-불활성 물질의 혼합물로 불꽃을 전파시키기고, 압력을 급속히 상승시키며, 설비에 있어서는 심각한 손상 및/또는 사람에 있어서는 부상 또는 죽음을 일으킬 수 있다. 그러므로, 연료(들), 산화제(들), 불활성 물질(들)을 함유하는 3차 시스템의 가연성의 이해는 본질적으로 산업적 폭발의 예방 및/또는 완화에 대한 것이다. 특히, 잠재적으로 가연성은 혼합물을 다루는 산업적 공정의 안전 설계, 조작 및/또는 최적화는 가연성 한계에 좌우된다.
불꽃을 지속적으로 살리는데 필요한 주어진 조건하에서 혼합물의 조성은 증기 혼합물의 가연성 한계를 한정한다. 그러므로, 반응에 영향을 미치는 상기 인자들, 연료-산화제 혼합물의 연소 동안의 열 및 물질 전달은 가연성 한계의 값에 영향을 미칠 것이다. 가연성 혼합물이 연료 및 산화제를 함유하여야 하며, 또한 보편적으로 연소 반응에 관여하지 않은 물질로서 정의된 불활성 물질 (즉, N2, Ar, He, CO2, H2O)를 함유할 수 있기 때문에, 가연성 인벨로프(envelope) 및 이것의 경계(가연성 한계)는 보편적으로 3차 가연성 다이어그램을 사용하여 예시된다. 주어진 온도 및 압력에서 단일 연료, 단일 산화제 및 불활성 물질을 함유하는 혼합물에 대한 보편적인 3차 가연성 다이어그램이 도 1에 예시되어 있다. 가연성 혼합물은 위족에서는 상부 가연성 한계(UFL: upper flammability limit), 상부 폭발성 한계(UEL: upper explosive limit) 또는 최대 산소 농도(MOC: maximun oxygenconcentration)에 의해 경계지어지고, 아래쪽에서는 하부 가연성 한계(LFL: lower flammability limit) 또는 하부 폭발성 한계(LEL: lower explosive limit)에 의해 경계지어지는 "가연성 인벨로프"내에 있다. 이들 2가지 경계는 한계적인 산소 값(LOV: limiting oxygen value)으로서 간주되는 지점에서, 연료, 산화제 및 불활성 물질의 혼합물이 전혀 가연성이지 않은 아래쪽의 산소 농도를 충족시킨다.
종래 기술이 가연성 한계의 측정 및 예측을 다루고 있을지라도, 이는 주로 표준 상태(25℃ 및 1atm)에서 또는 그 근처에서 단일 또는 2 성분 불활성 시스템을 이용하는 공기중의 단일 연료와 같은 단순한 혼합물에 관한 것이다. 그러나, 고온 및 고압에서 산화제, 산소, 다수의 불활성 물질 및 다수의 연료를 함유하는 증기 혼합물을 취급하는 화학 공정, 불활성화, 가연성 화합물의 저장 및 운송, 및 그외의 많은 공정을 포함하는 많은 산업적 적용이 종래 기술에서는 다루어지지 않았다. 이들 혼합물은 "복합 혼합물"로서 언급될 것이다.
보편적으로, 가연성 한계의 측정은 잠재적으로 가연성 혼합물을 취급하는 공정 및 안전 시스템을 적당히 설계하는 것을 필요로 한다. 그러나, 실험적 시험을 통해 복합 혼합물의 가연성 인벨로프의 특징화는 상당히 어렵고, 시간 소모적이며 비용이 많이 들 수 있다. 복합 혼합물의 가연성 한계를 예측하는 능력은 수많은 산업에 대해 매우 중요한 수단으로서 작용할 것이다. 이러한 수단은 또한 신규 공정 및 공정 조건들을 조사하는 경우에 도움이 될 것이다. 혼합물의 가연성을 더욱 잘 이해하여, 본 발명자는 관심이 되는 조건들을 정확하게 지적함으로써, 광범위한 가연성 측정과 관련된 시간과 비용을 최소화시킬 수 있다
그러나, 제 1 원리로부터 예측 모델을 개발하는 것은 매우 방대한 작업이다. 그러나, 신경망은 복합 혼합물의 가연성 작용을 규정하는 열역학, 동력학, 열 및 물질 전달을 포함하는 기본적인 관계에 대한 상세한 이해 없이, 복잡한 비선형의 관계를 모델링하는 수단을 제공할 수 있다. 본 발명은 신경망을 사용하여 복합 혼합물의 가연성 한계를 예측하기 위한 신규한 접근법에 관한 것이다.
풍부한 가연성 한계 데이타 및 가연성 한계를 예측하기 위한 기술은 종래 기술에서 이루어진 것이다. 종래 기술을 고찰하면 가연성 한계를 예측하는 문제를 다루도록 시도된 수많은 예측 모델이 있다. 관련된 종래 기술의 저자는 샤틀리에 (Chatelier) 원리, 일정한 단열 불꽃 온도(CAFT), 선형 및 비선형 회귀, 그룹 분포 기술 및 상기 문제를 다루는 신경망을 포함하는 수많은 접근 방법들을 시도하였다.
르샤틀리에 원리는 각각의 연료의 가연성 한계 및 연료 혼합물 조성을 기초로 하여 공기중의 연료 혼합물의 LFL 및 UFL을 예측하는데 종종 사용되는 보편적이고 간단한 접근법이다. 또 다른 접근법은 저급 파라핀이 가연성의 한계에서 일정한 단열 불꽃 온도를 나타내는 관찰을 기초로 한 것이다. 가연성 한계, 온도 효과, 압력 효과를 예측하기 위한 수많은 실험적 또는 반실험적 모델이 또한 종래 기술에 존재한다. 신경망이 입력 및 출력의 특정 세트 사이에 존재하는 비선형 관계를 모델링시키는데 광범위하게 사용될지라도, 가연성 한계를 예측하는 신경망 기초 기술은 제한된다.
본 발명의 목적을 위해서, 가연성 한계는 적당한 점화로부터 개시된 불꽃이 연료/산화제 혼합물을 통해 전파되지 않는 지점을 의미하여야 한다.
종래 기술에는 복합 혼합물의 상부 및 하부 가연성 한계를 예측하는 신경망 기초 기술을 사용하는 것에 대해서 어떠한 교시도 없다. 그러므로, 당해 분야에서는 복합 혼합물의 가연성을 예측하는 방법을 제공하는 것이 요구되고 있다.
본 발명의 목적은 신경망을 사용하여 복합 혼합물의 가연성 한계를 예측하기 위한 신규한 방법을 제공하는 것이다.
도 1은 주어진 온도 및 압력에서 단일 연료, 단일 산화제 및 불활성 물질을 함유하는 혼합물에 대한 보편적인 3차 가연성 다이어그램이다.
도 2는 입력층, 가려진 처리 요소의 층, 및 출력 층으로 이루어진 멀티플 레이어 퍼셉트론(Multiple Layer Perceptron)의 구조를 도시한 것이다.
도 3은 신경망으로 입력값을 구체화시키기 위한 방법을 예시한 것이다.
도 4는 전체 데이타 세트에 대해서 신경망에 의해 예측된 MOC를 측정된 MOC에 대해서 도시한 것이다.
발명의 요약
본원은 구조기(structural groups)의 임계 변수를 사용하여 복합 혼합물의 가연성 한계를 예측하는 방법으로서, 각각의 구조기로부터의 조성 데이타 및 열화학적 데이타를 포함하여 신경망 모델을 제공하는, 각각의 구조기의 임계 변수로부터 데이타를 트레이닝시키는 단계; 신경망 모델로부터 트레이닝된 데이타를 시험하는 단계; 및 신경망으로부터 트레이닝되고 시험된 데이타를 유효화시켜 유사한 구조기를 갖는 유사 복합 혼합물의 가연성 한계를 정확하게 예측하는 단계를 포함하는 방법에 관한 것이다.
바람직한 구체예의 상세한 설명
본 발명에 기술된 가연성 한계를 예측하는 방법은 변화하는 온도 및 압력에서 다수의 연료, 다수의 불활성 물질(즉, He, Ar, CO2, N2, H2O)를 함유하는 복합 혼합물을 다루는 시도에서 종래 기술에서 이용되었던 다른 기술 보다 더욱 우수한 것으로 보인다.
인공 신경망은 기능이 대충 생물학적 뉴런의 기능을 기초로 하는 단순한 처리 요소, 유닛 또는 노드의 상호연결이다. 각각의 처리 요소는 비선형 전달 기능(예컨대, 시그모이드 기능)을 사용하여 수개의 가중 입력값의 합계("시냅스")를 출력으로 변환시킨다. 그 결과로서, 신경망은 또한 평행한 분배 프로세서로서 기술된다. 이들 상호연결된 처리 요소의 구조는 변할 수 있으나, 가장 광범위하게 사용되는 구조 중 하나는 입력층, 가려진 처리 요소의 층, 및 출력 층으로 이루어진 멀티플 레이어 퍼셉트론(Multiple Layer Perceptron)(도 2 참조)이다.
반복 공정 또는 "학습" 기술을 사용하여, 각각의 주어진 처리 요소에 대한 입력 가중치 및 전달 기능의 값은 모델이 출력을 예측하는 방법을 기초로 하는 특정의 목적 기능이 충족될 때까지 조정된다. 역행 전파는 입력의 가중치를 조정하기 위한 가장 일반적인 기술이다. 데이타에서 일반적인 경향을 얻기위한 신경망의 효과적인 트레이닝에 있어서 중요한 것은 데이타를 필요로 하는 것이다. 그러나, 신경망을 트레이닝하는 경우에, 본 발명자는 항상 신경망의 일반화를 보장하기 위해서 데이타를 지나치게 구체화시키거나 적용시키지 않도록 주의하여야 한다. 결국, 트레이닝된 데이타는 보편적으로 트레이닝 세트 및 시험 세트로 분리된다. 모델은 그 성능이 트레이닝 및 데이타 세트 모두에 대한 최소 기준에 도달할때까지 연속적으로 가중치를 조정하고 처리 요소를 부가함으로써 구축된다. 시험 데이타 세트가 완전히 트레이닝 공정에 무관하지 않기 때문에, 이용가능한 데이타의 적은 부분은 보류되어 모델의 성능을 0시험하는데 사용된다. 본 발명의 목적은 일반화된 모델을 지나치게 적용시키는 방지하여 일반화를 보장함으로써 3가지 모든 데이타 세트에 대해서 널리 수행되는 모델을 구축하는 것이다. 그러므로, 신경망의 유효성은 입력값과 출력값간의 일반적인 관계를 인지하기 위해 신경망을 트레이닝시키는 자료에 좌우된다.
적합한 그래디언트 학습 및 칼만(Kalman) 학습 규칙을 포함하는 다양한 학습 알고리듬이 신경망을 트레이닝시키는데 사용된다. 수많은 가이드라인 및 알고리듬은 또한 입력 데이타를 신경망의 트레이닝, 가변성 선택, 감추어진 처리 요소의 최적 수, 및 트레이닝, 유효화 및 시험 세트의 조성 및 크기의 구체화에 더욱 적합한 형태로 변환시키기 위해서 개발되어 왔다. 그러므로, 신경망 모델의 구성은 데이타 선택, 데이타 변환, 가변성 선택, 신경망 구축, 신경망 트레이닝 및 평가를 수반한다. 신경망이 공정 원리에 제한적으로 기초를 둔 복잡한 비선형 회귀 기술이기 때문에, 신경망은 트레이닝 데이타 입력 공간내에서 널리 표현되는 입력값을 처리하는 경우에 가장 효과적이다. 그러나, 공정 또는 적용의 이해는 트레이닝 데이타의 최적 선택, 데이타의 변환 및 모델 성능의 평가에 있어서 중요하다.
결과적으로, 신경망은 입력값 또는 독립 변수 및 출력값간의 관계의 공지된 수학적 기능 또는 기초 이해가 없는 데이타의 카테고리화, 모델링 및 분류화에 널리 이용된다. 신경망 적용은 풍부하고 다양하며, 조사 분석, 기호 분석, 공정 제어(즉, 스틸 제조 공정의 최적화 및 제어) 및 마케팅이 포함된다.
신경망을 복합 혼합물 가연성 한계를 예측하는데 적용하기 위해서, 광범위한 양의 가연성 데이타(약 70개의 화학적 화합물에 대해서 약 4300 포인트 합계)를 기존 문헌으로부터 수집하여 트레이닝 데이타로서 이용하였다.
가연성 모델에 대한 상세한 설명
복합 혼합물의 가연성 한계를 예측하기 위한 신경망 기초 모델을 구축하는 제 1 단계는 신경망 입력값 및 출력값을 한정하는 것이다. 이 경우에, 단일 신경망 출력, 예측된 변수는 상부 가연성 한계, 하부 가연성 한계 또는 제한되는 산소 값이다. 증기 혼합물의 가연성 특징들을 결정하는데 중요한 역할을 하는 것으로 보이는 변수(비제한적으로 온도, 압력, 불활성화 범위, 혼합 조성물, 성분의 물리적 및 열역학적 성질이 포함됨)는 이들 신경망 입력값에 의해 표현된다. 본 발명의 목적은 그 다음 이들 중요한 변수와 가연성 성질, 구체적으로 복합 혼합물의 가연성 한계간의 관계를 얻는 한편, 조성 및 열역학적 데이타만을 기초로 하는 변하는 온도 및 압력에서 복합 혼합물을 처리할 수 있는 확고한 모델을 형성하는 것이다. 이를 위해서, 증기 혼합물은 1) 모든 불활성 물질을 함유하는 불활성 성분; 2) 모든 가연성 화합물, 일반적으로 탄화수소를 함유하는 연료; 및 3) 산화제, 보편적으로 산소의 3가지 성분으로 분리된다. 그 다음, 혼합물의 불활성 및 연료 성분은 혼합물의 가연성 한계에 대한 각각의 성분의 효과를 얻는 일련의 변수에 의해 특징지어 진다.
간략하게, 불활성 물질은 연소 및 불꽃 전파 동안에 열 전이를 위한 매질 및 흡열부(heat sink) 모두로서 작용하는, 혼합물의 열적 성질에 영향을 미치는 희석제로서 처리한다. 그러므로, 본 발명자는 먼저 다음과 같이 불활성 범위를 얻기 위한 신경망 입력값으로서 전체 불활성 물질 대 전체 연료의 몰비(I/F)를 정의한다:
상기에서, yI i는 연료 및 불활성 물질만으로 이루어진 혼합물중의 불활성 물질 i의 몰분율이고, yF i는 연료 및 불활성 물질만으로 이루어진 혼합물중의 연료 물질 i의 몰분율이고, NI는 불활성 물질의 총수이며, NF는 불활성 물질의 총수이다.
불활성 성분은 그 다음 혼합물의 가연성 성질에 대한 불활성 물질의 열적 효과를 얻기 위한 시도로 열 전도성 및 몰 열용량을 포함하는 열정 성질과 관련하여 정의된다. 모든 불활성 물질에 대한 모델의 일반화를 보장하기 위해서, 혼합물중의 불활성 물질은 혼합물의 몰 열용량(CI P) 및 열 전도성(kI)과 관련하여 정의된 단일 불활성 물질로 합쳐지며, 몰 열용량(CI P) 및 열 전도성(kI)은 다음과 같이 일반적인 합계 공식 및 불활성 성분의 조성을 사용하여 계산된다:
상기에서, NI는 불활성 성분내의 불활성 물질의 총수이고, XI i는 불활성 혼합물내의 불활성 물질 I의 몰분율이고, CI P,i는 불활성 물질 I의 표준 몰 열용량이며, ki는 불활성 물질 I의 열 전도성이다.
혼합물의 가연성에 영향을 미치는 불활성 성분의 다른 물리적 성질이 또한 부가의 신경망 입력값의 기초로서 사용된다. 이 성질로는 밀도 및 점도가 포함될 수 있다.
유사한 접근법이 혼합물중의 반응성 연료 성분의 열화학적 효과를 특징짓는데 사용된다. 이러한 예에서, 연료 혼합물의 열 용량(유사한 합계 공식을 사용하여 계산됨) 이외에 연소열이 입력 변수로서 사용된다:
상기에서, △Hc는 혼합물의 몰 연소열이고, △Hi c는 연료 물질 I의 순수한 성분의 열 연소열이고, CF P는 연료 혼합물의 몰 열용량이며, CF P,i는 연료 물질 I의 순수한 성분의 몰 열용량이다.
그룹 분포 접근법은 그 다음 연료의 연소 과정에서 동력학 및 열역학적을 만족시키면서 단순하지만 확고한 모델을 다시 형성하는데 사용된다. 그룹 분포 방법은 화합물의 화학적 구조의 지식만을 기초로 한 탄화수소의 열역학 및 물리적 성질을 추정하는데 사용되었다.
CO, NH3, HCN 및 H2와 같은 비탄화수소 연료를 설명하는 제 1차 구조기(제 2차 구조기는 가장 이웃하는 것의 효과를 설명한다) 및 부가 입력값은 신경망에 대한 입력 변수로서 정의된다. 이후에 신경망의 구축 및 트레이닝에 사용되는 가연성 한계 데이타의 데이타베이스는 70개의 상이한 화학적 화합물을 나타낸다. 37개의 구조기(표 1에 제시되어 있음)는 이들 화합물 각각을 기술하는데 필요하다. 이들 기들은 그 다음 다성분 연료 혼합물을 화학적 구조를 기초로 하여 정의된 단일 연료로 합치는데 사용된다. 하기의 방정식이 사용된다:
상기식에서, Gi m은 연료 혼합물중의 NF연료의 연료 i중의 구조기 m(여기에서는 34개)의 제공이고, XF i는 연료 혼합물중의 연료 i의 몰분율이고, NSG는 구조기의 총수(이 실시예에서는 34개)이며, GF m은 합쳐진 연료중의 구조기 m의 정상화된 제공이다.
그러므로, 이 실시예에서, 이들 구조기, 연료 혼합물을 전체 열용량, 불활성 혼합물의 전체 열용량 및 열 전도성, 및 연료 혼합물의 연소열은 신경망에 대한 모든 입력값을 설명한다. 신경망으로 입력값을 구체화시키기 위한 이러한 접근법은변화하는 온도 및 압력에서 밸러스 기체 및 다성분 유체를 함유하는 증기 혼합물의 가연성 한계를 예측하기 위한 모델의 단순화 및 일반화를 가능케 하였다. 신경망으로 입력값을 구체화시키기 위한 이러한 접근법은 도 3에 예시되어 있다.
표 1: 신경망 모델에 사용된 구조기
연료, 불활성 물질 및 산소의 기체성 혼합물의 상부 가연성 한계(UFL) 또는 최대 산소 농도(MOC)를 예측하는 경우의 모델 성능의 실시예
다음 단계는 가연성 데이타에 대한 신경망을 구축하고 트레이닝하는 것이다. 이 실시예의 목적은 조성, 화학적 구조 및 열화학적 데이타의 지식을 기초로 하여연료-불활성 물질-산화제 혼합물의 UFL 또는 MOC를 예측하는 것이다. 상부 가연성 한계 또는 최대 산소 농도(MOC)를 모델링시키기 위한 예비 분석으로 수행하였다. 약 4300개의 데이타 포인트를 기존 문헌으로부터 수집하였는데, 이는 70개의 상이한 화학적 화합물을 나타내며, 신경망 구축 및 트레이닝 공정의 기초로서 작용하였다. 모든 데이타는 입력값 및 출력값의 지정된 세트로 변환되고 신경망의 트레이닝 및 시험에 사용되었다. 추천된 트레이닝, 시험 및 유효화 데이타 세트 규칙을 기초로 하여, 데이타의 약 20%를 독립적인 유효화 세트로서 보류시키는 한편, 잔여 데이타의 70 내지 80%는 신경망을 트레이닝시키고, 나머지는 신경망을 시험하는데 사용하였다. 이는 모델의 일반화를 보장하고 데이타의 지나친 적용을 방시하는데 사용되었다.
이 실시예에서, 129개의 변환된 입력값, 9개의 감추어진 처리 요소 및 단일 출력값으로 이루어진 캐스캐이드된 신경망은 최상의 결과를 제공하였다. 표 2는 4개의 데이타 세트, 트레이닝 데이타, 시험 데이타, 유효화 데이타 및 모든 데이타에 대한 모델의 상관 계수(R) 및 정확도(상응하는 측정의 5% 이내의 예측도)를 요약한 것이다. 도 4에서는 전체 데이타 세트에 대해서 신경망에 의해 예측된 MOC를 측정된 MOC에 대해 도시하였다. 4개의 데이타 세트 모두에 대한 예측 및 데이타 간의 양호한 상관관계는 본 발명의 모델이 입력 변수와 출력간의 일반적인 관계를 얻으면서 데이타의 지나친 적용을 피하는 점에서 양호하게 작용함을 증명하는 것이다. 측정된 값으로부터 상당히 빗나가는 일부 벗어난 예측이 있었다. 이는 가연성 측정에서의 변화성 및 이용가능한 데이타 범위의 제한으로 인한 것으로 예상된다. 신경망을 사용하는 경우에, 한정된 입력 공간에 대한 데이타의 고른 분포가 모델의 성능에 있어서 중요하다. 더욱 복합적인 혼합물 데이타가 트레이닝 데이타로서 사용하는데 이용됨에 따라, 본 발명의 모델은 학습 및 개선에 기여할 것이다.
표 2: 신경망 모델 성능의 결과
데이타 세트 상관 관계 (R) 정확도 (5%)
모든 데이타 0.939 94.2
트레이닝 데이타 0.950 94.9
시험 데이타 0.904 92.8
유효 데이타 0.944 93.3
본 발명의 구체적인 특징들은 편의상 하나 이상의 도면에 도시되어 있으며, 각각의 특징은 본 발명에 따라서 다른 특징들과 조합될 수 있다. 대안적인 구체예가 당업자들에 의해 인지될 것이며 청구범위내에 포함되는 것의 의도된다.
본 발명에 따른 신경망 모델을 사용하여 복합 화학 혼합물의 가연성 한계를 예측할 수 있다.

Claims (6)

  1. 구조기(structural groups)의 임계 변수를 사용하여 복합 혼합물의 가연성 한계를 예측하는 방법으로서,
    a) 각각의 구조기로부터의 조성 데이타 및 열화학적 데이타를 포함하여 신경망 모델을 제공하는, 각각의 구조기의 임계 변수로부터 데이타를 트레이닝시키는 단계;
    b) 신경망 모델로부터 트레이닝된 데이타를 시험하는 단계; 및
    c) 신경망으로부터 트레이닝되고 시험된 데이타를 유효화시켜 유사한 구조기를 갖는 유사 복합 혼합물의 가연성 한계를 정확하게 예측하는 단계를 포함하는 방법.
  2. 제 1항에 있어서, 복합 혼합물의 열적 성질에 영향을 미치는 희석제로서 불활성 성분을 처리하는 단계를 더 포함함을 특징으로 하는 방법.
  3. 제 1항에 있어서, 복합 혼합물이 다수의 반응성 연료 및 불활성 물질을 포함함을 특징으로 하는 방법.
  4. 제 1항에 있어서, 유효화 단계가 단일 신경망 출력을 제공함을 특징으로 하는 방법.
  5. 제 1항에 있어서, 임계 변수가 온도, 압력, 불활성화 범위, 혼합물 조성, 성분의 물리적 성질, 밀도 및 점도로 이루어진 군으로부터 선택됨을 특징으로 하는 방법.
  6. 제 1항에 있어서, 구조기가 CH4, -CH3, -CH2, -CH, -C, H2C=, HC=, =C=, HCArom, -CArom, O=CH, O=C, O=C-O-, -NH2, -NH, N, =N-, -N=O, -NO2, -C=N, -OH, -O-, -S-, -SH, -S=O, -Cl, -Br, CH2(고리), CH(고리), C(고리), -O-(고리)로 이루어진 군으로부터 선택됨을 특징으로 하는 방법.
KR1020010002354A 2000-01-18 2001-01-16 복합 혼합물의 가연성 한계를 예측하는 방법 KR20010085291A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US09/487,385 2000-01-18
US09/487,385 US6442536B1 (en) 2000-01-18 2000-01-18 Method for predicting flammability limits of complex mixtures

Publications (1)

Publication Number Publication Date
KR20010085291A true KR20010085291A (ko) 2001-09-07

Family

ID=23935524

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020010002354A KR20010085291A (ko) 2000-01-18 2001-01-16 복합 혼합물의 가연성 한계를 예측하는 방법

Country Status (11)

Country Link
US (1) US6442536B1 (ko)
EP (1) EP1118855A3 (ko)
JP (1) JP2001256420A (ko)
KR (1) KR20010085291A (ko)
CN (1) CN1315659A (ko)
AR (1) AR027516A1 (ko)
BR (1) BR0100085A (ko)
CA (1) CA2331262A1 (ko)
IL (1) IL140907A0 (ko)
MX (1) MXPA01000484A (ko)
PL (1) PL345145A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
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
KR100945297B1 (ko) * 2008-03-26 2010-03-03 한국건설기술연구원 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및예측 방법

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR0308782A (pt) 2002-03-27 2005-09-06 Praxair Technology Inc Método para controlar um processo de soldagem a arco de potência pulsada, método para treinar uma rede neural para controlar um processo de soldagem a arco de potência pulsada, aparelho para controlar uma fonte de potência pulsada para soldagem a arco, produto de programa de computador, e, sistema para controlar um processo de soldagem a arco de potência pulsada
US20060031027A1 (en) * 2004-08-03 2006-02-09 Alman David H Method and apparatus for predicting properties of a chemical mixture
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
AU2008334945C1 (en) 2007-12-13 2013-09-05 Danisco Us Inc. Compositions and methods for producing isoprene
SG192545A1 (en) 2008-04-23 2013-08-30 Danisco Us Inc Isoprene synthase variants for improved microbial production of isoprene
ES2716231T3 (es) 2008-07-02 2019-06-11 Danisco Us Inc Procedimientos para producir isopreno
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
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
AU2010238770A1 (en) 2009-04-23 2011-11-03 Danisco Us Inc. Three-dimensional structure of isoprene synthase and its use thereof for generating variants
JP2014502148A (ja) 2010-10-27 2014-01-30 ダニスコ・ユーエス・インク イソプレン生産の向上を目的としたイソプレン合成酵素変異体
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
JP6903226B2 (ja) * 2018-04-11 2021-07-14 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
US10515715B1 (en) 2019-06-25 2019-12-24 Colgate-Palmolive Company Systems and methods for evaluating compositions
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
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)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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
KR100945297B1 (ko) * 2008-03-26 2010-03-03 한국건설기술연구원 인공신경망을 이용한 나노촉매 반응결과 예측 시스템 및예측 방법

Also Published As

Publication number Publication date
EP1118855A2 (en) 2001-07-25
US6442536B1 (en) 2002-08-27
PL345145A1 (en) 2001-07-30
CN1315659A (zh) 2001-10-03
AR027516A1 (es) 2003-04-02
JP2001256420A (ja) 2001-09-21
IL140907A0 (en) 2002-02-10
BR0100085A (pt) 2001-08-28
MXPA01000484A (es) 2003-06-19
EP1118855A3 (en) 2004-02-25
CA2331262A1 (en) 2001-07-18

Similar Documents

Publication Publication Date Title
KR20010085291A (ko) 복합 혼합물의 가연성 한계를 예측하는 방법
Baum et al. Direct numerical simulation of H2/O2/N2 flames with complex chemistry in two-dimensional turbulent flows
Li et al. Importance of turbulence-radiation interactions in turbulent diffusion jet flames
Turányi Applications of sensitivity analysis to combustion chemistry
Babrauskas COMPF2, A Program for Calculating Post-Flashover Fire Temperatures
Manikantachari et al. Thermal and transport properties for the simulation of direct-fired sCO2 combustor
Movileanu et al. Additive effects on the burning velocity of ethylene–air mixtures
Yousefian et al. Uncertainty quantification of NOx and CO emissions in a swirl-stabilized burner
Buttsworth Spark ignition internal combustion engine modelling using Matlab
Druzgalski et al. Predicting octane number from microscale flame dynamics
Zhang et al. Multi-group full-spectrum k-distribution database for water vapor mixtures in radiative transfer calculations
Kirbas The method of lines solution of the discrete ordinates method for radiative heat transfer in enclosures
Markatos et al. An investigation of three-dimensional fires in enclosures
Li et al. Numerical simulation of turbulence-radiation interactions in turbulent reacting flows
Elliott et al. A novel approach to mechanism reduction optimization for an aviation fuel/air reaction mechanism using a genetic algorithm
Zhukov et al. Numerical Study of the Influence of Turbulent Diffusion Coefficients and Turbulent Prandtl Number on the Reactive Flow Simulation in a Combustor
Zips et al. Thermodynamic analysis and large-eddy simulations of LOx-CH4 and LOx-H2 flames at high pressure
Grabarczyk et al. Lower Flammability Limits: Experimental and Theoretical Determination Methods for Gaseous and Liquid Fuels. State of the Art
Oran et al. Theoretical and computational approach to modeling flame ignition
Lipatnikov Testing premixed turbulent combustion models by studying flame dynamics
Simon et al. Quenching of flame propagation with heat loss
TW498158B (en) Method for predicting flammability limits of complex mixtures
Lu et al. Prediction of Laminar Burning Speed of Propane/Hydrogen/Air Mixtures Using Power-Law Correlation and Two Machine Learning Models
Jiao et al. Machine learning based quantitative consequence prediction models for toxic dispersion casualty
Fraile Izquierdo et al. Analysis of Three Multi-Band Models for Radiative Heat Transfer in LTE Air Plasma

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid