基于神经网络-遗传算法优化制氢工艺水碳比

根据某炼油厂制氢车间的生产数据,用人工神经网络(ANN)的反向传播(BP)算法建立了制氢装置转化生产中的水碳比神经网络预测模型,生产数据的检验表明,ANN方法能准确地关联和预报制氢装置转化生产中的水碳比,水碳比预测平均相对误差为2．83％;该神经网络预测模型用遗传算法优化并得到了最佳制氢工艺操作条件。     

用于催化裂化装置产率预测的Filter-Wrapper特征变量选择方法

催化裂化过程是重质油轻质化的重要手段,为了研究操作条件、原料性质等因素对产品分布的影响,通常需要对催化裂化过程建立准确可靠的数学模型。选择合适的输入变量对模型预测效果有着较大的影响,而在现有的催化裂化装置模型中,输入变量的选取主要依赖于对催化裂化机理的理解。本文从数据驱动建模的角度出发,提出一种Filter法与Wrapper法联合使用的特征子集选择方法。该方法在输入变量选取的过程中不依赖于催化裂化的先验知识,是一种数据驱动的自发的特征变量选择过程。以某炼油厂催化裂化装置为研究对象,利用该装置的生产数据分别选择用于干气和焦炭产率预测模型的输入变量,建立了预测精度高、输入变量数目适中的模型。此外,该方法为催化裂化装置建模的变量选取提供了新角度。     

用于催化裂化装置产率预测的Filter-Wrapper特征变量选择方法

催化裂化过程是重质油轻质化的重要手段,为了研究操作条件、原料性质等因素对产品分布的影响,通常需要对催化裂化过程建立准确可靠的数学模型。选择合适的输入变量对模型预测效果有着较大的影响,而在现有的催化裂化装置模型中,输入变量的选取主要依赖于对催化裂化机理的理解。本文从数据驱动建模的角度出发,提出一种Filter法与Wrapper法联合使用的特征子集选择方法。该方法在输入变量选取的过程中不依赖于催化裂化的先验知识,是一种数据驱动的自发的特征变量选择过程。以某炼油厂催化裂化装置为研究对象,利用该装置的生产数据分别选择用于干气和焦炭产率预测模型的输入变量,建立了预测精度高、输入变量数目适中的模型。此外,该方法为催化裂化装置建模的变量选取提供了新角度。     

基于遗传BP神经网络预测硫在高含硫气体中溶解度

为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。     

基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测

为进一步探究熔融沉积成型(FDM) 3D打印参数和制件弯曲性能之间的关系,创建合理的FDM 3D打印制件弯曲强度预测模型。根据正交试验L16 (45)的设计原则和神经网络算法模型的构建要求,按照不同分层高度、填充密度、打印温度、打印速度以及外壳厚度五种因素,制备25组试验试样,并进行弯曲性能检测。随后通过建立GA-BP神经网络模型、传统BP神经网络模型以及多元回归方程模型,分别对FDM 3D打印制件弯曲性能进行预测,并将预测数据与试验测试数据进行对比。通过对比发现,GA-BP神经网络模型预测数据与试验测试数据更为接近,其平均误差为3.71%,且误差值整体波动最小,BP神经网络模型与多元回归方程模型预测精度相差不大,BP神经网络模型预测平均误差为8.05%,多元回归方程模型预测平均误差为9.07%,但多元回归方程误差值整体波动最大。因此,采用GA遗传算法优化后的BP神经网络模型在进行FDM 3D打印制件弯曲性能预测方面具有更高的精度和更良好的稳定性。     

腐蚀海洋立管剩余强度预测

利用人工神经网络具有的高度非线性映射功能,对在役腐蚀海洋立管的剩余强度进行预测。综合分析了管径、壁厚、腐蚀缺陷长度、腐蚀缺陷深度和管材极限抗拉强度对腐蚀海洋立管剩余强度的影响,建立了反向传播(BP)神经网络预测模型。利用遗传算法(GA)优化BP神经网络的权值和阈值,构建了GA-BP神经网络预测模型。采用DNV-RP-F101标准计算出来的样本数据分别对以上两种网络模型进行训练和预测。预测结果表明:利用人工神经网络对腐蚀海洋立管剩余强度进行预测是可行的,且GA-BP神经网络能够有效地提高网络的收敛性和预测精度。     

基于优化神经网络的高拱坝力学参数反演

高拱坝力学性能参数变化规律复杂,使用人工智能算法进行预测已经成为反演参数的重要手段。使用遗传算法对神经网络进行优化来检验优化后算法的性能,并比较不同算法应用于参数反演中预测结果的精度。根据某高拱坝运行期变形监测数据,分别使用RBF神经网络和遗传算法优化的BP(GA-BP)神经网络对不同水位工况下的坝段分区混凝土弹性模量进行反演。基于反演结果进行有限元正分析计算,将所得结果与实测数据进行对比,检验反演精度和效率。结果表明:GA-BP网络的最大预测误差为1.8%,相比于RBF网络预测精度提高了约50%。使用神经网络进行拱坝力学参数反演实用性好,优化后的神经网络比传统BP神经网络在计算精度和效率两方面均有明显改进,且GA-BP神经网络反演比RBF神经网络反演精度更高。     

遗传算法优化BP神经网络的水泥窑温度预测模型研究

水泥窑内温度的控制效果直接决定水泥熟料的质量。由于回转窑煅烧具有大滞后、非线性、多变量等复杂特性,并且各个因素之间存在相互联系和不确定性,这给回转窑温度的控制带来了困难。本文利用BP神经网络建立回转窑温度预测模型,并利用遗传算法对模型进行优化,将优化前后的仿真结果对比后发现,使用遗传算法优化后的BP神经网络回转窑温度预测模型的预测精度高于单独使用BP神经网络搭建的回转窑温度预测模型精度,为回转窑温度的预测提供了一种新的方法。     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

遗传算法耦合BP神经网络在注塑成型工艺中的应用

建立了一种遗传算法耦合反向传播(BP)神经网络的非线性计算模型,并将该计算模型用于以塑料收纳盒盖板为对象的注塑成型工艺参数的分析与控制。首先通过Taguchi正交试验法设计了一系列工艺参数数据组合,然后利用Moldflow软件得到相关工艺参数对应的翘曲变形结果,再将数据分别导入BP网络模型及遗传算法优化过的BP网络模型。结果表明:与普通BP神经网络计算模型相比,优化后的计算模型具有更好的稳定性和更高的计算精度,能够更好地应用于注塑成型工艺参数分析与控制。     

GA-BP神经网络在钢铁加热炉建模中的应用

基于现场采集的大量的数据,采用BP神经网络建立现场加热炉炉温的非线性模型,并提出利用遗传算法优化BP神经网络的参数与阈值,有效避免了BP神经网络易陷入局部最小值、收敛速度慢的不足。仿真结果表明:在同样的数据集下,GA-BP神经网络的稳定性更好,预测精度更高。     

基于SHPSO-GA-BP的成品汽油调和中加氢汽油组分辛烷值的预测

针对成品汽油调和配方建模中加氢汽油组分辛烷值难以实时获取,考虑遗传算法（genetic algorithm,GA）、粒子群算法（particle swarm optimization,PSO）优化反向传播（back propagation,BP）网络存在的问题,提出了一种串行混合粒子群遗传算法（serial hybrid PSO-GA,SHPSO-GA）优化BP网络,并用于辛烷值的预测建模。该方法首先将PSO算法的输出依据适应度值分为优劣2个种群,弃劣留优;然后对留优种群再进行GA的交叉变异操作,进一步优化种群,经过每一代PSO和GA的交替优化,并将最优种群用于BP网络参数优化;最后基于该方法和工业历史数据,建立了加氢汽油组分辛烷值的预测模型,仿真结果表明,较传统BP,以及改进的GA-BP、PSO-BP、PSO-GA-BP等方法,SHPSO-GA-BP由于将PSO与GA进行更优的深度融合,具有更好的预测性能,可以用于辛烷值的预测。     

基于GA-BP神经网络的超临界CO2传热特性预测研究

超临界二氧化碳（S-CO₂）动力循环在能源利用领域中拥有广阔的应用前景,其中超临界CO₂的传热特性对其能量转换效率至关重要。开展了超临界CO₂在水平小圆管内对流传热实验研究,并通过建立遗传算法优化的BP神经网络模型（GA-BP）,对其在不同工况下的传热特性进行预测分析。实验参数范围：系统压力7.5~9.5 MPa,质量流速1100~2100 kg/（m²?s）,热通量120~560 kW/m²。实验结果表明,超临界CO₂传热系数随流体温度的升高先增大后减小,在拟临界温度附近达到最大值。GA-BP神经网络模型能有效地预测超临界CO₂的传热系数,预测数据的决定系数R²为0.99662,超过95%的数据误差位于±10%范围内,平均误差为3.55%,为超临界流体传热预测提供新的思路。     

基于ASO-BP神经网络的海底油气管道腐蚀速率预测

随着我国海洋油气管网的发展与建设,管道数据采集量随之增大,优秀的预测模型可以应对大量数据,准确预测管道腐蚀速率,对保障管道安全健康运行具有重大意义。将原子搜索优化算法（ASO）思想引入BP （Back propagation）神经网络,构建ASO-BP神经网络用于海底油气管道腐蚀速率的预测。以50组现场数据为例,使用Matlab进行模拟仿真计算,分别构建具有代表性的BP、GA-BP和ACO-BP模型作为对比,对海底油气管道腐蚀速率数据进行训练和预测,结果表明ASO-BP模型预测精度较高,其平均绝对百分比误差（MAPE）为3.16%,预测结果优于BP、GA-BP和ACO-BP,验证了其可靠性以及良好的预测性能,为海底管道腐蚀速率预测研究提供了新的方法和思路。     

多级库存集成模型优化预测研究

以供应链多级库存为研究背景,建立以生产为中心的供应、生产和销售3个环节的多级库存集成化动态模型,并对模型进行仿真优化。结合训练神经网络的混合算法GA-BP算法,提出了基于遗传算法与人工神经网络相结合的优化预测模型。最后给出实例说明GA-BP算法优化预测模型的求解过程,验证了模型的可行性。     

基于混合遗传算法的人工神经网络模型及其对有机化合物熔点的预测

为了避免BP神经网络在训练过程中收敛于局部极小的缺陷,采用自适应交叉变异、最优保存的混合遗传算法对BP网络的权值和阈值进行优化,从而提出一种新的基于混合遗传算法的神经网络模型.该算法首先对一给定的网络结构,采用混合自适应交叉变异和最优保存策略,取各自的长处,用尽可能少的搜索代数找到问题的最优解,从而既防止算法陷入局部最优,又保证算法有较好的平均适应值和最佳的适应值个体.采用上述优化策略的人工神经网络可明显改善收敛的稳定性和收敛速度,并确保网络收敛于全局极小点.人工神经网络运用于物性数据的预测是一个具有潜力和有待开发的领域.运用该模型,根据有机化合物的分子量、临界密度、正常沸点和偶极矩,对其熔点进行预测.预测结果表明：提出的混合遗传算法神经网络优于其他算法神经网络,而且预测结果优于文献上已有的Joback方程和许氏方程的计算值.     

基于人工蜂群算法优化LSSVM的蒸汽干度软测量

为了提高蒸汽干度测量的精确性,提出了基人工蜂群优化最小二乘支持向量机的干度软测量模型。首先利用人工蜂群算法对最小二乘支持向量机的核参数进行参数优化,然后利用优化后的最小二乘支持向量机干度测量模型对干度进行软测量,软测量结果表明基于人工蜂群优化的最小二乘支持向量机的测量效果满足了精度要求。最后运用最小二乘支持向量机和BP神经网络模型对干度进行了软测量,结果表明:基于人工蜂群优化的最小二乘支持向量机软测量模型具有测量精度高,测量稳定性好的优点。     

基于GA-BP神经网络的多传感器轴承故障诊断

由于单一传感器采集滚动轴承的故障信息精度较低,提出基于GA-BP神经网络的多传感器信息融合方法。首先使用单一传感器采集其状态信息,并采用小波包分析提取轴承故障状态特征,然后采用遗传算法(GA)优化BP神经网络对单传感器进行滚动轴承故障诊断,接着运用DS证据理论把每一个诊断结果进行信息融合,最终得到诊断结果。仿真实验结果表明:该方法可提高滚动轴承故障诊断的精确度和效率。