CN110728031B - 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 - Google Patents
一种基于ann建模平衡复杂石化过程产能的多目标优化方法 Download PDFInfo
- Publication number
- CN110728031B CN110728031B CN201910890104.7A CN201910890104A CN110728031B CN 110728031 B CN110728031 B CN 110728031B CN 201910890104 A CN201910890104 A CN 201910890104A CN 110728031 B CN110728031 B CN 110728031B
- Authority
- CN
- China
- Prior art keywords
- model
- temperature
- phase change
- algorithm
- optimization
- 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
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P20/00—Technologies relating to chemical industry
- Y02P20/10—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于ANN建模平衡复杂石化过程产能的多目标优化方法,在ANNs模型的基础上建立MINLP模型,包含逻辑变量压缩机位置和换热器位置,通过GA算法确定最优位置,之后通过NSGA‑II算法在最佳位置下进行多目标集成优化,得出帕累托前沿和关键决策变量前沿。本发明可以很大程度上降低石化工业的操作复杂度并且对工厂节能减排有重要的指导意义。
Description
技术领域
本发明属于工艺仿真技术领域,特别涉及一种基于ANN建模平衡复杂石化过程产能的多目标优化方法。
技术背景
在石化工业中乙烯工业占有着举足轻重的地位,约四分之三的石化产品与乙烯产品有关。2018年中国乙烯产能约为2330万吨/年,相比去年增长9.6%,占全球乙烯产量的13.8%。然而能耗却高达总成本的50%以上,比去年增加了3.5%。因此平衡石化行业的能源消耗和生产效率在提高能源效率方面起着至关重要的作用。
目前,随着计算机水平的高速发展,对石化工业进行建模仿真也比较成熟。大量的严格模型被提出。但是考虑到工业过程的复杂性,在这些模型中一些假设是不可避免的。从而使得目前的优化模型都不能准确真实的反映工业实际情况。另一方面,由于严格模型存在大量的微分运算,因此计算量庞大且难以收敛。
发明内容
针对复杂石化工业尤其是乙烯生产工业模型过于复杂,过程的重要属性不能完全的了解难以进行多***多目标优化等问题,本发明提供了一种基于人工神经网络(Artificial neural networks,ANNs)的复杂石化过程统计建模优化方法。
技术方案:
一种基于ANN建模平衡复杂石化过程产能的多目标优化方法,在ANNs模型的基础上建立MINLP模型,包含逻辑变量压缩机位置和换热器位置,通过GA算法确定最优位置,之后通过NSGA-II算法在最佳位置下进行多目标集成优化,得出帕累托前沿和关键决策变量前沿。
优选的,所述方法中建立石化过程ANNs模型的方法包括以下步骤:
1):严格模型的建立;
2):利用拉丁超立方采样方法获取分布均匀的随机输入样本:
xm,i=xm,l+(xm,u-xm,l)·PLHS
其中xm,u,xm,l分别是变量的上限和下限,PLHS是拉丁超立方采样的概率分布;
3):编写自动脚步,将第二步获得的样本依次作为严格模型的输入自动执行严格模型并收集相应的输出;
4):根据输出的收敛与否将ANNs模型分为两类,其中可行性模型ANN1用于判断输入的数据是否可行;精馏模型ANN2用于计算与基础优化相关的所有输出;
5):ANN模型的训练与验证。
优选的,所述方法中考虑温度和相变影响的热容模型的建立方法:
I)在热交换期间没有相变的流股:热容不受温度的影响,并且其值仅与流的组成有关,为了计算流的热容量,建立了以下函数来计算流的焓:
其中下标i代表流股的编号;a0,a1,a2…是线性项的系数;b0,b1,b2…是混合项的系数;c是一个常数项;M是质量分数;
II)具有部分相变的流股:在热交换温度范围内,流的热容量将随温度变化而变化,为了反映相变对焓的影响,在组I)的基础上,引入气相分数,不同温度下的相变程度不同,因此气相分数的值也将不同,建立模型来预测不同温度下的气体分数:
VFRAC=A0T5+A1T4+A2T3+A3T2+A4T+A5
其中参数a,b,c,d和e分别是线性项,混合项,二次项,三次项和常数项的系数;VFRAC是气相分率,A是温度与气相分率的回归系数,经验证五次多项式回归效果最好;
III)具有完全相变的流股,仅交换潜热,温差几乎为零,认为热容量在热交换过程中不随温度变化,并且焓可以假设为温度的线性关系,通过以下公式进行计算:
其中H3,OUT、H3,IN、T3,OUT和T3,IN分别表示情况III下,换热器的进出口焓值和进出口温度;上述公式的系数均可以通过使用最小二乘法回归得到,回归数据来自验证的蒸馏模型ANN2或严格模型。
优选的,所述方法中基于混合算法的优化框架求解:
将ANN2蒸馏模型用于计算乙烯和丙烯的产率和集成优化其他变量,热回收模型计算最小的能耗,首先是初始化,利用可行性神经网络产生含1000组操作条件的样本,利用NSGA-II算法求出1000组样本的最优组合:帕累托前沿值为1的样本;接着通过双烯产量和能耗计算利润P,并利用GA算法最大化利润P。
技术效果:
本发明提供了一种基于ANN建模平衡复杂石化过程产能的多目标优化方法,在此建模的基础之上得到了一个多目标混合整数非线性规划模型(Multi-objective mixedinteger nonlinear programming model,MOMINLP),并通过一个混合算法对该模型进行求解。得出了同时最大化双烯产量和最小化能耗的帕累托前沿(Pareto frontier,PF)以及相应的关键决策变量(key decision variables,KDV)。所提出的方法可以很大程度上降低石化工业的操作复杂度并且对工厂节能减排有重要的指导意义。
附图说明
图1是人工神经网络结构图。
图2是ANN1训练结果图。
图3是ANN2训练结果图
图4是优化框架。
图5是乙烯低温分离流程图。
图6是全过程建模与优化草图。
图7中,(a)是多目标优化最优前沿;(b~k)是操作变量的前沿。
图8中,(a)是多目标优化最优前沿;(b,c)是关键操作变量的前沿。
具体实施方式
将数据驱动的ANNs方法运用到大型石化工业的建模优化中可以很好的解决上述问题。对于用于石化过程中多***多目标的集成模型,稳健性和准确性是必不可少的。并且所建模型需要提供足够的信息来表示整个分离过程和其他***之间的协同作用。当选择的回归数据和模型参数适当时,ANNs模型预测结果可以与严格蒸馏模型相同甚至更准确。此外,由于ANNs模型是基于工程的数据建立的,无需考虑严格的机理和复杂的过程限制,因此模型更加简单稳健。基于这些优点,人工神经网络的蒸馏模型比严格简化的模型更适合作为优化模型去模拟复杂石化过程。
ANNs工作原理源于生物神经元,其通过一系列节点将输入数据与输出数据相关联。ANNs中的每个层由一个或多个神经元组成,每个神经元具有相应的传递函数。通过调节神隐含层和经元的数量,ANN可以表示具有任何所需精度的任何线性或非线性函数。
图1给出了典型的单隐含层前馈神经网络的结构图。人工神经网络建模过程可分为以下几个步骤:
1、数据采集与处理,2、模型结构的确定,3、模型训练与验证。
公式(1),(2)分别是该网络图的代数表达式。
a=f(W1x+b1) (1)
y=g(W2x+b2) (2)
其中:x表示输入,a表示隐藏层输出,y表示预测输出;W表示层之间的权重,b表示阈值;上标1和2分别代表隐藏层和输出层;传递函数f是Sigmoid函数,而g是线性函数。
为使本领域的技术人员更好地理解本发明的技术方案,下面结合实施例对本发明提供的一种基于ANN建模平衡复杂石化过程产能的多目标优化方法进行详细描述。以下实施例仅用于说明本发明而非用于限制本发明的范围。
为了更好的平衡石化过程中乙烯工业的能耗和产率,本发明提出了一种基于人工神经网络针对复杂乙烯低温分离过程的建模、分析和优化方法。在ANNs模型的基础上,建立了一个MINLP模型,并将遗传算法(Genetic algorithm,GA)和NSGA-2算法相结合对该模型进行优化,所得出的帕累托前沿和关键决策变量前沿可以很大程度上降低石化工业的操作复杂度并且对工厂节能减排有重要的指导意义。
1、石化过程ANNs模型建立方法
第一步:严格模型的建立。
第二步:利用拉丁超立方采样(Latin hypercube sampling,LHS)方法获取分布均匀的随机输入样本。公式(3)给出了该方法的原理。
xm,i=xm,l+(xm,u-xm,l)·PLHS (3)
其中xm,u,xm,l分别是变量的上限和下限,PLHS是拉丁超立方采样的概率分布。
第三步:编写自动脚步,将第二步获得的样本依次作为严格模型的输入自动执行严格模型并收集相应的输出。
第四步:根据输出的收敛与否将ANNs模型分为两类。可行性模型ANN1用于判断输入的数据是否可行;精馏模型ANN2用于计算与基础优化相关的所有输出。
第五步:ANN模型的训练与验证。
图2和图3分别给出了ANN1和ANN2的训练结果。不难发现两个模型的准确度都很高,可以用于后期的优化。
2、考虑温度和相变影响的热容模型的建立方法
热集成设计方法通常实现简化的假设,例如假设所有过程流的热容量是恒定的。这些假设仅在没有相变,流股入口和出口之间的温差很小,或者温度对热容量几乎没有影响时才有效。然而,在复杂石化工业中,温度范围大,大多数物流的热容量受温度的影响很大,物流的其他性质(例如,密度,粘度等)也随温度而变化。因此,需要精确的模型来计算流的热容量。
参与热集成的工艺流股一般可以分为三种情况:I)在热交换期间没有相变的流股,II)具有部分相变的流股,III)具有完全相变的流股。
对于组(I),当热交换过程中没有相变时,热容不受温度的影响,并且其值仅与流的组成有关。为了计算流的热容量,建立了以下函数来计算流的焓:
其中下标i代表流股的编号。a0,a1,a2…是线性项的系数。b0,b1,b2…是混合项的系数。c是一个常数项。M是质量分数。
对于组(II),当在流中发生部分相变时,在热交换温度范围内,流的热容量将随温度变化而变化。为了反映相变对焓的影响,基于组(I),引入气相分数。由于在不同温度下的相变程度将不同,因此气相分数的值也将不同。因此,还必须建立模型来预测不同温度下的气体分数。
VFRAC=A0T5+A1T4+A2T3+A3T2+A4T+A5 (7)
公式(6)中参数a,b,c,d和e分别是线性项,混合项,二次项,三次项和常数项的系数。VFRAC是气相分率,其值可以通过公式(7)计算,A是温度与气相分率的回归系数,经验证五次多项式回归效果最好。
对于组(III),该情况中仅交换潜热,因此温差几乎为零。因此,可以认为热容量在热交换过程中不随温度变化。并且焓可以假设为温度的线性关系,可通过公式(9)进行计算:
其中H3,OUT、H3,IN、T3,OUT和T3,IN分别表示情况III下,换热器的进出口焓值和进出口温度。公式(4)、(6)、(7)的系数均可以通过使用最小二乘法回归得到。这些回归数据来自验证的蒸馏模型ANN2或严格模型。
3、基于混合算法的优化框架
在已建立的ANNs模型中,ANN2蒸馏模型用于计算乙烯和丙烯的产率和集成优化其他变量。热回收模型计算最小的能耗。由于所建里的模型中包含逻辑变量-压缩机位置和换热器位置,所以该模型是一个典型的MINLP模型,对其求解非常困难。本发明将GA算法和NSGA-2算法结合对该模型进行优化求解。首先,通过GA确定最优位置,然后通过NSGA-II算法在最佳位置下进行多目标集成优化。图4给出了详细的优化步骤,j和g分别代表GA和NSGA-II的最大迭代次数。i代表压缩机和换热器的位置。对于遗传算法中的每次迭代,i都更新一次。Flag标志用于判断遗传算法是否结束。当压缩机的位置i达到最优或j达到最大迭代次数则遗传算法结束,Flag=1,否则继续优化压缩机位置,Flag=0。当Flag=1时,则开始以最优位置iopt进行多目标优化。该优化过程分为四部分,首先是初始化,利用可行性神经网络产生含1000组操作条件的样本。第二部分利用多目标算法(NSGA-II)求出1000组样本的最优组合(帕累托前沿值为1的样本)。接着利用双烯产量和能耗计算利润P,并利用GA最大化利润P,并返回最优结构i。
实施例1
针对乙烯装置分被对乙烯分离工艺建立了ANNs模型,所有的建模数据来均源自严格模型Aspen Plus(V8.4)。图5给出了乙烯低温分离***的流程图。在ANNs模型的基础之上,通过混合算法多目标优化乙烯产量和能耗。公式(10),(11)是优化的目标函数:
其中MIN J1表示最小化能耗,MAX J2表示最大化乙烯产量。Cu和CW分别是公用工程和压缩机轴功的单价。表1给出了具体数据。
表1.公用工程数据和单价
需要优化的操作变量共有16个,其中压缩机和换热器位置是逻辑变量,另外15个是连续变量。表2显示了15个连续变量的操作范围。图6给出了整个建模和优化过程的结构草图。
表2.操作变量及其优化范围
按照本发明提出的优化方法进行优化,得到了很好的优化结果。表3给出了各个闪蒸罐的最优操作条件。图7给出了多目标优化的最优前沿。
表3.闪蒸罐的最优操作条件
由图7不难发现,在整个优化过程中只有DE塔的塔底采出量和DE塔的回流比随着乙烯产量的变化而变化,而其他的操作变量均是不变的。因此,有理由相信乙烯的产量只受DE塔的塔底采出和DE塔的回流比的影响,这两个变量是关键操作变量。为了验证这一结论,在图7的基础上可以进行一个对照实验。在该对照组中只将脱乙烷塔回流比和塔底采出量视为操作变量,其他的变量均视为定值。图8给出了对照组的优化结果。由图8可知,仅考虑两个关键操作变量时的优化结果和图7的优化结果几乎完全一致,但却大大的降低了操作难度。通过调整两个关键决策变量的值,工厂的乙烯产量每年可增加73164千克,相当于95.1万美元/年的收入增长。
上面结合实施例对本发明的实例作了详细说明,但是本发明并不限于上述实例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出的各种变化,也应视为本发明的保护范围。
Claims (1)
1.一种基于ANN建模平衡复杂石化过程产能的多目标优化方法,其特征在于,在ANNs模型的基础上建立MINLP模型,包含逻辑变量压缩机位置和换热器位置,通过GA算法确定最优位置,之后通过NSGA-II算法在最佳位置下进行多目标集成优化,得出帕累托前沿和关键决策变量前沿;
建立石化过程ANNs模型的方法包括以下步骤:
1):严格模型的建立;
2):利用拉丁超立方采样方法获取分布均匀的随机输入样本:
xm,i=xm,l+(xm,u-xm,l)·PLHS
其中xm,u,xm,l分别是变量的上限和下限,PLHS是拉丁超立方采样的概率分布;
3):编写自动脚步,将第二步获得的样本依次作为严格模型的输入自动执行严格模型并收集相应的输出;
4):根据输出的收敛与否将ANNs模型分为两类,其中可行性模型ANN1用于判断输入的数据是否可行;精馏模型ANN2用于计算与基础优化相关的所有输出;
5):ANN模型的训练与验证;
考虑温度和相变影响的热容模型的建立方法:
I)在热交换期间没有相变的流股:热容不受温度的影响,并且其值仅与流的组成有关,为了计算流的热容量,建立了以下函数来计算流的焓:
其中下标i代表流股的编号;a0,a1,a2…是线性项的系数;b0,b1,b2…是混合项的系数;c是一个常数项;M是质量分数;H1是不发生相变流股在温度T1下所对应的焓值,CP1是不发生相变时的比压热容,在不发生相变时为常数;
II)具有部分相变的流股:在热交换温度范围内,流的热容量将随温度变化而变化,为了反映相变对焓的影响,在组I)的基础上,引入气相分数,不同温度下的相变程度不同,因此气相分数的值也将不同,建立模型来预测不同温度下的气体分数:
VFRAC=A0T5+A1T4+A2T3+A3T2+A4T+A5
其中的参数a,b,c,d和e分别是线性项,混合项,二次项,三次项和常数项的系数;VFRAC是在发生部分相变时温度T下气相分率,A是温度与气相分率的回归系数,经验证五次多项式回归效果最好;H2是发生部分相变时温度T2对应的焓值,其值不再是温度的线形函数,CP2是发生部分相变时温度T2下的比压热容,其值由H2对T2偏微分得到;
III)具有完全相变的流股,仅交换潜热,温差几乎为零,认为热容量在热交换过程中不随温度变化,并且焓可以假设为温度的线性关系,通过以下公式进行计算:
其中H3,OUT、H3,IN、T3,OUT和T3,IN分别表示情况III下,换热器的进出口焓值和进出口温度,CP3 *是在前面的基础上假想出来的比压热容,上述公式的系数均通过使用最小二乘法回归得到,回归数据来自验证的蒸馏模型ANN2或严格模型;
基于混合算法的优化框架求解:将ANN2蒸馏模型用于计算乙烯和丙烯的产率和集成优化其他变量,热回收模型计算最小的能耗,首先是初始化,利用可行性神经网络产生含1000组操作条件的样本,利用NSGA-II算法求出1000组样本的最优组合:帕累托前沿值为1的样本;接着通过双烯产量和能耗计算利润P,并利用GA算法最大化利润P。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910890104.7A CN110728031B (zh) | 2019-09-20 | 2019-09-20 | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910890104.7A CN110728031B (zh) | 2019-09-20 | 2019-09-20 | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728031A CN110728031A (zh) | 2020-01-24 |
CN110728031B true CN110728031B (zh) | 2021-06-22 |
Family
ID=69218178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910890104.7A Active CN110728031B (zh) | 2019-09-20 | 2019-09-20 | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728031B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4113418B1 (en) * | 2020-02-28 | 2024-04-03 | BOE Technology Group Co., Ltd. | Non-linear planning model based production planning system, production planning method and computer-readable storage medium |
CN114547823B (zh) * | 2022-03-16 | 2024-06-04 | 厦门大学 | 一种包含相变流股的换热网络优化设计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1308055A1 (en) * | 2000-06-30 | 2003-05-07 | BRITISH TELECOMMUNICATIONS public limited company | A memetic method for multiobjective optimisation |
CN102339040A (zh) * | 2010-07-15 | 2012-02-01 | 清华大学 | 精馏塔优化控制方法 |
CN103087751A (zh) * | 2011-10-28 | 2013-05-08 | 中国石油化工股份有限公司 | 一种工业裂解炉价值最大化模型的构建方法 |
CN103488085A (zh) * | 2013-09-22 | 2014-01-01 | 上海交通大学 | 甲醇四塔精馏***多目标优化控制方法 |
CN107807518A (zh) * | 2017-09-05 | 2018-03-16 | 昆明理工大学 | 一种化工生产原料蒸馏过程的多目标优化调度方法 |
CN109242088A (zh) * | 2018-07-23 | 2019-01-18 | 大冶特殊钢股份有限公司 | 基于ga-ann人工神经网络模型的热处理方法和装置 |
CN109919485A (zh) * | 2019-03-06 | 2019-06-21 | 桂林理工大学 | 一种基于nsga-ii的水资源配置的多目标优化方法 |
-
2019
- 2019-09-20 CN CN201910890104.7A patent/CN110728031B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1308055A1 (en) * | 2000-06-30 | 2003-05-07 | BRITISH TELECOMMUNICATIONS public limited company | A memetic method for multiobjective optimisation |
CN102339040A (zh) * | 2010-07-15 | 2012-02-01 | 清华大学 | 精馏塔优化控制方法 |
CN103087751A (zh) * | 2011-10-28 | 2013-05-08 | 中国石油化工股份有限公司 | 一种工业裂解炉价值最大化模型的构建方法 |
CN103488085A (zh) * | 2013-09-22 | 2014-01-01 | 上海交通大学 | 甲醇四塔精馏***多目标优化控制方法 |
CN107807518A (zh) * | 2017-09-05 | 2018-03-16 | 昆明理工大学 | 一种化工生产原料蒸馏过程的多目标优化调度方法 |
CN109242088A (zh) * | 2018-07-23 | 2019-01-18 | 大冶特殊钢股份有限公司 | 基于ga-ann人工神经网络模型的热处理方法和装置 |
CN109919485A (zh) * | 2019-03-06 | 2019-06-21 | 桂林理工大学 | 一种基于nsga-ii的水资源配置的多目标优化方法 |
Non-Patent Citations (3)
Title |
---|
MINLP模型及其在石化行业中的应用——Ⅱ.反应网络与反应精馏***MINLP模型的建立;解新安 等;《炼油技术与工程》;20031130;第33卷(第11期);第50-54页 * |
Multiobjective Stochastic Optimization of Dividing-wall Distillation Columns Using a Surrogate Model Based on Neural Networks;C.Gutiérrez-Antonio等;《Chemical & Biochemical Engineering Quarterly》;20151231;第29卷(第4期);第491页第2段,第493页第2-3段,第498页第2段 * |
人工神经网络在化工过程中的应用进展;宋泓阳 等;《化工进展》;20161231;第35卷(第12期);第3755-3762页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110728031A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
Yu et al. | A combined genetic algorithm/simulated annealing algorithm for large scale system energy integration | |
CN109084415A (zh) | 基于神经网络和遗传算法的中央空调运行参数寻优方法 | |
CN106845012B (zh) | 一种基于多目标密度聚类的高炉煤气***模型隶属度函数确定方法 | |
CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
CN110728031B (zh) | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 | |
CN109872012A (zh) | 基于工况划分的火电厂运行多目标优化的确定方法 | |
CN110046408A (zh) | 基于bp神经网络微分与区间分析的区间不确定性优化方法 | |
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 | |
CN114239400A (zh) | 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法 | |
CN105868867A (zh) | 一种供热锅炉集群优化运行方法及*** | |
CN111461406A (zh) | 一种基于混合建模的乙烯生产原料优化方法 | |
CN110207094A (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
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 | |
CN111832839A (zh) | 基于充分增量学习的能耗预测方法 | |
CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
CN109919401B (zh) | 一种多能互补***的多维能效分析方法 | |
CN108446452B (zh) | 一种混流泵叶轮鲁棒优化设计方法 | |
Mengistu et al. | Aerodynamic shape optimization of turbine blades using a design-parameter-based shape representation | |
Jiang et al. | Energy, economic, environmental and engineering quantity optimization of industrial energy recovery network | |
Liu et al. | Mixed-flow assembly line balancing with uncertain assembly times in remanufacturing | |
CN109101683B (zh) | 燃煤分质利用与清洁预处理***热解釜的模型更新方法 | |
CN102682336A (zh) | 基于改进遗传算法的汽轮机调节级喷嘴数目设计优化方法 | |
Ye et al. | Comprehensive evaluation of cleaner production in thermal power plants based on an improved least squares support vector machine model | |
CN110033118A (zh) | 弹性网络建模且基于遗传算法的风机多目标优化控制方法 |
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 |