WO2023005302A1 - 一种生物质焦气化反应特性的预测方法 - Google Patents

一种生物质焦气化反应特性的预测方法 Download PDF

Info

Publication number
WO2023005302A1
WO2023005302A1 PCT/CN2022/089540 CN2022089540W WO2023005302A1 WO 2023005302 A1 WO2023005302 A1 WO 2023005302A1 CN 2022089540 W CN2022089540 W CN 2022089540W WO 2023005302 A1 WO2023005302 A1 WO 2023005302A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
network model
coke
gasification
biomass
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.)
Ceased
Application number
PCT/CN2022/089540
Other languages
English (en)
French (fr)
Inventor
张会岩
查振婷
葛泽峰
马宇娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to US18/014,075 priority Critical patent/US20230419073A1/en
Publication of WO2023005302A1 publication Critical patent/WO2023005302A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • G01N25/02—Investigating or analyzing materials by the use of thermal means by investigating changes of state or changes of phase; by investigating sintering
    • G01N25/12—Investigating or analyzing materials by the use of thermal means by investigating changes of state or changes of phase; by investigating sintering of critical point; of other phase change
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks

Definitions

  • Fig. 1 is the flowchart of the method for predicting the reaction characteristics of biomass coke gasification according to the embodiment of the present invention

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明提供一种生物质焦气化反应特性的预测方法，包括以下步骤：步骤10)采集生物质焦气化反应的训练数据；步骤20)建立包含输入层、隐含层和输出层的BP神经网络模型，所述BP神经网络模型的输入参数为制焦温度、焦样比表面积和气化时间，输出参数为焦转化率；步骤30)采用训练数据训练所述BP神经网络模型，并采用粒子群优化算法优化BP神经网络模型，得到高预测精度的BP神经网络模型；步骤40)利用高预测精度的BP神经网络模型，预测得到生物质焦气化反应的焦转化率。本发明生物质焦气化反应特性的预测方法，能够对生物质焦空气气化反应过程进行高吻合度模拟，可准确预测生物质焦气化反应特性。

Description

一种生物质焦气化反应特性的预测方法 技术领域
本发明属于生物质气化利用技术领域，具体涉及一种生物质焦气化反应特性的预测方法。
背景技术
电力是我国能源系统实现碳中和的关键，而生物质能源技术在电力行业的利用对于推动实现碳中和具有重要意义。生物质气化技术是一种有前途的利用技术，不仅实现了生物质的高效清洁，还可以制备高品质的合成气。然而生物质的气化过程十分复杂，大体分为热解、挥发分气化和焦炭气化3个阶段。焦的气化属于气固异相反应，其反应速率远低于热解和挥发分气化，从而导致生物质气化反应速率主要由焦的反应活性控制，而焦的活性主要由温度、时间以及焦的孔隙结构决定。
生物质具有高灰分和高碱金属含量的特点，然而碱金属会对生物质热解气化过程具有一定的催化作用，从而影响其反应速率。因此，很难用固定的数学模型去预测其气化反应特性。人工神经网络模型完全不用考虑碱金属对生物质气化特性的影响，只要有足够多的生物质气化数据，建立一个用于预测生物质气化反应性的模型是完全可行。
目前已有一定的研究是利用BP神经网络模型预测生物质热解过程，但关于生物质焦气化反应性的预测很少，且BP神经网络具有收敛速度慢，易陷入局部极小等缺点，导致预测与实测数据有一定的误差。
发明内容
本发明所要解决的技术问题是：提供一种生物质焦气化反应特性的预测方法，能够对生物质焦空气气化反应过程进行高吻合度模拟，可准确预测生物质焦气化反应特性。
为解决上述技术问题，本发明提供一种生物质焦气化反应特性的预测方法，包括以下步骤：
步骤10)采集生物质焦气化反应的训练数据；
步骤20)建立包含输入层、隐含层和输出层的BP神经网络模型，所述BP神经网络模型的输入参数为制焦温度、焦样比表面积和气化时间，输出参数为焦转化率；
步骤30)采用训练数据训练所述BP神经网络模型，并采用粒子群优化算法优化BP神经网络模型，得到高预测精度的BP神经网络模型；
步骤40)利用高预测精度的BP神经网络模型，预测得到生物质焦气化反应的焦转化率。
作为本发明实施例的进一步改进，所述步骤30)具体包括：
步骤31)获取BP神经网络模型的初始权值和初始阈值；
步骤32)初始化粒子群，每个粒子包含了BP神经网络模型的权值和阈值，并给予随机的初始位置和初始速度；
步骤33)将训练数据中的条件数据输入到BP神经网络模型中，得到预测数据；
步骤34)计算预测数据与训练数据中的输出数据之间的误差，利用式(1)计算得到粒子的个体适应度值：
Figure PCTCN2022089540-appb-000001
式中，F表示个体适应度值，Y pk表示期望输出值，O pk表示输出值，k表示系数，m表示输出层节点数；
步骤35)确定粒子群的个体极值和群体极值，利用式(2)更新每个粒子的速度，利用式(3)更新每个粒子的位置：
Figure PCTCN2022089540-appb-000002
Figure PCTCN2022089540-appb-000003
式中，
Figure PCTCN2022089540-appb-000004
表示第i个粒子在k+1次迭代中的速度，
Figure PCTCN2022089540-appb-000005
表示第i个粒子在k次迭代中的速度，w表示惯性权重，c 1表示第一学习因子，c 2表示第二学习因子，r 1和r 2均表示0到1之间的随机数，
Figure PCTCN2022089540-appb-000006
表示第i个粒子在k+1次迭代中的位置，
Figure PCTCN2022089540-appb-000007
表示第i个粒子在k次迭代中的位置，
Figure PCTCN2022089540-appb-000008
表示个体极值，
Figure PCTCN2022089540-appb-000009
表示全体极值；
步骤36)若满足结束条件，则输出权值和阈值，执行步骤37)；否则继续执行步骤35)，在每一次迭代中，粒子跟踪个体极值和群体极值来实现自主更新；
步骤37)将步骤36)输出的权值和阈值更新到BP神经网络模型中，将训练数据中的条件数据输入到更新后的BP神经网络模型中，得到预测数据；如果满足要求，则更新后的BP神经网络模型为合格的BP神经网络模型；否则执行步骤34)。
作为本发明实施例的进一步改进，所述满足要求具体为：
利用式(4)计算得到拟合度：
Figure PCTCN2022089540-appb-000010
式中，
Figure PCTCN2022089540-appb-000011
表示预测值，y i表示实测值，R 2表示拟合度；
如果拟合度大于0.99，则满足要求。
作为本发明实施例的进一步改进，所述步骤10)具体包括：
步骤101)选用均质的生物质为试验样品，干燥及筛分预处理后，在管式炉不同制焦温度下进行热解气化试验，记录不同制焦温度下的气化时间；
步骤102)对得到的不同温度下试验样品的热失重曲线进行处理，并对数据进行反应动力学参数计算，获得不同制焦温度下的焦转化率；
步骤103)对不同温度下的焦样的孔隙结构进行比表面积测试实验，得到了不同制焦温度下的焦比表面积；
步骤104)利用焦的孔道结构分布来体现其气化特性的分布规律，将多个气化试验得到的制焦温度、焦比表面积和气化时间构成训练数据的条件数据，多个气化试验得到的焦转化率构成训练数据的输出数据。
作为本发明实施例的进一步改进，所述步骤10)还包括：
步骤105)利用式(5)对训练数据进行归一化处理：
Figure PCTCN2022089540-appb-000012
式中，P 1表示原训练数据，P表示归一化处理后的训练数据，P min表示预设最小值，P max表示预设最大值。
作为本发明实施例的进一步改进，所述BP神经网络模型中，输入层和隐含层之间的传递函数为tansig函数
Figure PCTCN2022089540-appb-000013
隐含层和输出层之间的传递函数为purelin型f 2(x)＝x函数。
作为本发明实施例的进一步改进，所述步骤20)还包括：
根据输入参数的数量和输出参数的数量，利用式(6)计算得到隐含层的层数：
Figure PCTCN2022089540-appb-000014
式中，m表示隐含层的层数，n表示输入参数的数量，l表示输出参数的数量，a表示一个从1到10的常数。
与现有技术相比，本发明的技术方案具有以下有益效果：本发明实施例提供的生物质焦气化反应特性的预测方法，通过BP神经网络对生物质焦气化反应的训练数据进行训练，并利用粒子群优化算法PSO优化BP神经网络模型，更新BP神经网络模型的最优权值和阈值，从而减小BP神经网络模型的预测误差，加强预测精度，使预测生物质焦气化活性更准确。
附图说明
图1为本发明实施例的生物质焦气化反应特性的预测方法的流程图；
图2为本发明实例1中糠醛渣在不同制焦温度下等温气化特性规律图；
图3为本发明实例1中糠醛渣焦比表面积、孔容随温度的变化规律图；
图4为本发明实例1中糠醛渣焦转化率实测值与预测值对比图；
图5为本发明实例1中预测值与实测值的回归线图。
具体实施方式
下面对本发明的技术方案进行详细的说明。
本发明实施例提供一种生物质焦气化反应特性的预测方法，如图1所示，包括以下步骤：
步骤10)采集生物质焦气化反应的训练数据。
步骤20)建立包含输入层、隐含层和输出层的BP神经网络模型，所述BP神经网络模型的输入参数为制焦温度、焦样比表面积和气化时间，输出参数为焦转化率。
步骤30)采用训练数据训练所述BP神经网络模型，并采用粒子群优化算法优化BP神经网络模型，得到高预测精度的BP神经网络模型。
步骤40)利用高预测精度的BP神经网络模型，预测得到生物质焦气化反应的焦转化率。
本发明实施例的生物质焦气化反应特性的预测方法，通过BP神经网络对生物质焦气化反应的训练数据进行训练，并利用粒子群优化算法PSO优化BP神经网络模型，更新BP神经网络模型的最优权值和阈值，从而减小BP神经网络模型的预测误差，加强预测精度，使预测生物质焦气化活性更准确。
优选的，如图1所示，所述步骤30)具体包括：
步骤31)获取BP神经网络模型的初始权值和初始阈值。
步骤32)初始化粒子群，每个粒子包含了BP神经网络模型的权值和阈值，并给予随机的初始位置和初始速度。
步骤33)将训练数据中的条件数据输入到BP神经网络模型中，得到预测数据。
步骤34)计算预测数据与训练数据中的输出数据之间的误差，利用式(1)计算得到粒子的个体适应度值：
Figure PCTCN2022089540-appb-000015
式中，F表示个体适应度值，Y pk表示期望输出值，O pk表示输出值，k表示系数，m表示输出层节点数。
步骤35)每个粒子在解空间中迭代搜索，通过不断调整自己的位置来搜索新解，从而确定粒子群的个体极值和群体极值，利用式(2)更新每个粒子的速度，利用式(3)更新每个粒子的位置：
Figure PCTCN2022089540-appb-000016
Figure PCTCN2022089540-appb-000017
式中，
Figure PCTCN2022089540-appb-000018
表示第i个粒子在k+1次迭代中的速度，
Figure PCTCN2022089540-appb-000019
表示第i个粒子在k次迭代中的速度，w表示惯性权重，c 1表示第一学习因子，c 2表示第二学习因子，r 1和r 2均表示0到1之间的随机数，
Figure PCTCN2022089540-appb-000020
表示第i个粒子在k+1次迭代中的位置，
Figure PCTCN2022089540-appb-000021
表示第i个粒子在k次迭代中的位置，
Figure PCTCN2022089540-appb-000022
表示个体极值，
Figure PCTCN2022089540-appb-000023
表示全体极值。
步骤36)若满足结束条件，则输出权值和阈值，执行步骤37)；否则继续执行步骤35)。每执行一次步骤35)，即完成一次迭代，在每一次迭代中，粒子跟踪个体极值和群体极值来实现自主更新。
其中，结束条件为全局最佳适应度小于误差或迭代次数达到预设最大迭代数。
步骤37)将步骤36)输出的权值和阈值更新到BP神经网络模型中，将训练数据中的条件数据输入到更新后的BP神经网络模型中，得到预测数据。如果满足要求，则更新后的BP神经网络模型为合格的BP神经网络模型；否则执行步骤34)。
本发明实施例方法利用SPO算法更新BP神经网络模型的权值和阈值，提高了BP神经网络收敛速度，克服了易陷入局部极小等缺点。
优选的，所述满足要求具体为：
利用式(4)计算得到拟合度：
Figure PCTCN2022089540-appb-000024
式中，
Figure PCTCN2022089540-appb-000025
表示预测值，y i表示实测值，R 2表示拟合度。
如果拟合度大于0.99，则满足要求。
优选的，所述步骤10)具体包括：
步骤101)选用均质的生物质为试验样品，干燥及筛分预处理后，在管式炉不同制焦温度下进行热解气化试验，记录不同制焦温度下的气化时间。
步骤102)对得到的不同温度下试验样品的热失重曲线进行处理，并对数据进行反应动力学参数计算，获得不同制焦温度下的焦转化率。
步骤103)对不同温度下的焦样的孔隙结构进行比表面积测试(BET)实验，得到了不同制焦温度下的焦比表面积。
步骤104)利用焦的孔道结构分布来体现其气化特性的分布规律，将多个气化试验得到的制焦温度、焦比表面积和气化时间设定为训练数据的条件数据，多个气化试验得到的焦转化率设定为训练数据的输出数据。
进一步，所述步骤10)还包括：
步骤105)利用式(5)对训练数据进行归一化处理：
Figure PCTCN2022089540-appb-000026
式中，P 1表示原训练数据，P表示归一化处理后的训练数据，P min表示预设最小值，P max表示预设最大值。
本发明实施例将训练数据进行归一化处理后再用于训练神经网络模型，可避免因输入输出数据数量级差别较大，减小预测结果的误差。
优选的，所述BP神经网络模型中，输入层和隐含层之间的传递函数为tansig函数
Figure PCTCN2022089540-appb-000027
隐含层和输出层之间的传递函数为purelin型f 2(x)＝x函数，BP神经网络模型的训练函数为trainlm函数。
优选的，所述步骤20)还包括：
根据输入参数的数量和输出参数的数量，利用式(6)计算得到隐含层的层数：
Figure PCTCN2022089540-appb-000028
式中，m表示隐含层的层数，n表示输入参数的数量，l表示输出参数的数量，a表示一个从1到10的常数。
下面提供一个具体实例，来验证本发明实施例的性能。
实例1
步骤1、在管式炉中制取不同制焦温度下的糠醛渣焦，并进行等温气化热重实验及BET表征，采集训练数据。
选用均质、粒径范围为40-60目的糠醛渣代表生物质，对其进行干燥、筛分预处理后，分别在800℃、850℃、900℃下管式炉中热解制备糠醛渣焦样(C800℃、C850℃、C900℃)，并配置10％O2+90％N2的气瓶用于热重实验。
为了保证热重实验测量准确性，对C800℃、C850℃、C900℃样品质量每次取8mg左右，氮气流量为25m L/min。
采用30K/min升温速率在气体1(99.999％N2)氛围下升到900℃，停留10分钟后切换成气体2(10％O2+90％N2)在900℃恒温30分钟进行空气气化实验。
对得到的C800℃、C850℃、C900℃热失重曲线进行处理，并对数据进行反应动力学参数计算，如图2所示，发现了随着制焦温度的升高，焦完全气化的时间逐渐提前，C900℃的气化结束时间约为C800℃的2倍。
对C800℃、C850℃、C900℃颗粒孔隙结构的变化进行BET实验，得到了糠醛渣焦颗粒比表面积随制焦温度变化的规律，如图3所示，气化温度的提升增大了比表面积及孔容，使得焦的孔隙结构更发达、气化反应速率更越快。
步骤2)采用训练数据训练BP神经网络模型，并采用PSO算法优化BP神经网络模型，得到PSO-BP模型。
步骤3)将制焦温度、焦样比表面积和气化时间输入PSO-BP模型中进行预测，得到预测的焦转化率。
将PSO-BP模型拟合的预测数据与输出数据对比，结果如图4所示，相关系数R 2达到了0.9981，如图5所示，验证了本发明方法中PSO-BP模型的准确性，为生物质焦气化过程中反应特性的研究提供了可靠的方法。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。

Claims (7)

  1. 一种生物质焦气化反应特性的预测方法，其特征在于，包括以下步骤：
    步骤10)采集生物质焦气化反应的训练数据；
    步骤20)建立包含输入层、隐含层和输出层的BP神经网络模型，所述BP神经网络模型的输入参数为制焦温度、焦样比表面积和气化时间，输出参数为焦转化率；
    步骤30)采用训练数据训练所述BP神经网络模型，并采用粒子群优化算法优化BP神经网络模型，得到高预测精度的BP神经网络模型；
    步骤40)利用高预测精度的BP神经网络模型，预测得到生物质焦气化反应的焦转化率。
  2. 根据权利要求1所述的生物质焦气化反应特性的预测方法，其特征在于，所述步骤30)具体包括：
    步骤31)获取BP神经网络模型的初始权值和初始阈值；
    步骤32)初始化粒子群，每个粒子包含了BP神经网络模型的权值和阈值，并给予随机的初始位置和初始速度；
    步骤33)将训练数据中的条件数据输入到BP神经网络模型中，得到预测数据；
    步骤34)计算预测数据与训练数据中的输出数据之间的误差，利用式(1)计算得到粒子的个体适应度值：
    Figure PCTCN2022089540-appb-100001
    式中，F表示个体适应度值，Y pk表示期望输出值，O pk表示输出值，k表示系数，m表示输出层节点数；
    步骤35)确定粒子群的个体极值和群体极值，利用式(2)更新每个粒子的速度，利用式(3)更新每个粒子的位置：
    Figure PCTCN2022089540-appb-100002
    Figure PCTCN2022089540-appb-100003
    式中，
    Figure PCTCN2022089540-appb-100004
    表示第i个粒子在k+1次迭代中的速度，
    Figure PCTCN2022089540-appb-100005
    表示第i个粒子在k次迭代中的速度，w表示惯性权重，c 1表示第一学习因子，c 2表示第二学习因子，r 1和r 2均表示0到1之间的随机数，
    Figure PCTCN2022089540-appb-100006
    表示第i个粒子在k+1次迭代中的位置，
    Figure PCTCN2022089540-appb-100007
    表示第i个粒子在k次迭代中的位置，
    Figure PCTCN2022089540-appb-100008
    表示个体极值，
    Figure PCTCN2022089540-appb-100009
    表示全体极值；
    步骤36)若满足结束条件，则输出权值和阈值，执行步骤37)；否则继续执行步骤35)，在每一次迭代中，粒子跟踪个体极值和群体极值来实现自主更新；
    步骤37)将步骤36)输出的权值和阈值更新到BP神经网络模型中，将训练数据中的条件数据输入到更新后的BP神经网络模型中，得到预测数据；如果满足要求，则更新后的BP神经网络模型为合格的BP神经网络模型；否则执行步骤34)。
  3. 根据权利要求2所述的生物质焦气化反应特性的预测方法，其特征在于，所述满足要求具体为：
    利用式(4)计算得到拟合度：
    Figure PCTCN2022089540-appb-100010
    式中，
    Figure PCTCN2022089540-appb-100011
    表示预测值，y i表示实测值，R 2表示拟合度；
    如果拟合度大于0.99，则满足要求。
  4. 根据权利要求1所述的生物质焦气化反应特性的预测方法，其特征在于，所述步骤10)具体包括：
    步骤101)选用均质的生物质为试验样品，干燥及筛分预处理后，在管式炉不同制焦温度下进行热解气化试验，记录不同制焦温度下的气化时间；
    步骤102)对得到的不同温度下试验样品的热失重曲线进行处理，并对数据进行反应动力学参数计算，获得不同制焦温度下的焦转化率；
    步骤103)对不同温度下的焦样的孔隙结构进行比表面积测试实验，得到了不同制焦温度下的焦比表面积；
    步骤104)利用焦的孔道结构分布来体现其气化特性的分布规律，将多个气化试验得到的制焦温度、焦比表面积和气化时间构成训练数据的条件数据，多个气化试验得到的焦转化率构成训练数据的输出数据。
  5. 根据权利要求4所述的生物质焦气化反应特性的预测方法，其特征在于，所述步骤10)还包括：
    步骤105)利用式(5)对训练数据进行归一化处理：
    Figure PCTCN2022089540-appb-100012
    式中，P 1表示原训练数据，P表示归一化处理后的训练数据，P min表示预设最小值，P max表示预设最大值。
  6. 根据权利要求1所述的生物质焦气化反应特性的预测方法，其特征在于，所述BP神经网络模型中，输入层和隐含层之间的传递函数为tansig函数
    Figure PCTCN2022089540-appb-100013
    隐含层和输出层之间的传递函数为purelin型f 2(x)＝x函数。
  7. 根据权利要求1所述的生物质焦气化反应特性的预测方法，其特征在于，所述步骤20)还包括：
    根据输入参数的数量和输出参数的数量，利用式(6)计算得到隐含层的层数：
    Figure PCTCN2022089540-appb-100014
    式中，m表示隐含层的层数，n表示输入参数的数量，l表示输出参数的数量，a表示一个从1到10的常数。
PCT/CN2022/089540 2021-07-26 2022-04-27 一种生物质焦气化反应特性的预测方法 Ceased WO2023005302A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/014,075 US20230419073A1 (en) 2021-07-26 2022-04-27 Method for predicting gasification reaction characteristics of biomass char

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110860387.8 2021-07-26
CN202110860387.8A CN113657591B (zh) 2021-07-26 2021-07-26 一种生物质焦气化反应特性的预测方法

Publications (1)

Publication Number Publication Date
WO2023005302A1 true WO2023005302A1 (zh) 2023-02-02

Family

ID=78478922

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/089540 Ceased WO2023005302A1 (zh) 2021-07-26 2022-04-27 一种生物质焦气化反应特性的预测方法

Country Status (3)

Country Link
US (1) US20230419073A1 (zh)
CN (1) CN113657591B (zh)
WO (1) WO2023005302A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809427A (zh) * 2023-02-06 2023-03-17 山东科技大学 基于混合策略优化bp神经网络的混合气体识别方法
CN116341483A (zh) * 2023-03-17 2023-06-27 西安电子科技大学 一种tsv阵列的多场协同设计方法及系统
CN116540528A (zh) * 2023-06-13 2023-08-04 济南大学 一种基于改进的强化学习算法优化bp神经网络pid控制气压方法
CN116935985A (zh) * 2023-07-17 2023-10-24 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法
CN117008479A (zh) * 2023-09-27 2023-11-07 深圳碳中和生物燃气股份有限公司 基于生物质气化炉的负碳排放优化控制方法及系统
CN117130283A (zh) * 2023-10-26 2023-11-28 吉林大学 一种玉米按需施肥控制系统和土壤氮含量软测量方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657591B (zh) * 2021-07-26 2024-08-20 东南大学 一种生物质焦气化反应特性的预测方法
CN114203266A (zh) * 2021-12-14 2022-03-18 西北工业大学 一种热固性树脂固化动力学行为表征方法及系统
CN116931437B (zh) * 2023-09-12 2023-11-14 深圳碳中和生物燃气股份有限公司 一种生物质气化炭化炉的控制方法及系统
CN117851814B (zh) * 2024-01-08 2024-07-19 中国林业科学研究院资源信息研究所 基于多模态数据融合的森林生物量估测关键因子识别方法
CN118657058B (zh) * 2024-08-13 2026-01-06 南昌大学 一种基于ga-bp的气化集成并联三电堆sofc系统的性能预测方法及系统
CN118656647A (zh) * 2024-08-16 2024-09-17 南昌大学 一种固体氧化物燃料电池及燃气轮机集成系统的性能预测方法及系统
CN120296524A (zh) * 2025-06-11 2025-07-11 陕煤集团神木张家峁矿业有限公司 一种基于aco-bp神经网络模型的煤自燃温度预测方法
CN120653992B (zh) * 2025-07-21 2026-01-27 江西伊戈尔数字能源技术有限公司 一种变压器干燥时序预测方法及系统
CN120613027B (zh) * 2025-08-08 2025-10-28 杭州深度原理科技有限责任公司 一种基于图论与量子化学的生物质热解反应网络预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017209548A1 (ko) * 2016-06-01 2017-12-07 서울대학교산학협력단 인공 신경망 기반 예측 모델 생성 장치 및 방법
CN111950854A (zh) * 2020-07-14 2020-11-17 包头钢铁（集团）有限责任公司 一种基于多层神经网络的焦炭质量指标预测方法
CN112926767A (zh) * 2021-01-27 2021-06-08 天津大学 基于粒子群bp神经网络的环雾状流气相表观流速预测方法
CN113657591A (zh) * 2021-07-26 2021-11-16 东南大学 一种生物质焦气化反应特性的预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190002764A1 (en) * 2015-08-06 2019-01-03 James Weifu Lee Ozonized biochar: phosphorus sustainability and sand soilization
CN109063938B (zh) * 2018-10-30 2021-11-26 浙江工商大学 基于psode-bp神经网络的空气质量预测方法
US10915578B1 (en) * 2019-09-06 2021-02-09 Digital Asset Capital, Inc. Graph outcome determination in domain-specific execution environment
CN112625758B (zh) * 2019-09-24 2023-01-13 中国石油化工股份有限公司 智能气化配料系统及方法
CN111751353A (zh) * 2020-06-16 2020-10-09 贵州省分析测试研究院 一种去除作物中来源于大气沉降的重金属的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017209548A1 (ko) * 2016-06-01 2017-12-07 서울대학교산학협력단 인공 신경망 기반 예측 모델 생성 장치 및 방법
CN111950854A (zh) * 2020-07-14 2020-11-17 包头钢铁（集团）有限责任公司 一种基于多层神经网络的焦炭质量指标预测方法
CN112926767A (zh) * 2021-01-27 2021-06-08 天津大学 基于粒子群bp神经网络的环雾状流气相表观流速预测方法
CN113657591A (zh) * 2021-07-26 2021-11-16 东南大学 一种生物质焦气化反应特性的预测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809427A (zh) * 2023-02-06 2023-03-17 山东科技大学 基于混合策略优化bp神经网络的混合气体识别方法
CN116341483A (zh) * 2023-03-17 2023-06-27 西安电子科技大学 一种tsv阵列的多场协同设计方法及系统
CN116540528A (zh) * 2023-06-13 2023-08-04 济南大学 一种基于改进的强化学习算法优化bp神经网络pid控制气压方法
CN116935985A (zh) * 2023-07-17 2023-10-24 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法
CN116935985B (zh) * 2023-07-17 2024-03-15 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法
CN117008479A (zh) * 2023-09-27 2023-11-07 深圳碳中和生物燃气股份有限公司 基于生物质气化炉的负碳排放优化控制方法及系统
CN117008479B (zh) * 2023-09-27 2023-12-01 深圳碳中和生物燃气股份有限公司 基于生物质气化炉的负碳排放优化控制方法及系统
CN117130283A (zh) * 2023-10-26 2023-11-28 吉林大学 一种玉米按需施肥控制系统和土壤氮含量软测量方法
CN117130283B (zh) * 2023-10-26 2024-01-05 吉林大学 一种玉米按需施肥控制系统和土壤氮含量软测量方法

Also Published As

Publication number Publication date
CN113657591A (zh) 2021-11-16
CN113657591B (zh) 2024-08-20
US20230419073A1 (en) 2023-12-28

Similar Documents

Publication Publication Date Title
CN113657591B (zh) 一种生物质焦气化反应特性的预测方法
Huang et al. Air quality prediction using improved PSO-BP neural network
CN102176221B (zh) 基于动态工况的焦炉加热燃烧过程焦炉温度预测方法
CN103728879B (zh) 一种电站锅炉烟气软测量方法
CN103440528B (zh) 基于耗差分析的火电机组运行优化方法及装置
CN109002686B (zh) 一种自动生成样本的多牌号化工过程软测量建模方法
CN110544513B (zh) 基于单峰热解曲线的炭化可燃物热解动力学参数计算方法
CN112163380A (zh) 基于数值模拟的神经网络预测炉膛氧气浓度系统及方法
Samadi et al. Investigation of factors affecting performance of a downdraft fixed bed gasifier using optimized MLP neural networks approach
CN112989694A (zh) 受热面灰污区段化监测系统及方法
CN116167531A (zh) 一种基于数字孪生的光伏发电预测方法
CN108229721A (zh) 基于改进型bp神经网络的煤热解产物的预测方法
CN107992968A (zh) 基于集成时间序列分析技术的电能表计量误差预测方法
CN106709197A (zh) 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法
CN116451582B (zh) 基于机器学习融合模型的火灾热释放速率测量系统和方法
CN107918368A (zh) 钢铁企业煤气产生量与消耗量的动态预测方法及设备
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN103729569A (zh) 一种基于lssvm及在线更新的电站锅炉烟气软测量系统
CN116029183A (zh) 一种基于iPSO-LSTM模型的动力电池温度预测方法
CN118798409A (zh) 一种基于双重物理信息神经网络的区域冷热源供能网络调优方法及系统
CN114818284A (zh) 一种qcl加速寿命的评估方法
CN110428053A (zh) 一种蒸汽产耗量的动态预测方法
CN113515042A (zh) 一种多模式干熄焦烧损率实时计算系统及计算方法
CN116757078A (zh) 一种基于作用力的煤粉流速测量方法及系统
CN111931436A (zh) 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 18014075

Country of ref document: US

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22847920

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22847920

Country of ref document: EP

Kind code of ref document: A1