CN106777866B - 面向节能降耗的高含硫天然气净化工艺建模与优化方法 - Google Patents
面向节能降耗的高含硫天然气净化工艺建模与优化方法 Download PDFInfo
- Publication number
- CN106777866B CN106777866B CN201611000106.7A CN201611000106A CN106777866B CN 106777866 B CN106777866 B CN 106777866B CN 201611000106 A CN201611000106 A CN 201611000106A CN 106777866 B CN106777866 B CN 106777866B
- Authority
- CN
- China
- Prior art keywords
- time
- state variable
- state
- neural network
- covariance
- 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.)
- Active
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
- C10L3/00—Gaseous fuels; Natural gas; Synthetic natural gas obtained by processes not covered by subclass C10G, C10K; Liquefied petroleum gas
- C10L3/06—Natural gas; Synthetic natural gas obtained by processes not covered by C10G, C10K3/02 or C10K3/04
- C10L3/10—Working-up natural gas or synthetic natural gas
- C10L3/101—Removal of contaminants
- C10L3/102—Removal of contaminants of acid contaminants
- C10L3/103—Sulfur containing contaminants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Physiology (AREA)
- Organic Chemistry (AREA)
- Gas Separation By Absorption (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法,包括:选取影响脱硫效率的工艺参数和脱硫单元的性能指标后进行采集形成样本集;对样本集进行归一化形成归一化样本集,并从中选取训练样本和测试样本;基于训练样本构建神经网络模型并确定神经网络模型的初始状态变量;用ST‑UKFNN算法估计神经网络模型的最优状态变量;根据最优状态变量对神经网络模型进行更新;分别构建H2S浓度和CO2浓度的偏好函数;利用MOGA算法对H2S浓度和CO2浓度的工艺参数进行优化,将优化后的工艺参数带入更新后的神经网络模型,计算优化后的工艺参数的***性能,与实际样本的***性能的平均值进行比较。利用本发明可以提高高含硫天然气净化的生产效率。
Description
技术领域
本发明涉及高含硫天然气净化技术领域,更为具体地,涉及一种面向节能降耗的高含硫天然气净化工艺建模与优化方法。
背景技术
高含硫天然气酸性组分含量比常规天然气高出数倍,其脱硫过程胺液循环量大、工艺流程复杂、能耗高。统计表明,脱硫单元能耗占高含硫天然气净化厂总能耗50%以上,其单位综合能耗高达1729.3MJ·t-1,属于高耗能单元。对大型净化厂而言,通过脱硫单元优化可降低能耗5%~10%。此外,高含硫天然气酸性组分浓度高,经过净化后的产品气量相对原料气流量有显著下降。为此,对高含硫天然气脱硫过程进行工艺优化,实现节能降耗,提高产率和气体加工经济效益是十分必要的。
发明内容
鉴于上述问题,本发明的目的是提供一种基于ST-UKFNN的高含硫天然气净化的动态演化建模优化方法,以解决上述背景技术所提出的问题。
本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法,包括:
步骤S1:选择影响脱硫效率的工艺参数和脱硫单元的性能指标;其中,工艺参数包括进入尾气吸收塔贫的胺液流量x1、进入二级吸收塔的贫胺液流量x2、原料气处理量x3、尾气单元返回脱硫单元的半富胺液流量x4、一级吸收塔胺液入塔温度x5、二级吸收塔胺液入塔温度x6、闪蒸罐压力x7、一个重沸器的蒸汽消耗量x8、另一个重沸器的蒸汽消耗量x9和蒸汽预热器的蒸汽消耗量x10;脱硫单元的性能指标包括净化气中H2S的浓度和CO2的浓度以及净化气的产量ypg;
步骤S2:采集预设时间的工艺参数和性能指标的数据,剔除误差样本后形成样本集[X,Y];
其中,构建的神经网络模型为:
其中,Ik为训练样本的矢量样本值,并作为神经网络模型的输入,为网络输入层到隐含层的神经元的连接权值,为网络输入层到隐含层的神经元的阈值,为隐含层到网络输出层的神经元的连接权值,为隐含层到网络输出层的神经元的阈值,其中,i=1,2…S0;j=1,2…S1;k=1,2…S2;S0为网络输入层的神经元的数量,S1为网络隐含层的神经元的数量,S2为网络输出层的神经元的数量;
构建的初始状态变量为:
步骤S5:利用ST-UKFNN算法估计神经网络模型的最优状态变量;
步骤S9:将优化后的决策变量带入训练样本更新后的神经网络模型,计算优化后的决策变量的***性能,与实际样本的***性能的平均值进行比较,如果优化后的决策变量的***性能大于实际样本的***性能的平均值,利用优化后的决策变量对实际生产进行指导;否则重复上述步骤S1-S8,直至优化后的决策变量的***性能大于实际样本的***性能的平均值为止。
本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法,能够有效地跟踪装置的整个经济效益最优路线,有效克服过程干扰、设备性能变化、经济效益和生产目标的变化问题,从而节能降耗,提高产率和气体加工经济效益。
附图说明
通过参考以下结合附图的说明及权利要求书的内容,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为净化气中H2S浓度的偏好函数图;
图2为净化气中CO2浓度的偏好函数图;
图3为H2S浓度的含量偏好函数和CO2浓度的含量偏好函数的Pareto解集图;
图4为H2S浓度的含量实际函数和CO2浓度的含量实际函数的Pareto解集图。
具体实施方式
名词解释
ST-UKFNN:Strong track Unscented Kalman Fliter Neural Network,强追踪无迹卡尔曼滤波神经网络。
本发明提供的面向节能降耗的高含硫天然气净化工艺建模与优化方法,包括:
步骤S1:选择影响脱硫效率的工艺参数和脱硫单元的性能指标;其中,工艺参数包括进入尾气吸收塔贫的胺液流量、进入二级吸收塔的贫胺液流量、原料气处理量、尾气单元返回脱硫单元的半富胺液流量、一级吸收塔胺液入塔温度、二级吸收塔胺液入塔温度、闪蒸罐压力、一个重沸器的蒸汽消耗量、另一个重沸器的蒸汽消耗量和蒸汽预热器的蒸汽消耗量;脱硫单元的性能指标包括净化气中H2S和CO2的浓度以及净化气的产量。如表1所示:
表1
步骤S2:采集预设时间的工艺参数和性能指标的数据,剔除误差样本后形成样本集[X,Y]。样本集[X,Y]如下表2所示:
表2
其中,构建的神经网络模型为:
其中,Ik为训练样本的矢量样本值,并作为神经网络模型的输入,为网络输入层到隐含层的神经元的连接权值,为网络输入层到隐含层的神经元的阈值,为隐含层到网络输出层的神经元的连接权值,为隐含层到网络输出层的神经元的阈值,其中,i=1,2…S0;j=1,2…S1;k=1,2…S2;S0为网络输入层的神经元的数量,S1为网络隐含层的神经元的数量,S2为网络输出层的神经元的数量;
构建的初始状态变量为:
步骤S5:利用ST-UKFNN算法估计神经网络模型的最优状态变量。
本发明利用ST-UKFNN算法估计神经网络模型的状态变量,以达到连接权值、阈值的不断调整,直到满足要求。将得到的最优状态变量的状态估计作为上述所建立神经网络模型的连接权值、阈值。需要说明的是,该连接权值、阈值为通过ST-UKFNN算法调整后的连接权值、阈值,也是上述所建立的神经网络模型的全部连接权值与阈值,包括和
利用ST-UKFNN算法估计神经网络模型的最优状态变量的过程包括:
步骤S51:对初始状态变量X进行Sigma采样,获得2n+1个采样点,初始化控制2n+1个采样点的分布状态参数α、待选参数κ,以及非负权系数β,对初始状态变量X的Sigma采样如下:
步骤S52:计算每个采样点的权重,每个采样点的权重如下:
步骤S53:通过离散时间非线性***的状态方程将每个采样点的(k-1)时刻的最优状态变量的状态估计变换为k时刻的状态变量的状态估计以及,通过合并k时刻的状态估计的向量,获得k时刻的状态变量的状态先验估计和协方差
k时刻的状态变量的协方差Pk|k-1为:
其中,在此处引入强追踪算法,即渐消因子λk+1增强模型的追踪能力以提高模型精度;
Nk+1=Vk+1-βRk+1 (14)
其中,β为弱化因子,β≥1;
步骤S55:计算k时刻的状态变量和观测预测之间的协方差Pxy,k:
其中,Kk为增益矩阵,以此实现更新k时刻的最优状态变量的状态估计和更新k时刻的状态变量的协方差Pk;以及,
更新后的k时刻的状态变量的状态估计Xk|k为:
更新后的k时刻的状态变量的协方差Pk为:
将更新后的k时刻的状态变量的状态估计Xk和协方差Pk作为k时刻的最优变量。
步骤S57将获得的k时刻的最优状态变量代入步骤S51重新进行sigma采样,循环步骤S51-S57,获得神经网络模型的最优状态变量。
神经网络模型的最优状态变量的结构参数如下:
(1)H2S浓度模型结构参数
w2(1×20)=[-0.42 0.22 ... 0.14 -0.49]b2(1×1)=[-0.19]
(2)CO2浓度模型结构参数
w2(1×20)=[-0.46 4.74 ... 0.15 0.27]b2(1×1)=[-0.10]
在***工艺参数优化计算中,考虑设计者对不同参数具有不同的喜好程度,利用物理规划构建***偏好函数。设定产液量最优值y1best,设定值ybest周围某一邻域范围[ybest-△y,ybest+△y]内波动为非常满意(HD),且在[ybest-△y-△y1,ybest-△y],[ybest+△y,ybest+△y+△y1]内为满意(D),依次得到可接受(T),不满意(U)和非常不满意(HU),对应的偏好值区间用[0,2],[2,4],[4,6],[6,8],[8,10]表示。
构建偏好值与实际量的函数关系perfc(H2S)和perfc(CO2),且与偏好程度数值区间对应的H2S浓度以及CO2浓度区间值如下表3所示:
表3偏好程度数值区间与变量实际值对应区间表
根据表3的区间边界值的对应关系,可以求得H2S浓度、CO2浓度的偏好函数表达式如式21、式22所示:
H2S浓度的偏好函数如图1所示,CO2浓度的偏好函数如图2所示。
步骤S8的具体优化过程,包括:
步骤S81:将优化前的工艺参数x1-x10分别作为决策变量,通过决策变量P=[x1 x2L x10]的适应度函数值的比较寻找最佳个体;其中,将部分求最大值的性能变量函数进行反归一化获得适应度函数为:
部分求最大值的性能变量函数:
由于在优化的过程中,得到的H2S浓度、CO2浓度越接近最佳值越好,故而将式(24)进行反归一化得到式(23)。
步骤S82:利用决策变量P=[x1 x2 L x10]构建父代种群P,其中,
步骤S83:根据决策变量的上下限xi,min≤xi≤xi,max(i=1,2,L,10)初始化父种群P;其中,初始化父种群P的过程为:从进入尾气吸收塔贫的胺液流量x1的取值范围内随机取值赋予从进入二级吸收塔的贫胺液流量x2的取值范围内随机取值赋予直到从蒸汽预热器的蒸汽消耗量x10的取值范围内随机取值赋予
步骤S84:对初始化的父种群P进行第一次遗传迭代(GEN=1)以产生下一代种群。
对初始化的父种群P进行第一次遗传迭代的过程,包括:
步骤S841:根据适应度函数检查初始化的父种群P中每个解的占优性;其中,对于一个解i,它的等级ri等于1加上优于解i的个数ni,即ri=ni+1。
由于初始化的父种群P中没有优于非劣解的解,所以非劣解的等级等于1。
步骤S842:将初始化的种群P中所有个体按照等级升序分层,然后通过用一个线性的(或者其它的)对应函数对每个个体分配一个初始适应值。
通常选择使分配的适应值N(对应最优等级的个体)和1(对应最差等级的个体)之间的对应函数。
步骤S843:计算每个等级内每个个体的初始适应值的平均值,该平均值为每个等级内每个个体的指定适应值。
步骤S844:通过式(26)计算任意一个等级内任意两个个体i和j之间的标准化距离:
步骤S845:通过式(27)计算与解i有同样等级ri的每一个解的dij;
其中,α=1为共享函数,σshare为预设的小生境半径;
该等级内每个个体的小生境数为共享函数值的总和:
其中,μ(ri)为所有等级为ri的个体数。
为了保持非劣解中解的多样性,在每个等级的个体中引入了小生境数。
步骤S846:将每个个体的指定适应值除以各自的小生境数获得每个个体的共享适应值。
步骤S847:对每个等级内的所有个体的共享适应值做尺度变换。
对个体的共享适应值做尺度变化的目的是为了保持每个等级的所有个体的平均共享适应值与平均指定适应值相同,即每个个体相同的概率被选择使用。
步骤S848:对经过尺度变换的每个等级进行比例选择、单点交叉、变异计算获得下一代种群。
得到Pareto解集,H2S浓度的含量偏好函数的Pareto解集如图3所示,CO2浓度的含量偏好函数的Pareto解集如图4所示。
由优化所得Pareto解集分析可知优化前后效果对比如表4所示:
表4
优化结果即为优化后的工艺参数x1-x10。
优化后的工艺参数x1-x10的上下限如表5所示:
表5
步骤S9:将优化后的决策变量带入训练样本更新后的神经网络模型,计算优化后的决策变量的***性能,与实际样本的***性能的平均值进行比较,如果优化后的决策变量的***性能大于实际样本的***性能的平均值,利用优化后的决策变量对实际生产进行指导;否则重复上述步骤S1-S8,直至优化后的决策变量的***性能大于实际样本的***性能的平均值为止。
优化后的决策变量实际为优化后的工艺参数x1-x10。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (4)
1.一种面向节能降耗的高含硫天然气净化工艺建模与优化方法,包括:
步骤S1:选择影响脱硫效率的工艺参数和脱硫单元的性能指标;其中,所述工艺参数包括进入尾气吸收塔的贫胺液流量x1、进入二级吸收塔的贫胺液流量x2、原料气处理量x3、尾气单元返回脱硫单元的半富胺液流量x4、一级吸收塔贫胺液入塔温度x5、二级吸收塔贫胺液入塔温度x6、闪蒸罐压力x7、一个重沸器的蒸汽消耗量x8、另一个重沸器的蒸汽消耗量x9和蒸汽预热器的蒸汽消耗量x10;所述脱硫单元的性能指标包括净化气中H2S的浓度和CO2的浓度以及净化气的产量ypg;
步骤S2:采集预设时间的所述工艺参数和所述性能指标的数据,剔除误差样本后形成样本集[X,Y];
其中,所述神经网络模型为:
其中,Ik为所述训练样本的矢量样本值,并作为所述神经网络模型的输入,为网络输入层到隐含层的神经元的连接权值,为网络输入层到所述隐含层的神经元的阈值,为所述隐含层到网络输出层的神经元的连接权值,为所述隐含层到所述网络输出层的神经元的阈值,其中,u=1,2…S0;j=1,2…S1;k=1,2…S2;S0为所述网络输入层的神经元的数量,S1为所述网络隐含层的神经元的数量,S2为所述网络输出层的神经元的数量;
所述初始状态变量为:
步骤S5:利用ST-UKFNN算法估计所述神经网络模型的最优状态变量;
步骤S9:将优化后的决策变量带入所述训练样本更新后的神经网络模型,计算优化后的决策变量的***性能,与实际样本的***性能的平均值进行比较,如果优化后的决策变量的***性能大于实际样本的***性能的平均值,利用优化后的决策变量对实际生产进行指导;否则重复上述步骤S1-S8,直至优化后的决策变量的***性能大于实际样本的***性能的平均值为止。
2.如权利要求1所述的面向节能降耗的高含硫天然气净化工艺建模与优化方法,所述步骤S5包括:
步骤S51:对所述初始状态变量X进行sigma采样,获得2n+1个采样点,初始化控制2n+1个采样点的分布状态参数α、待选参数κ,以及非负权系数δ,对所述初始状态变量X的sigma采样如下:
步骤S52:计算每个采样点的权重,每个采样点的权重如下:
步骤S53:通过离散时间非线性***的状态方程将每个采样点的k-1时刻的最优状态变量的状态估计变换为k时刻的状态变量的状态估计并通过合并k时刻的状态估计的向量,获得k时刻的状态变量的状态先验估计和协方差Pk|k-1;其中,
所述状态变量的协方差Pk|k-1为:
其中,νk为观测噪声,其协方差矩阵Rk为cov(vk,vj)=Rkδkj,
其中,上述公式λk+1为渐消因子;
Nk+1=Vk+1-βRk+1 (14)
其中,β为弱化因子,β≥1;
其中,ρ∈(0,1);
步骤S55:计算k时刻的状态变量和观测预测之间的协方差Pxy,k:
步骤S57:将获得的k时刻的最优状态变量代入步骤S51重新进行sigma采样,循环步骤S51-S57,获得所述神经网络模型的最优状态变量。
4.如权利要求1所述的面向节能降耗的高含硫天然气净化工艺建模与优化方法,其中,步骤S8包括:
步骤S81:将优化前的工艺参数x1-x10分别作为决策变量,通过决策变量P=[x1 x2 …x10]的适应度函数值的比较寻找最佳个体;其中,将求最大值的性能变量函数进行反归一化获得适应度函数为:
其中,求最大值的性能变量函数为:
步骤S82:利用决策变量P=[x1 x2 … x10]构建父代种群P,其中,
其中,GEN为遗传代数,GEN的最大值为100;
步骤S83:根据决策变量的上下限xlmin≤xl≤xl,max,l=1,2,…,10,初始化父代种群P;其中,初始化父代种群P的过程为:从进入尾气吸收塔的贫胺液流量x1的取值范围内随机取值赋予从进入二级吸收塔的贫胺液流量x2的取值范围内随机取值赋予直到从蒸汽预热器的蒸汽消耗量x10的取值范围内随机取值赋予
步骤S84:对初始化的父代种群P进行第一次遗传迭代以产生下一代种群;对初始化的父代种群P进行第一次遗传迭代的过程,包括:
步骤S841:根据适应度函数检查初始化的父代种群P中每个解的占优性;其中,对于一个解i,其等级ri等于1加上优于解i的个数ni,即ri=ni+1;
步骤S842:将初始化的父代种群P中所有个体按照等级升序分层,然后通过用一个线性的对应函数对每个个体分配一个初始适应值;
步骤S843:计算每个等级内每个个体的初始适应值的平均值,该初始适应值的平均值为每个等级内每个个体的指定适应值;
步骤S844:通过式(25)计算任意一个等级内任意两个个体i和j之间的标准化距离:
其中,fs max和fs min为第k个目标函数的最大值和最小值;
步骤S845:通过式(26)计算与解i有同样等级ri的每一个解的dij;
其中,η=1,σshare为预设的小生境半径;
该等级内每个个体的小生境数为共享函数值的总和:
其中,μ(ri)为所有等级为ri的个体数;
步骤S846:将每个个体的指定适应值除以各自的小生境数获得每个个体的共享适应值;
步骤S847:对每个等级内的所有个体的共享适应值做尺度变换;
步骤S848:对经过尺度变换的每个等级进行比例选择、单点交叉、变异计算获得下一代种群;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611000106.7A CN106777866B (zh) | 2016-11-14 | 2016-11-14 | 面向节能降耗的高含硫天然气净化工艺建模与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611000106.7A CN106777866B (zh) | 2016-11-14 | 2016-11-14 | 面向节能降耗的高含硫天然气净化工艺建模与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106777866A CN106777866A (zh) | 2017-05-31 |
CN106777866B true CN106777866B (zh) | 2021-03-23 |
Family
ID=58973241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611000106.7A Active CN106777866B (zh) | 2016-11-14 | 2016-11-14 | 面向节能降耗的高含硫天然气净化工艺建模与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106777866B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885084B (zh) * | 2017-11-13 | 2020-12-01 | 重庆科技学院 | 基于rbf与adhdp的天然气吸收塔脱硫过程控制方法 |
CN107885083B (zh) * | 2017-11-13 | 2021-01-01 | 重庆科技学院 | 基于ukf与adhdp的天然气吸收塔脱硫过程控制方法 |
CN107831666B (zh) * | 2017-11-13 | 2021-01-01 | 重庆科技学院 | 基于rbf与addhp的天然气吸收塔脱硫过程控制方法 |
CN107908108B (zh) * | 2017-11-13 | 2021-01-01 | 重庆科技学院 | 基于ukf与gdhp的天然气吸收塔脱硫过程控制方法 |
CN107703760B (zh) * | 2017-11-13 | 2020-11-27 | 重庆科技学院 | 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法 |
CN108182337B (zh) * | 2018-03-12 | 2021-07-09 | 重庆科技学院 | 一种基于ScMiUKFNN算法的天然气净化工艺建模方法 |
CN108509692B (zh) * | 2018-03-12 | 2022-03-25 | 重庆科技学院 | 一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法 |
CN112216351B (zh) * | 2020-09-23 | 2024-02-13 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
CN114437844B (zh) * | 2020-11-03 | 2022-12-09 | 中国石油化工股份有限公司 | 一种天然气选择性脱氮工艺的参数计算机自动优化方法 |
CN113088359A (zh) * | 2021-03-30 | 2021-07-09 | 重庆大学 | 一种工艺参数驱动的三甘醇脱水装置三甘醇损耗量在线预测方法 |
CN116907764B (zh) * | 2023-09-14 | 2023-12-26 | 国能龙源环保有限公司 | 脱硫设备气密性检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012150993A2 (en) * | 2011-03-04 | 2012-11-08 | Tokyo Electron Limited | Accurate and fast neural network training for library-based critical dimension (cd) metrology |
CN104636600A (zh) * | 2014-12-31 | 2015-05-20 | 中国石油化工股份有限公司***普光分公司 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
CN104656441A (zh) * | 2014-12-29 | 2015-05-27 | 重庆科技学院 | 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法 |
CN105045941A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于无迹卡尔曼滤波的抽油机参数优化方法 |
-
2016
- 2016-11-14 CN CN201611000106.7A patent/CN106777866B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012150993A2 (en) * | 2011-03-04 | 2012-11-08 | Tokyo Electron Limited | Accurate and fast neural network training for library-based critical dimension (cd) metrology |
CN104656441A (zh) * | 2014-12-29 | 2015-05-27 | 重庆科技学院 | 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法 |
CN104636600A (zh) * | 2014-12-31 | 2015-05-20 | 中国石油化工股份有限公司***普光分公司 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
CN105045941A (zh) * | 2015-03-13 | 2015-11-11 | 重庆科技学院 | 基于无迹卡尔曼滤波的抽油机参数优化方法 |
Non-Patent Citations (1)
Title |
---|
基于大数据的高含硫天然气脱硫工艺优化;辜小花;《集输与加工》;20160930;第36卷(第9期);第107-114页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106777866A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106777866B (zh) | 面向节能降耗的高含硫天然气净化工艺建模与优化方法 | |
CN106777465B (zh) | 高含硫天然气净化工艺动态演化建模与节能优化方法 | |
US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
Han et al. | Model predictive control of dissolved oxygen concentration based on a self-organizing RBF neural network | |
CN104636600B (zh) | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 | |
CN105404151A (zh) | 污水处理过程动态多目标优化控制方法 | |
CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及*** | |
CN104656441A (zh) | 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法 | |
CN111079978B (zh) | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 | |
CN109670625A (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
CN109473182A (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
CN106200381A (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
CN108509692B (zh) | 一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法 | |
CN105389442A (zh) | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
CN106777466A (zh) | 基于st‑upfnn算法的高含硫天然气净化工艺的动态演化建模方法 | |
Marusak | A numerically efficient fuzzy MPC algorithm with fast generation of the control signal | |
CN111290282A (zh) | 火电机组协调***的预见式预测控制方法 | |
Li et al. | Data cleaning method for the process of acid production with flue gas based on improved random forest | |
CN106777468A (zh) | 高含硫天然气脱硫工艺强跟踪演化建模方法 | |
Liu et al. | Dynamic multi-objective optimization and multi-units linear active disturbance rejection control for wastewater treatment processes | |
CN113088359A (zh) | 一种工艺参数驱动的三甘醇脱水装置三甘醇损耗量在线预测方法 | |
CN110738307A (zh) | Bp神经网络模型在桃林口水库水质预测中的应用 | |
CN109146007B (zh) | 一种基于动态深度置信网络的固体废弃物智能处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |