模糊灰色认知网络的建模方法及应用

针对具有不确定性非线性系统的机理模型难以建立的问题,提出了基于模糊灰色认知网络（Fuzzy grey cognitive networks,FGCN）的非线性系统建模方法.该方法将模糊认知网络和灰色系统理论相结合,把模糊认知网络的节点状态值和权值扩展为灰色区间,引入灰度来评判可靠性.采用一种带终端约束的非线性Hebbian学习算法（Nonlinear hebbian learning,NHL）辨识FGCN的模型参数,引入了与FGCN模型中节点的系统实际测量值对应的灰数值,在更新机制中增加了包含系统测量值与预测值之差的修正项,对权值进行有监督的修正.利用水箱控制系统进行的仿真实验结果表明,本文提出的建模方法能解决对数据存在不确定性或缺失的复杂系统建模的难题,所建的模型能做出接近人类智能的控制决策,所采用的权值学习方法具有收敛速度快、学习结果精准等优点,并克服了传统非线性Hebbian算法对初始值依赖性强的缺点,对不确定性系统的建模具有广泛适用性.     

基于模糊认知网络的改进非线性Hebbian算法

针对难以用机理模型准确描述的非线性系统,研究基于模糊认知网络(fuzzy cognitive networks,FCN)的非线性系统建模和参数辨识问题.首先,建立非线性系统的具有数值推理和模糊信息表达的模糊认知网络模型,利用包含节点、权值和反馈的有向图表示系统.其次,由于模型的精确性取决于权值参数,提出了一种带终端约束的非线性Hebbian学习算法(nonlinear Hebbian learning,NHL).该算法在权值的学习过程中引入了FCN模型中节点的系统实际值,在原更新机制的基础上,增加了包含反馈值与预测值差值的修正项,然后归一化得到最终权值迭代公式.该算法具有收敛速度快、学习结果精准等优点,解决了传统非线性Hebbian算法对初始值依赖性强的缺点.最后将所提出的方法运用到水箱控制系统,仿真结果说明了基于FCN的非线性Hebbian学习算法的有效性.     

低碳烷烃烯烃在超微孔柔性Cu(Qc)2上的吸附行为

采用实验研究与分子模拟相结合的方法研究了低碳烷烃烯烃在超微孔柔性Cu(Qc)₂上的吸附热力学、动力学和吸附分离机理。用常温合成方法制备了超微孔金属-有机骨架材料Cu(Qc)₂,测定了低碳烷烃烯烃（CH₄/C₂H₄/C₂H₆/C₃H₆/C₃H₈）在Cu(Qc)₂上的吸附相平衡和吸附动力学。使用Materials Studio中的Fortcite模块模拟低碳烷烃烯烃在超微孔柔性Cu(Qc)₂上的吸附机理以及材料的结构形变。结果表明Cu(Qc)₂具有优良的C₂H₆ /C₂H₄吸附选择性和吸附动力学,而对C₃H₈ /C₃H₆的吸附选择性很低。273 K和0.1 MPa下,C₂H₆/C₂H₄在Cu(Qc)₂上的IAST选择性达4.6。298 K和0.05 MPa下C₂H₆/C₂H₄在Cu(Qc)₂上的扩散时间常数分别达1.42×10^-3和1.48×10^-3_{s^-1,扩散活化能分别为16.62 和16.43 kJ/mol。应用装填Cu(Qc)2的固定床可在常温条件下实现C2H6 /C2H4二元混合气的完全分离。模拟结果显示Cu(Qc)2为二维堆叠结构,材料会由于吸附不同分子而发生不同程度的结构形变。甲烷易从变大的层间扩散脱附,导致其在材料上的吸附量很低;C2H6/C2H4两者都能稳定吸附在层中的孔道中,其分离推动力主要来源于两种气体在材料上明显的吸附热差异;C3H8/C3H6会分别吸附在两种不同的环境,吸附热差异小导致Cu(Qc)2对C3H8 /C3H6的吸附选择性低。}     

一种具有高CO吸附容量和高CO/N2及CO/CO2分离选择性的CuCl@β吸附剂

研制了一种新型的CuCl@β分子筛吸附剂材料,它不仅对CO有着高吸附容量,而且对CO/N₂和CO/CO₂的二元混合气有着高吸附选择性。利用自发单层分散的原理制备了一系列的CuCl@β分子筛材料,分别应用氮气吸附以及XRD进行表征。CO在CuCl@β分子筛上吸附等温线和动态透过曲线分别通过静态吸附和固定床实验获得。依据IAST理论模型计算了CuCl@β分子筛对CO/N₂二元混合物和CO/CO₂二元混合物的吸附选择性。研究结果表明:(1)氯化亚铜的负载增强了一氧化碳在CuCl@β分子筛上的吸附容量,其最佳负载量为0.4 g·g^-1。(2)CuCl@β分子筛吸附剂在增强CO的吸附量的同时,还降低了对二氧化碳和氮气的吸附。由于Cu⁺-CO π位络合键的存在,提高了CuCl@β分子筛对二元混合物CO/N₂和CO/CO₂的吸附选择性。(3)在低压下(0～10 kPa)下0.4CuCl@β分子筛对CO/N₂和CO/CO₂的吸附选择性分别高达1600～5200和120～370,远大于原始的β分子筛。CuCl@β分子筛对CO有着超高吸附容量以及吸附选择性,将会是一种很有潜力的CO分离提纯材料。