CN113130014A - 一种基于多分支神经网络的稀土萃取模拟方法及*** - Google Patents
一种基于多分支神经网络的稀土萃取模拟方法及*** Download PDFInfo
- Publication number
- CN113130014A CN113130014A CN202110440712.5A CN202110440712A CN113130014A CN 113130014 A CN113130014 A CN 113130014A CN 202110440712 A CN202110440712 A CN 202110440712A CN 113130014 A CN113130014 A CN 113130014A
- Authority
- CN
- China
- Prior art keywords
- branch
- neural network
- network model
- representing
- hidden layer
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 88
- 229910052761 rare earth metal Inorganic materials 0.000 title claims abstract description 67
- 150000002910 rare earth metals Chemical class 0.000 title claims abstract description 66
- 238000004088 simulation Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 114
- 230000006870 function Effects 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012546 transfer Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 14
- 239000012074 organic phase Substances 0.000 description 9
- 239000008346 aqueous phase Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000012071 phase Substances 0.000 description 4
- 229910052684 Cerium Inorganic materials 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 229910052779 Neodymium Inorganic materials 0.000 description 2
- 229910052777 Praseodymium Inorganic materials 0.000 description 2
- GWXLDORMOJMVQZ-UHFFFAOYSA-N cerium Chemical compound [Ce] GWXLDORMOJMVQZ-UHFFFAOYSA-N 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910052746 lanthanum Inorganic materials 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- WMOHXRDWCVHXGS-UHFFFAOYSA-N [La].[Ce] Chemical compound [La].[Ce] WMOHXRDWCVHXGS-UHFFFAOYSA-N 0.000 description 1
- RKLPWYXSIBFAJB-UHFFFAOYSA-N [Nd].[Pr] Chemical compound [Nd].[Pr] RKLPWYXSIBFAJB-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003599 detergent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052747 lanthanoid Inorganic materials 0.000 description 1
- 150000002602 lanthanoids Chemical class 0.000 description 1
- FZLIPJUXYLNCLC-UHFFFAOYSA-N lanthanum atom Chemical compound [La] FZLIPJUXYLNCLC-UHFFFAOYSA-N 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- QEFYFXOXNSNQGX-UHFFFAOYSA-N neodymium atom Chemical compound [Nd] QEFYFXOXNSNQGX-UHFFFAOYSA-N 0.000 description 1
- PUDIUYLPXJFUGB-UHFFFAOYSA-N praseodymium atom Chemical compound [Pr] PUDIUYLPXJFUGB-UHFFFAOYSA-N 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052706 scandium Inorganic materials 0.000 description 1
- SIXSYDAISGFNSX-UHFFFAOYSA-N scandium atom Chemical compound [Sc] SIXSYDAISGFNSX-UHFFFAOYSA-N 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 229910052727 yttrium Inorganic materials 0.000 description 1
- VWQVUPCCIRVNHF-UHFFFAOYSA-N yttrium atom Chemical compound [Y] VWQVUPCCIRVNHF-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多分支神经网络的稀土萃取模拟方法及***,方法包括:获取稀土原始数据集并进行预处理,得到处理后的数据集;将处理后的数据集划分为训练集和测试集;根据训练集构建多分支神经网络模型;构建多分支神经网络模型的各个分支对应的独立损失优化函数;对各个分支对应的独立损失优化函数进行训练,当各个分支的独立损失优化函数均收敛到设定阈值时,停止训练,获得训练后的多分支神经网络模型;利用测试集对所述训练后的多分支神经网络模型进行模拟,当模拟精度达到设定精度时,停止模拟,获得最终的多分支神经网络模型;利用最终的多分支神经网络模型进行稀土萃取模拟。本发明提高了稀土萃取模拟的预测精度和准确性。
Description
技术领域
本发明涉及化工流程模拟技术领域,特别是涉及一种基于多分支神经网络的稀土萃取模拟方法及***。
背景技术
稀土元素又被称为“工业的维生素”,是镧系元素、钪和钇等17种金属元素的总称。稀土作为一种重要的战略资源,国内对其萃取分离方法的研究开始较早,20世纪70年代,北京大学徐光宪教授在分馏萃取理论基础上提出的稀土串级萃取理论,是目前国内稀土萃取流程模拟领域研究的主要指导理论。
稀土萃取工艺是一种具有复杂工况变化特性的多输入多输出过程。目前实际生产环境中缺少组分含量在线监测仪器,再加上稀土萃取分离过程存在非线性、强耦和及高延迟的特点,使得萃取过程中各级萃取槽的组分含量变化往往无法及时得到,一段时间后若是发现产品未达到生产工艺要求,此时再根据新工况调节工艺参数已经造成了较大的原料浪费。故当出现新工况或者当前工况变化频繁时,需要验证当前工艺是否符合生产要求,使得操作人员可以及时修改生产控制***工艺参数。上述需求鼓励了对稀土萃取过程流程模拟方法的研究,以使技术人员可以根据当前工况条件,实时模拟萃取过程各级组分含量变化,对于防止原料浪费、提升生产效率、节约成本有重要意义。
对于化工过程流程模拟方法的研究,主要有基于机理的静态建模和数据驱动的动态建模两类方法。机理建模是通过物理化学特性建立萃取过程数学模型,这需要一定的领域专家经验,且由于稀土萃取分离过程的复杂性,目前没有一种机理模型能完全表达稀土萃取分离过程,皆存在一定的理想假设。另一方面,随着数据处理技术及数据采集***的不断发展,基于历史数据训练的数据驱动建模方法越发流行,它不要求领域专家经验,有足够的生产历史数据即可训练模型。
数据驱动建模方法中,由于神经网络方法性能的优越性,目前已有大量利用神经网络应用于稀土萃取建模的研究案例。但是现有方法中,都是采用浅层网络对多达几十甚至上百级的萃取分离流程进行建模,且未考虑前后分离级组分含量变化间存在耦合关系的实际特性,使得不同分离段的组分值是通过独立网络模型进行预测,会导致得到的组分含量值不符合实际情况。所以对多级复杂稀土萃取过程流程模拟来说,现有浅层神经网络建模方法存在未完全反映实际分离流程和预测精度不足的问题。
发明内容
本发明的目的是提供一种基于多分支神经网络的稀土萃取模拟方法及***,以提高预测精度。
为实现上述目的,本发明提供了一种基于多分支神经网络的稀土萃取模拟方法,所述方法包括:
S1:获取稀土原始数据集;
S2:对所述稀土原始数据集进行数据清洗和标准化预处理,得到处理后的数据集;
S3:将处理后的数据集划分为训练集和测试集;
S4:根据所述训练集构建多分支神经网络模型;
S5:构建所述多分支神经网络模型的各个分支对应的独立损失优化函数;
S6:采用反向传播和随机梯度下降算法,对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练,当各个分支的独立损失优化函数均收敛到设定阈值时,停止训练,获得训练后的多分支神经网络模型;
S7:利用测试集对所述训练后的多分支神经网络模型进行模拟,当模拟精度达到设定精度时,停止模拟,获得最终的多分支神经网络模型;
S8:利用所述最终的多分支神经网络模型进行稀土萃取模拟。
可选地,所述多分支神经网络模型,具体公式为:
其中,y(j),j∈[1,n+m]表示第j分支组分含量输出,fi(*),i∈[1,n+m]表示多变量线性函数,X表示所述训练集的特征,h(i),i∈[1,k]表示第i层隐含层提取特征,ωi,i∈[1,k]表示第i层隐含层提取特征的权重矩阵,bi,i∈[1,k]表示第i层隐含层提取特征的偏差项,h(*)表示第j分支的上一级隐含层特征,bj,j∈[1,n+m]表示第j分支的偏差系数,f(*)表示隐含层传递函数,g(*)表示输出层传递函数,n+m表示所述多分支神经网络模型的总分支数量。
可选地,所述独立损失优化函数,具体公式为:
其中,表示第j分支的独立损失优化函数,y(j),j∈[1,n+m]表示第j分支组分含量输出,第j分支组分含量输出预测值,θj,j∈[1,n+m]表示第j分支对应的隐含层参数,θj=(ωj *,bj *),表示第j分支对应的隐含层的权重矩阵,表示表示第j分支对应的隐含层的偏差系数,z表示所述训练集的样本数量,n+m表示所述多分支神经网络模型的总分支数量。
可选地,所述S6具体包括:
其中,()′表示求梯度值,表示第j分支对应的隐含层第l+1次迭代的权重矩阵,表示第j分支对应的隐含层第l次迭代的权重矩阵,表示第j分支对应的隐含层第l+1次迭代的偏差系数,表示第j分支对应的隐含层第l次迭代的偏差系数,η表示学习率,第j分支的独立损失优化函数,y(j),j∈[1,n+m]表示第j分支组分含量输出,第j分支组分含量输出预测值,θj,j∈[1,n+m]表示第j分支对应的隐含层参数,n+m表示所述多分支神经网络模型的总分支数量;
S62:当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时,第j分支停止训练;
S63:判断j是否大于或等于n+m,如果j大于或等于n+m,则输出训练后的多分支神经网络模型;如果j小于n+m,则令j=j+1,返回“S61”。
本发明还提供一种基于多分支神经网络的稀土萃取模拟***,所述***包括:
获取模块,用于获取稀土原始数据集;
处理模块,用于对所述稀土原始数据集进行数据清洗和标准化预处理,得到处理后的数据集;
划分模块,用于将处理后的数据集划分为训练集和测试集;
多分支神经网络模型确定模块,用于根据所述训练集构建多分支神经网络模型;
独立损失优化函数确定模块,用于构建所述多分支神经网络模型的各个分支对应的独立损失优化函数;
训练模块,用于采用反向传播和随机梯度下降算法,对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练,当各个分支的独立损失优化函数均收敛到设定阈值时,停止训练,获得训练后的多分支神经网络模型;
模拟模块,用于利用测试集对所述训练后的多分支神经网络模型进行模拟,当模拟精度达到设定精度时,停止模拟,获得最终的多分支神经网络模型;
萃取模块,用于利用所述最终的多分支神经网络模型进行稀土萃取模拟。
可选地,所述多分支神经网络模型,具体公式为:
其中,y(j),j∈[1,n+m]表示第j分支组分含量输出,fi(*),i∈[1,n+m]表示多变量线性函数,X表示所述训练集的特征,h(i),i∈[1,k]表示第i层隐含层提取特征,ωi,i∈[1,k]表示第i层隐含层提取特征的权重矩阵,bi,i∈[1,k]表示第i层隐含层提取特征的偏差项,h(*)表示第j分支的上一级隐含层特征,bj,j∈[1,n+m]表示第j分支的偏差系数,f(*)表示隐含层传递函数,g(*)表示输出层传递函数,n+m表示所述多分支神经网络模型的总分支数量。
可选地,所述独立损失优化函数,具体公式为:
其中,表示第j分支的独立损失优化函数,y(j),j∈[1,n+m]表示第j分支组分含量输出,第j分支组分含量输出预测值,θj,j∈[1,n+m]表示第j分支对应的隐含层参数,θj=(ωj *,bj *),表示第j分支对应的隐含层的权重矩阵,表示表示第j分支对应的隐含层的偏差系数,z表示所述训练集的样本数量,n+m表示所述多分支神经网络模型的总分支数量。
可选地,所述训练模块具体包括:
其中,()′表示求梯度值,表示第j分支对应的隐含层第l+1次迭代的权重矩阵,表示第j分支对应的隐含层第l次迭代的权重矩阵,表示第j分支对应的隐含层第l+1次迭代的偏差系数,表示第j分支对应的隐含层第l次迭代的偏差系数,η表示学习率,第j分支的独立损失优化函数,y(j),j∈[1,n+m]表示第j分支组分含量输出,第j分支组分含量输出预测值,θj,j∈[1,n+m]表示第j分支对应的隐含层参数,n+m表示所述多分支神经网络模型的总分支数量;
阈值设定单元,用于当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时,第j分支停止训练;
判断单元,用于判断j是否大于或等于n+m,如果j大于或等于n+m,则输出训练后的多分支神经网络模型;如果j小于n+m,则令j=j+1,返回迭代单元。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于多分支神经网络的稀土萃取模拟方法及***,方法包括:获取稀土原始数据集并进行预处理,得到处理后的数据集;将处理后的数据集划分为训练集和测试集;根据训练集构建多分支神经网络模型;构建多分支神经网络模型的各个分支对应的独立损失优化函数;对各个分支对应的独立损失优化函数进行训练,当各个分支的独立损失优化函数均收敛到设定阈值时,停止训练,获得训练后的多分支神经网络模型;利用测试集对所述训练后的多分支神经网络模型进行模拟,当模拟精度达到设定精度时,停止模拟,获得最终的多分支神经网络模型;利用最终的多分支神经网络模型进行稀土萃取模拟。本发明提高了稀土萃取模拟的预测精度和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1基于多分支神经网络的稀土萃取模拟方法流程图;
图2为本发明实施例1多分支神经网络模型示意图;
图3为本发明实施例1稀土萃取工艺生产流程图;
图4为本发明实施例1多分支神经网络模型对测试集中第40级有机相含量模拟曲线图;
图5为本发明实施例1多分支神经网络模型对测试集中第40级水相含量模拟曲线图;
图6为本发明实施例1多分支神经网络模型各萃取级Pr组分含量分布模拟曲线图;
图7为本发明实施例1多分支神经网络模型各分支组分含量输出模拟曲线图;
图8为本发明实施例2基于多分支神经网络的稀土萃取模拟***结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于多分支神经网络的稀土萃取模拟方法及***,以提高预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本发明提供一种基于多分支神经网络的稀土萃取模拟方法,所述方法包括:
S1:获取稀土原始数据集。对于实际生产流程,根据生产指标和工艺要求,得到每组工况下料液组分含量、各组分间相对分离系数,洗涤剂流量、萃取剂流量、进料方式、出口指标和出口分离系数等特征,再通过取样化验得到萃取分离达到动态平衡时各级组分含量值,一个样本的特征参数加上对应各级组分含量分布值即构成一例数据样本。经过足够长时间,采集到足量的不同生产工况数据,对采集的数据通过数据清洗等方法去除掉不符合实际的样本后,剩下的数据即构成稀土原始数据集。
S2:对所述稀土原始数据集进行数据清洗和标准化预处理,得到处理后的数据集。考虑原始数据集中原始特征参数量纲不同,数值大小不一,不利于多分支神经网络模型通过随机梯度下降算法进行训练。为提高多分支神经网络模型精度、提升独立损失优化函数收敛速度,消除量纲不同的限制,对原始数据集中的特征采用数据标准化处理使原始数据集符合标准正态分布,即均值为0。根据对原始数据集中的特征进行标准化,式中x*为原始数据集中的特征,μ和σ分别为对应特征x*的均值和方差,X′为处理后的特征。
S3:将处理后的数据集划分为训练集和测试集。
S4:根据所述训练集的输入输出维度构建多分支神经网络模型。如图2和图3所示,对于稀土萃取流程,根据工艺设计,确定萃取段和洗涤段级数分别为n和m,则分离的总级数为n+m,第n级为进料级。每一级对应多分支神经网络模型中的一个分支。每一级中存在有机相和水相,因为同一相中难萃组分(第一组分)与易萃组分(第二组分)含量和为1,故本发明简化多分支神经网络模型结构,仅考虑有机相中易萃组分A和水相中难萃组分B为多分支神经网络模型输出。每个分支皆存在有机相易萃组分值和水相难萃组分值两个输出。考虑各级组分含量变化与输入特征的映射关系不同,对每一级都建立一个对应的多分支神经网络模型中的一个分支。多分支神经网络模型是主网络每隔一个隐含层引入一个分支输出,分支包括分支回归层和输出层,一个分支有两个输出,有机相A组分yi1和水相B组分yi2,i∈[1,n+m],主网络也会存在n+m个隐含层。假设从所述训练集中共提取出p个特征,即训练集的输入维度有p个,类比多输入多输出模型,所述多分支神经网络模型,具体公式为:
其中,y(j),j∈[1,n+m]表示第j分支组分含量输出,fi(*),i∈[1,n+m]表示多变量线性函数,X表示所述训练集的特征,h(i),i∈[1,k]表示第i层隐含层提取特征,ωi,i∈[1,k]表示第i层隐含层提取特征的权重矩阵,bi,i∈[1,k]表示第i层隐含层提取特征的偏差项,h(*)表示第j分支的上一级隐含层特征,bj,j∈[1,n+m]表示第j分支的偏差系数,f(*)表示隐含层传递函数,g(*)表示输出层传递函数,n+m表示所述多分支神经网络模型的总分支数量。y(j)=[yj1,yj2],yj1和yj2分别表示第j分支对应的第j级有机相易萃组分(第二组分)含量值和水相难萃组分(第一组分)含量值。
S5:构建所述多分支神经网络模型的各个分支对应的独立损失优化函数。所述独立损失优化函数,具体公式为:
其中,表示第j分支的独立损失优化函数,y(j),j∈[1,n+m]表示第j分支组分含量输出,第j分支组分含量输出预测值,θj,j∈[1,n+m]表示第j分支对应的隐含层参数,θj=(ωj *,bj *),表示第j分支对应的隐含层的权重矩阵,表示表示第j分支对应的隐含层的偏差系数,z表示所述训练集的样本数量,n+m表示所述多分支神经网络模型的总分支数量。
S6:采用反向传播和随机梯度下降算法,对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练,当各个分支的独立损失优化函数均收敛到设定阈值时,停止训练,获得训练后的多分支神经网络模型。在若干次训练迭代后,为防止多分支神经网络模型过拟合以及独立损失优化函数学习曲线抖动导致的学习时间过长,可将初始学习率按一定倍数缩小,当达到设置的最大迭代次数或所有分支的独立损失优化函数都收敛至设定阈值时即结束训练。
S7:利用测试集对所述训练后的多分支神经网络模型进行模拟,当模拟精度达到设定精度时,停止模拟,获得最终的多分支神经网络模型。
S8:利用所述最终的多分支神经网络模型进行稀土萃取模拟。
在本发明实施例中,所述S6具体包括:
其中,()′表示求梯度值,表示第j分支对应的隐含层第l+1次迭代的权重矩阵,表示第j分支对应的隐含层第l次迭代的权重矩阵,表示第j分支对应的隐含层第l+1次迭代的偏差系数,表示第j分支对应的隐含层第l次迭代的偏差系数,η表示学习率,第j分支的独立损失优化函数,y(j),j∈[1,n+m]表示第j分支组分含量输出,第j分支组分含量输出预测值,θj,j∈[1,n+m]表示第j分支对应的隐含层参数,n+m表示所述多分支神经网络模型的总分支数量。
S62:当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时,第j分支停止训练。
S63:判断j是否大于或等于n+m,如果j大于或等于n+m,则输出训练后的多分支神经网络模型;如果j小于n+m,则令j=j+1,返回“S61”。
稀土萃取分离过程机理复杂,难以准确建立静态模型,而对于数据驱动建模,现有浅层神经网络建模方法存在预测精度低且未考虑实际分离特性的问题。本发明针对现有神经网络建模方法存在预测精度不足的问题,提出多分支深层神经网络。本发明考虑到了萃取槽各级组分含量与输入特征的不同映射关系以及前后级萃取槽存在耦合现象的实际特性,以及浅层神经网络对复杂非线性函数学习能力不足的问题,根据萃取级数及特征维度构建多分支神经网络模型,并对每个分支建立独立损失优化函数,然后采用反向传播和随机梯度下降算法对多分支神经网络模型的各个分支对应的独立损失优化函数进行训练得到训练后的多分支神经网络模型,模拟得到的各级组分含量更接近萃取生产现场实际值,以实现更好的稀土萃取过程流程模拟。
在本发明实施例中,萃取过程共有n+m级,多分支神经网络模型则对应有n+m个分支。考虑不同级组分含量与输入特征参数间映射复杂程度不同,并考虑前后萃取级间的耦合特性,根据第一级到最后一级的顺序从主网络中每隔一个隐含层引入一个分支,使得后一级分支可以利用到前一级分支学习到的隐含层特征,且分支独立的回归层可以进行组分含量预测,符合萃取分离反应的复杂度分布关系。对各分支建立独立损失优化函数进行训练,多分支神经网络模型输出为各个分支对应的级数的有机相易萃组分含量值和水相难萃组分含量值。
设例是镧,铈,镨,钕(La、Ce、Pr、Nd)四组分元素分离,进料量MF为1.00mol,根据化验得到各元素在料液中的摩尔分数fa,fb,fc,fd,有fa+fb+fc+fd=MF,考虑分离第一阶段,即令切割组分为铈,两端出口分别得到镧铈和镨钕产品。如图6所示,该分离过程共有58级,第39级为进料级,料液组分分布为[0.2592 0.4904 0.0496 0.2008]。可以看出组分分布的预测值基本拟合了真实值曲线,证明了本发明的有效性。
如图4和图5所示,利用多分支神经网络模型对200例测试样本中第40级有机相易萃组分A和水相难萃组分B的预测情况。多分支神经网络模型预测输出曲线基本拟合了实际组分含量曲线,说明本发明提出的多分支网络模型能以较高的精度学习稀土萃取过程工况参数与各级组分含量间的复杂非线性关系。
图7多分支网络模型各分支组分含量输出模拟曲线图。该例样本进料级n为39,总级数为n+m=58。从图7中可以看出,易萃组分A在n+m级有机相出口组分含量接近1,难萃组分B在第1级水相出口组分含量接近1,模拟情况反映了实际萃取过程各级组分含量变化。
用本发明提出的方法进行稀土萃取流程模拟得到的各级组分含量接近萃取生产现场实际值,能够真实地反映稀土萃取流程,可以使生产技术人员据此判断生产情况,及时调整工艺参数。
实施例2
如图8所示,本发明提供一种基于多分支神经网络的稀土萃取模拟***,所述***包括:
获取模块801,用于获取稀土原始数据集。
处理模块802,用于对所述稀土原始数据集进行数据清洗和标准化预处理,得到处理后的数据集。
划分模块803,用于将处理后的数据集划分为训练集和测试集。
多分支神经网络模型确定模块804,用于根据所述训练集构建多分支深层神经网络模型。
独立损失优化函数确定模块805,用于构建所述多分支神经网络模型的各个分支对应的独立损失优化函数。
训练模块806,用于采用反向传播和随机梯度下降算法,对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练,当各个分支的独立损失优化函数均收敛到设定阈值时,停止训练,获得训练后的多分支神经网络模型。
模拟模块807,用于利用测试集对所述训练后的多分支神经网络模型进行模拟,当模拟精度达到设定精度时,停止模拟,获得最终的多分支神经网络模型。
萃取模块808,用于利用所述最终的多分支神经网络模型进行稀土萃取模拟。
在本发明实施例中,所述多分支神经网络模型,具体公式为:
其中,y(j),j∈[1,n+m]表示第j分支组分含量输出,fi(*),i∈[1,n+m]表示多变量线性函数,X表示所述训练集的特征,h(i),i∈[1,k]表示第i层隐含层提取特征,ωi,i∈[1,k]表示第i层隐含层提取特征的权重矩阵,bi,i∈[1,k]表示第i层隐含层提取特征的偏差项,h(*)表示第j分支的上一级隐含层特征,bj,j∈[1,n+m]表示第j分支的偏差系数,f(*)表示隐含层传递函数,g(*)表示输出层传递函数,n+m表示所述多分支神经网络模型的总分支数量。
在本发明实施例中,所述独立损失优化函数,具体公式为:
其中,表示第j分支的独立损失优化函数,y(j),j∈[1,n+m]表示第j分支组分含量输出,第j分支组分含量输出预测值,θj,j∈[1,n+m]表示第j分支对应的隐含层参数,θj=(ωj *,bj *),表示第j分支对应的隐含层的权重矩阵,表示表示第j分支对应的隐含层的偏差系数,z表示所述训练集的样本数量,n+m表示所述多分支神经网络模型的总分支数量。
在本发明实施例中,所述训练模块具体包括:
其中,()′表示求梯度值,表示第j分支对应的隐含层第l+1次迭代的权重矩阵,表示第j分支对应的隐含层第l次迭代的权重矩阵,表示第j分支对应的隐含层第l+1次迭代的偏差系数,表示第j分支对应的隐含层第l次迭代的偏差系数,η表示学习率,第j分支的独立损失优化函数,y(j),j∈[1,n+m]表示第j分支组分含量输出,第j分支组分含量输出预测值,θj,j∈[1,n+m]表示第j分支对应的隐含层参数,n+m表示所述多分支神经网络模型的总分支数量。
阈值设定单元,用于当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时,第j分支停止训练。
判断单元,用于判断j是否大于或等于n+m,如果j大于或等于n+m,则输出训练后的多分支神经网络模型;如果j小于n+m,则令j=j+1,返回迭代单元。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于多分支神经网络的稀土萃取模拟方法,其特征在于,所述方法包括:
S1:获取稀土原始数据集;
S2:对所述稀土原始数据集进行数据清洗和标准化预处理,得到处理后的数据集;
S3:将处理后的数据集划分为训练集和测试集;
S4:根据所述训练集构建多分支神经网络模型;
S5:构建所述多分支神经网络模型的各个分支对应的独立损失优化函数;
S6:采用反向传播和随机梯度下降算法,对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练,当各个分支的独立损失优化函数均收敛到设定阈值时,停止训练,获得训练后的多分支神经网络模型;
S7:利用测试集对所述训练后的多分支神经网络模型进行模拟,当模拟精度达到设定精度时,停止模拟,获得最终的多分支神经网络模型;
S8:利用所述最终的多分支神经网络模型进行稀土萃取模拟。
4.根据权利要求1所述的基于多分支神经网络的稀土萃取模拟方法,其特征在于,所述S6具体包括:
其中,()′表示求梯度值,表示第j分支对应的隐含层第l+1次迭代的权重矩阵,表示第j分支对应的隐含层第l次迭代的权重矩阵,表示第j分支对应的隐含层第l+1次迭代的偏差系数,表示第j分支对应的隐含层第l次迭代的偏差系数,η表示学习率,第j分支的独立损失优化函数,y(j),j∈[1,n+m]表示第j分支组分含量输出,第j分支组分含量输出预测值,θj,j∈[1,n+m]表示第j分支对应的隐含层参数,n+m表示所述多分支神经网络模型的总分支数量;
S62:当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时,第j分支停止训练;
S63:判断j是否大于或等于n+m,如果j大于或等于n+m,则输出训练后的多分支神经网络模型;如果j小于n+m,则令j=j+1,返回“S61”。
5.一种基于多分支神经网络的稀土萃取模拟***,其特征在于,所述***包括:
获取模块,用于获取稀土原始数据集;
处理模块,用于对所述稀土原始数据集进行数据清洗和标准化预处理,得到处理后的数据集;
划分模块,用于将处理后的数据集划分为训练集和测试集;
多分支神经网络模型确定模块,用于根据所述训练集构建多分支神经网络模型;
独立损失优化函数确定模块,用于构建所述多分支神经网络模型的各个分支对应的独立损失优化函数;
训练模块,用于采用反向传播和随机梯度下降算法,对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练,当各个分支的独立损失优化函数均收敛到设定阈值时,停止训练,获得训练后的多分支神经网络模型;
模拟模块,用于利用测试集对所述训练后的多分支神经网络模型进行模拟,当模拟精度达到设定精度时,停止模拟,获得最终的多分支神经网络模型;
萃取模块,用于利用所述最终的多分支神经网络模型进行稀土萃取模拟。
8.根据权利要求5所述的基于多分支神经网络的稀土萃取模拟***,其特征在于,所述训练模块具体包括:
其中,()′表示求梯度值,表示第j分支对应的隐含层第l+1次迭代的权重矩阵,表示第j分支对应的隐含层第l次迭代的权重矩阵,表示第j分支对应的隐含层第l+1次迭代的偏差系数,表示第j分支对应的隐含层第l次迭代的偏差系数,η表示学习率,第j分支的独立损失优化函数,y(j),j∈[1,n+m]表示第j分支组分含量输出,第j分支组分含量输出预测值,θj,j∈[1,n+m]表示第j分支对应的隐含层参数,n+m表示所述多分支神经网络模型的总分支数量;
阈值设定单元,用于当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时,第j分支停止训练;
判断单元,用于判断j是否大于或等于n+m,如果j大于或等于n+m,则输出训练后的多分支神经网络模型;如果j小于n+m,则令j=j+1,返回迭代单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440712.5A CN113130014B (zh) | 2021-04-23 | 2021-04-23 | 一种基于多分支神经网络的稀土萃取模拟方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440712.5A CN113130014B (zh) | 2021-04-23 | 2021-04-23 | 一种基于多分支神经网络的稀土萃取模拟方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113130014A true CN113130014A (zh) | 2021-07-16 |
CN113130014B CN113130014B (zh) | 2023-02-07 |
Family
ID=76779259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110440712.5A Active CN113130014B (zh) | 2021-04-23 | 2021-04-23 | 一种基于多分支神经网络的稀土萃取模拟方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113130014B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330089A (zh) * | 2021-07-28 | 2022-04-12 | 华东交通大学 | 一种稀土元素含量变化预测方法及*** |
CN115182083A (zh) * | 2022-07-11 | 2022-10-14 | 浙江理工大学 | 一种织布机了机智能预测模型的构建方法和构建装置 |
CN115206455A (zh) * | 2022-07-28 | 2022-10-18 | 江西理工大学 | 基于深度神经网络的稀土元素组分含量预测方法及*** |
CN118161876A (zh) * | 2024-05-13 | 2024-06-11 | 上海若祎新材料科技有限公司 | 一种β-葡聚糖的超临界流体萃取分离设备及其控制方法 |
CN118161876B (zh) * | 2024-05-13 | 2024-08-27 | 上海若祎新材料科技有限公司 | 一种β-葡聚糖的超临界流体萃取分离设备及其控制方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344583A (zh) * | 2013-07-09 | 2013-10-09 | 华东交通大学 | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测***及方法 |
CN106354017A (zh) * | 2016-11-14 | 2017-01-25 | 华东交通大学 | 一种稀土萃取分离过程组分含量区间控制方法 |
WO2017074921A1 (en) * | 2015-10-30 | 2017-05-04 | Ii-Vi Incorporated | Composite extractant-enhanced polymer resin, method of making the same, and its usage for extraction of valuable metal(s) |
CN106934233A (zh) * | 2017-03-09 | 2017-07-07 | 江西理工大学 | 一种基于psr模型的稀土矿区环境压力量化评估方法及*** |
CN108490779A (zh) * | 2018-03-20 | 2018-09-04 | 华东交通大学 | 一种稀土萃取过程解耦控制方法 |
CN108898620A (zh) * | 2018-06-14 | 2018-11-27 | 厦门大学 | 基于多重孪生神经网络与区域神经网络的目标跟踪方法 |
CN109376933A (zh) * | 2018-10-30 | 2019-02-22 | 成都云材智慧数据科技有限公司 | 基于神经网络的锂离子电池负极材料能量密度预测方法 |
CN109492287A (zh) * | 2018-10-30 | 2019-03-19 | 成都云材智慧数据科技有限公司 | 一种基于bp神经网络的固态电解质离子电导率预测方法 |
CN109839825A (zh) * | 2019-01-28 | 2019-06-04 | 华东交通大学 | 一种稀土萃取过程组分含量的预测控制方法及*** |
CN110060744A (zh) * | 2018-11-16 | 2019-07-26 | 兰州大学 | 一种环隙式离心萃取器工艺参数与单级萃取性能之间关系的综合计算及模拟方法 |
CN110147778A (zh) * | 2019-05-27 | 2019-08-20 | 江西理工大学 | 稀土矿开采识别方法、装置、设备及存储介质 |
CN110223288A (zh) * | 2019-06-17 | 2019-09-10 | 华东交通大学 | 一种稀土萃取过程多组分含量预测方法及*** |
CN111180017A (zh) * | 2020-01-09 | 2020-05-19 | 江西理工大学 | 离子型稀土浸矿剂用量的计算方法 |
CN111444889A (zh) * | 2020-04-30 | 2020-07-24 | 南京大学 | 基于多级条件影响的卷积神经网络的细粒度动作检测方法 |
US20200311914A1 (en) * | 2017-04-25 | 2020-10-01 | The Board Of Trustees Of Leland Stanford University | Dose reduction for medical imaging using deep convolutional neural networks |
CN112669452A (zh) * | 2021-01-08 | 2021-04-16 | 天津大学 | 一种基于卷积神经网络多分支结构的物体定位方法 |
-
2021
- 2021-04-23 CN CN202110440712.5A patent/CN113130014B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344583A (zh) * | 2013-07-09 | 2013-10-09 | 华东交通大学 | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测***及方法 |
WO2017074921A1 (en) * | 2015-10-30 | 2017-05-04 | Ii-Vi Incorporated | Composite extractant-enhanced polymer resin, method of making the same, and its usage for extraction of valuable metal(s) |
CN106354017A (zh) * | 2016-11-14 | 2017-01-25 | 华东交通大学 | 一种稀土萃取分离过程组分含量区间控制方法 |
CN106934233A (zh) * | 2017-03-09 | 2017-07-07 | 江西理工大学 | 一种基于psr模型的稀土矿区环境压力量化评估方法及*** |
US20200311914A1 (en) * | 2017-04-25 | 2020-10-01 | The Board Of Trustees Of Leland Stanford University | Dose reduction for medical imaging using deep convolutional neural networks |
CN108490779A (zh) * | 2018-03-20 | 2018-09-04 | 华东交通大学 | 一种稀土萃取过程解耦控制方法 |
CN108898620A (zh) * | 2018-06-14 | 2018-11-27 | 厦门大学 | 基于多重孪生神经网络与区域神经网络的目标跟踪方法 |
CN109376933A (zh) * | 2018-10-30 | 2019-02-22 | 成都云材智慧数据科技有限公司 | 基于神经网络的锂离子电池负极材料能量密度预测方法 |
CN109492287A (zh) * | 2018-10-30 | 2019-03-19 | 成都云材智慧数据科技有限公司 | 一种基于bp神经网络的固态电解质离子电导率预测方法 |
CN110060744A (zh) * | 2018-11-16 | 2019-07-26 | 兰州大学 | 一种环隙式离心萃取器工艺参数与单级萃取性能之间关系的综合计算及模拟方法 |
CN109839825A (zh) * | 2019-01-28 | 2019-06-04 | 华东交通大学 | 一种稀土萃取过程组分含量的预测控制方法及*** |
CN110147778A (zh) * | 2019-05-27 | 2019-08-20 | 江西理工大学 | 稀土矿开采识别方法、装置、设备及存储介质 |
CN110223288A (zh) * | 2019-06-17 | 2019-09-10 | 华东交通大学 | 一种稀土萃取过程多组分含量预测方法及*** |
US20200394494A1 (en) * | 2019-06-17 | 2020-12-17 | East China Jiaotong University | Method And System For Predicting Content Of Multiple Components In Rare Earth Extraction Process |
CN111180017A (zh) * | 2020-01-09 | 2020-05-19 | 江西理工大学 | 离子型稀土浸矿剂用量的计算方法 |
CN111444889A (zh) * | 2020-04-30 | 2020-07-24 | 南京大学 | 基于多级条件影响的卷积神经网络的细粒度动作检测方法 |
CN112669452A (zh) * | 2021-01-08 | 2021-04-16 | 天津大学 | 一种基于卷积神经网络多分支结构的物体定位方法 |
Non-Patent Citations (4)
Title |
---|
YIQIAN MA 等: "Neural Network Modeling for the Extraction of Rare Earth Elements from Eudialyte Concentrate by Dry Digestion and Leaching", 《METALS》 * |
何丽娟: "稀土萃取分离过程组分含量控制方法研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
杨辉 等: "基于分离系数校正的稀土萃取流程模拟", 《化工学报》 * |
陆荣秀 等: "基于改进即时学习算法的镨/钕元素组分含量预测", 《控制理论与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330089A (zh) * | 2021-07-28 | 2022-04-12 | 华东交通大学 | 一种稀土元素含量变化预测方法及*** |
CN114330089B (zh) * | 2021-07-28 | 2024-05-14 | 华东交通大学 | 一种稀土元素含量变化预测方法及*** |
CN115182083A (zh) * | 2022-07-11 | 2022-10-14 | 浙江理工大学 | 一种织布机了机智能预测模型的构建方法和构建装置 |
CN115182083B (zh) * | 2022-07-11 | 2023-06-16 | 浙江理工大学 | 一种织布机了机智能预测模型的构建方法和构建装置 |
CN115206455A (zh) * | 2022-07-28 | 2022-10-18 | 江西理工大学 | 基于深度神经网络的稀土元素组分含量预测方法及*** |
CN118161876A (zh) * | 2024-05-13 | 2024-06-11 | 上海若祎新材料科技有限公司 | 一种β-葡聚糖的超临界流体萃取分离设备及其控制方法 |
CN118161876B (zh) * | 2024-05-13 | 2024-08-27 | 上海若祎新材料科技有限公司 | 一种β-葡聚糖的超临界流体萃取分离设备及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113130014B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113130014B (zh) | 一种基于多分支神经网络的稀土萃取模拟方法及*** | |
CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、***及电子设备 | |
CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
CN104537415B (zh) | 一种基于压缩感知和dros‑elm的非线性过程工业故障预测及识别方法 | |
CN106326984A (zh) | 用户意图识别方法和装置、自动应答*** | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN108564326A (zh) | 订单的预测方法及装置、计算机可读介质、物流*** | |
CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
CN106529185B (zh) | 一种古建筑位移的组合预测方法及*** | |
CN110489749B (zh) | 一种智能办公自动化***的业务流程优化方法 | |
CN112947300A (zh) | 一种加工质量虚拟量测方法、***、介质及设备 | |
CN105740354A (zh) | 自适应潜在狄利克雷模型选择的方法及装置 | |
CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
CN112765894A (zh) | 一种基于k-lstm的铝电解槽状态预测方法 | |
CN109459933A (zh) | 一种基于异步状态观测器的马尔科夫跳变***控制方法 | |
CN108921287A (zh) | 一种神经网络模型的优化方法及*** | |
CN108694480A (zh) | 基于改进的长短时记忆网络的金融数据预测方法 | |
Ueda et al. | An effective approach to detect the source (s) of out-of-control signals in productive processes by vector error correction (VEC) residual and Hotelling’s T2 decomposition techniques | |
Li et al. | Multiple-input multiple-output soft sensors based on KPCA and MKLS-SVM for quality prediction in atmospheric distillation column | |
Michelle et al. | A bibliometric analysis of generative design, algorithmic design, and parametric design in architecture | |
CN112801415A (zh) | 基于马尔科夫链分布模型的超短期负荷预测方法及*** | |
CN114298413B (zh) | 一种水电机组振摆趋势预测方法 | |
CN116134387B (zh) | 用于确定工业任务的ai模型的压缩率的方法和*** | |
CN114330089B (zh) | 一种稀土元素含量变化预测方法及*** |
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 |