CN113537440A - 一种基于灰狼算法cstr周期操作参数的优化方法 - Google Patents
一种基于灰狼算法cstr周期操作参数的优化方法 Download PDFInfo
- Publication number
- CN113537440A CN113537440A CN202110755099.6A CN202110755099A CN113537440A CN 113537440 A CN113537440 A CN 113537440A CN 202110755099 A CN202110755099 A CN 202110755099A CN 113537440 A CN113537440 A CN 113537440A
- Authority
- CN
- China
- Prior art keywords
- cstr
- algorithm
- wolf
- parameters
- 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.)
- Withdrawn
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000737 periodic effect Effects 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 239000000376 reactant Substances 0.000 claims description 15
- 239000002994 raw material Substances 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000001816 cooling Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000009776 industrial production Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000110 cooling liquid Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 208000012839 conversion disease Diseases 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 239000012809 cooling fluid Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 229920002994 synthetic fiber Polymers 0.000 description 1
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
- G06N3/004—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; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及一种CSTR操作参数的优化方法,特别是涉及一种基于灰狼算法CSTR周期操作参数的优化方法。
背景技术
CSTR反应釜是聚合化学反应中广泛使用的一种反应器,在化学生产的核心设备中占有相当重要的地位,在染料,医药试剂,食品及合成材料工业中,得到了广泛的应用。传统的化学反应在CSTR中运行一般采用稳态的操作,其目的是便于控制,随着技术的进步周期操作已经证实能够在稳态输出的基础上提高反应物的转化率。
目前的研究主要集中在周期操作反应转化率的分析和评估上,对于周期操作下***参数的优化问题研究较少,要想在周期操作下的反应率达到最优的效果必须引入优化方法对周期操作的参数进行优化寻优,利用启发式搜索方法分析是解决这类问题最有效、最快、最可靠的方法。自然启发算法具有良好的并行性和自主探索性,极大减少了解决复杂问题带来的时间成本与计算成本,给解决复杂问题提供了一种全新的思路和手段。灰狼算法是一种元启发式人工智能算法,具有差分进化和引力搜索能力,其结构简单、参数少、容易运算的特点。
发明内容
本发明的目的在于提供一种基于灰狼算法CSTR周期操作参数的优化方法,本发明首次提出了使用灰狼算法优化CSTR周期操作参数,能够在设置少量参数的情况下快速的找出一组使产物反应率明显提高的参数,对化学工业的转化率的提升有着重要的意义,为实际工业生产中周期操作的参数优化提供参考依据。
本发明的目的是通过以下技术方案实现的:
一种基于灰狼算法CSTR周期操作参数的优化方法,所述方法包括以下步骤:
步骤a,建立CSTR反应动力学的机理模型;
其中,步骤a具体包括
分析冷却流温度和原料流量的周期性操作对非等温CSTR性能的影响;
反应物A的反应速率:
反应物A的物质平衡方程是:
反应物A的能量平衡方程为:
步骤b中具体采用如下方式:
(1)初始化算法参数,设置种群规模,迭代次数和限制条件的范围,在参数空间产生一组灰狼搜索种群;
(2)计算初始狼群中每个搜索个体的目标函数值,排序并生成灰狼群的种族社会等级;
(3)更新非线性收敛因子a,系数A,C和灰狼个***置;
(4)在MATLAB仿真环境下运行CSTR的机理模型,对CSTR的输入进行周期操控,并向算法输出对应的适应度值;
(5)根据***输出的适应度值,更新当前狼群的位置,输出新的优化结果;
(6)重复步骤S23与S24,直到算法达到最大的迭代次数;
灰狼优化算法的目标函数具体的表现形式并设置其参数的限制范围:
本发明的优点与效果是:
本发明使用灰狼算法对周期操作下CSTR的参数进行优化,实现参数的智能寻优,辨识找出使反应物剩余量最小的一组参数。仿真结果表明,优化辨识出的参数能够使其反应物的反应率明显提高。
本发明方法依据CSTR***的机理模型,采用周期操作技术对CSTR进行操控,接着引用灰狼算法对其变量周期操作的参数幅值A和谐波频率优化寻找到使CSTR输出的剩余产物最小的参数。该方法简便实用,收敛性好,需要设置的参数少,运行快速,优化的参数可靠可行,为实际工业生产过程的周期操作参数整定提供了较好的参考,具有良好的工程应用前景。
本发明首次提出了使用灰狼算法优化CSTR周期操作参数,能够在设置少量参数的情况下快速的找出一组使产物反应率明显提高的参数,对化学工业的转化率的提升有着重要的意义,为实际工业生产中周期操作的参数优化提供参考依据。
附图说明
图1是基于灰狼算法的CSTR周期操作参数优化方法流程图;
图2为本发明灰狼优化算法优化参数流程;
图3是灰狼优化算法原理描述图;
图4是冷却液温度作为单周期操作的输入量时,优化其参数的最终原料剩余量与未优化时的对照图;
图5是反应物流速作为单周期操作的输入量时,优化其参数的最终原料剩余量与未优化时的对照图。
具体实施方式
下面结合附图所示实施例和实验例对本发明做进一步具体说明。
本发明一种基于灰狼算法的CSTR周期操作参数优化方法,包括如下步骤:
(1)建立CSTR的机理模型,使用周期操作对CSTR的输入量进行操控。
1:初始化算法的参数,设置种群规模,迭代次数,变量个数以及限制空间的大小;
2:计算初始狼群中每个搜索个体的目标函数值并且确定其最优值,次优值以及次次优的值,生成灰狼种群的社会等级;
3更新非线性收敛因子a,系数A,C和灰狼个***置;
4:在MATLAB仿真环境下运行CSTR的机理模型,对CSTR的输入进行周期操控,并向算法输出对应的适应度值;
5:根据***输出的适应度值,更新当前狼群的位置,输出新的优化结果;
6:重复步骤S23与S24,直到算法达到最大的迭代次数;
该方法建立灰狼优化算法的目标函数具体的表现形式并设置其参数的限制范围:
实施例:
如图1所示,为一种基于灰狼算法的CSTR周期操作参数优化方法的流程图,要实现对CSTR周期操作的参数优化辨识,首先建立CSTR的机理模型;接下来进行算法的参数设置,对算法种群进行初始化,进行运算根据适应度的大小选择狼群个体的顺序,适应度越小,参数越接近实际值,检查迭代次数是否达到最大以此判断优化是否结束。如果已达到最大迭代数,输出此时的最优狼的位置,实现周期操作参数的优化辨识,如果未达到最大迭代数,那么需要重新回到种群初始化的步骤,继续计算,直到满足条件。
图2为灰狼算法的优化流程图,灰狼优化算法(Grey Wolf Optimizer,GWO)由Mirjalili等人在2014年首次提出,算法中的狼群模拟了自然中的狼群的等级制度,从不同的影响力和领导能力的角度分为四个等级,分别为狼,其中作为最佳适应度值的候选狼的,第二和第三适应度值的候选狼为和,算法中除了上述三种狼其余的狼总称为。
当狼群发现猎物时,头狼 发出猎杀指令,带领狼群对猎物发起攻击,因为狼、狼、狼位置最靠近猎物,所以根据这三头狼的位置可以判断猎物的位置也就是最佳狼的位置。此时狩猎猎物的过程可以用公式(6)-(8)来描述:
实验例:
将反应物流速和冷却液温度作为周期操作的输入量为优化目标进行参数优化,所用仿真平台处理器为Intel Core i5-8400,主频2.8GHz,内存8G,操作***为Win10的PC,采用matlab2019(b)版进行算法编程与***仿真。
步骤1,搭建CSTR反应动力学的的机理模型。根据CSTR的能量与物料守恒定律在matlab中建立其机理模型。
步骤2,分别将反应物流速和冷却液温度作为周期操作的输入量输入到CSTR的机理模型中。
本发明一种基于灰狼算法的CSTR周期操作参数优化方法,使用灰狼算法对周期操作的参数进行优化,得到的优化剩余产物量如图4,冷却液温度作为操作的输入量时,优化其参数的最终原料剩余量与未优化时的对照图,与图5反应物流速作为操作的输入量时,优化其参数的最终原料剩余量与未优化时的对照图,其结果显示,该方法优化后的原料剩余明显少于优化前的剩余。
以上所述,仅为本发明较佳的具体实施方式,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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于灰狼算法CSTR周期操作参数的优化方法,其特征在于,所述方法包括以下步骤:
步骤a,建立CSTR反应动力学的机理模型;
其中,步骤a具体包括
分析冷却流温度和原料流量的周期性操作对非等温CSTR性能的影响;
反应物A的反应速率:
反应物A的物质平衡方程是:
反应物A的能量平衡方程为:
步骤b中具体采用如下方式:
(1)初始化算法参数,设置种群规模,迭代次数和限制条件的范围,在参数空间产生一组灰狼搜索种群;
(2)计算初始狼群中每个搜索个体的目标函数值,排序并生成灰狼群的种族社会等级;
(3)更新非线性收敛因子a,系数A,C和灰狼个***置;
(4)在MATLAB仿真环境下运行CSTR的机理模型,对CSTR的输入进行周期操控,并向算法输出对应的适应度值;
(5)根据***输出的适应度值,更新当前狼群的位置,输出新的优化结果;
(6)重复步骤S23与S24,直到算法达到最大的迭代次数;
(7)完成优化;
灰狼优化算法的目标函数具体的表现形式并设置其参数的限制范围:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110755099.6A CN113537440A (zh) | 2021-07-05 | 2021-07-05 | 一种基于灰狼算法cstr周期操作参数的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110755099.6A CN113537440A (zh) | 2021-07-05 | 2021-07-05 | 一种基于灰狼算法cstr周期操作参数的优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537440A true CN113537440A (zh) | 2021-10-22 |
Family
ID=78126660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110755099.6A Withdrawn CN113537440A (zh) | 2021-07-05 | 2021-07-05 | 一种基于灰狼算法cstr周期操作参数的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537440A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975747A (zh) * | 2016-04-27 | 2016-09-28 | 渤海大学 | 一种基于无迹卡尔曼滤波算法的cstr模型参数辨识方法 |
CN107067121A (zh) * | 2017-06-13 | 2017-08-18 | 广东工业大学 | 一种基于多目标的改进灰狼优化算法 |
CN108460548A (zh) * | 2018-05-17 | 2018-08-28 | 西安建筑科技大学 | 一种基于改进灰狼算法的多金属露天矿生产作业计划编制方法 |
CN110020711A (zh) * | 2019-03-25 | 2019-07-16 | 湖北工业大学 | 一种采用灰狼优化算法的大数据分析方法 |
CN110095988A (zh) * | 2019-05-27 | 2019-08-06 | 杭州电子科技大学 | 一种连续搅拌反应釜状态估计器的参数优化方法 |
CN110794676A (zh) * | 2019-11-04 | 2020-02-14 | 江苏理工学院 | 基于Hammerstein-Wiener模型的CSTR过程非线性控制方法 |
CN112861427A (zh) * | 2021-01-15 | 2021-05-28 | 湖南科技大学 | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 |
-
2021
- 2021-07-05 CN CN202110755099.6A patent/CN113537440A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975747A (zh) * | 2016-04-27 | 2016-09-28 | 渤海大学 | 一种基于无迹卡尔曼滤波算法的cstr模型参数辨识方法 |
CN107067121A (zh) * | 2017-06-13 | 2017-08-18 | 广东工业大学 | 一种基于多目标的改进灰狼优化算法 |
CN108460548A (zh) * | 2018-05-17 | 2018-08-28 | 西安建筑科技大学 | 一种基于改进灰狼算法的多金属露天矿生产作业计划编制方法 |
CN110020711A (zh) * | 2019-03-25 | 2019-07-16 | 湖北工业大学 | 一种采用灰狼优化算法的大数据分析方法 |
CN110095988A (zh) * | 2019-05-27 | 2019-08-06 | 杭州电子科技大学 | 一种连续搅拌反应釜状态估计器的参数优化方法 |
CN110794676A (zh) * | 2019-11-04 | 2020-02-14 | 江苏理工学院 | 基于Hammerstein-Wiener模型的CSTR过程非线性控制方法 |
CN112861427A (zh) * | 2021-01-15 | 2021-05-28 | 湖南科技大学 | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
HONGYAN SHI等: "Optimal design of the inlet temperature based periodic operation of non-isothermal CSTR using nonlinear output frequency response functions", IFAC-PAPERSONLINE, vol. 51, no. 18, pages 620 - 625 * |
PRADEEP GUPTA等: "Comparative Study of Some Optimization Techniques Applied to Jacketed CSTR Control", 2015 4TH INTERNATIONAL CONFERENCE ON RELIABILITY, INFOCOM TECHNOLOGIES AND OPTIMIZATION (ICRITO) (TRENDS AND FUTURE DIRECTIONS), pages 420 - 422 * |
史洪岩等: "非等温CSTR周期操作的非线性输出频率响应评估", 化学工程, vol. 49, no. 6, pages 58 - 62 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hosen et al. | Control of polystyrene batch reactors using neural network based model predictive control (NNMPC): An experimental investigation | |
Chen et al. | Modelling and optimization of fed-batch fermentation processes using dynamic neural networks and genetic algorithms | |
Yuzgec et al. | Dynamic neural-network-based model-predictive control of an industrial baker's yeast drying process | |
Ifrim et al. | Multivariable feedback linearizing control of Chlamydomonas reinhardtii photoautotrophic growth process in a torus photobioreactor | |
JP2022537799A (ja) | 生物工学的生産を最適化するための方法および手段 | |
Cui et al. | Factorial kernel dynamic policy programming for vinyl acetate monomer plant model control | |
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 | |
Daoutidis et al. | Dynamics and control of cell populations in continuous bioreactors | |
Galvanauskas et al. | Model based design of a biochemical cultivation process | |
Tiwari et al. | Fractional order PID (FOPID) controller based temperature control of bioreactor | |
Chai et al. | Fermentation process control and optimization | |
CN113537440A (zh) | 一种基于灰狼算法cstr周期操作参数的优化方法 | |
Ji et al. | Arrhenius. jl: A Differentiable Combustion SimulationPackage | |
Zhang et al. | Smpl: Simulated industrial manufacturing and process control learning environments | |
CN106126784A (zh) | 一种连续搅拌反应釜的优化模型 | |
Julien et al. | Bioreactor monitoring, modeling, and simulation | |
Li et al. | Modeling and optimum operating conditions for FCCU using artificial neural network | |
CN115470685A (zh) | 一种基于数字孪生体系的大米供应链优化模型构建方法 | |
Doncescu et al. | Biological systems analysis using inductive logic programming | |
Sangregorio-Soto et al. | Application of simultaneous dynamic optimization in the productivity of microalgae continuous culture | |
Yang et al. | Comprehensive optimization of batch process based on particle swarm optimization algorithm | |
Atasoy et al. | Optimisation of operating conditions in fed-batch baker’s yeast fermentation | |
Ekpo et al. | Performance analysis of three controllers for the polymerisation of styrene in a batch reactor | |
Rocha et al. | Evolutionary algorithms for optimal control in fed-batch fermentation processes | |
Narayanan et al. | Consistent value creation from bioprocess data with customized algorithms: Opportunities beyond multivariate analysis |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211022 |