基于改进WOA-LSTM的焦炭质量预测

“双碳”背景下，提升焦炭质量是保证钢铁行业高质量发展的研究重点之一，而炼焦行业存在着在线实时监测难、焦炭质量预测模型泛化能力差等问题。为此，提出一种通过自适应全局搜索算法，即改进鲸鱼优化算法（WOA）与长短期记忆（LSTM）循环神经网络综合建模的方法来解决这一问题。首先选取出配合煤中可反映焦炭质量的可测参数，再运用主成分分析（PCA）去除变异性小的冗余因子后，得到预测因子，将其作为LSTM网络的外部输入；通过加入自适应惯性权重以及最佳扰动更新改进WOA，从而训练LSTM网络的超参数，采用均方根误差（RMSE）和R-squared 进行算法检验；最后将改进后的AGWOA-LSTM模型与典型的LSTM、WOA-LSTM模型进行对比，以验证本方法的优越性。结果表明AGWOA-LSTM模型预测焦炭质量具有精度高、运行速度快等特点。研究对焦炭生产具有一定的理论指导意义。     

基于变异CPSO算法的LSSVM蒸发过程软测量

在分析混沌粒子群优化算法(CPSO)和最小二乘支持向量机(SVM)理论基础上,以某氧化铝厂蒸发过程为对象,采用带有末位淘汰机制的混沌粒子群优化算法优化支持向量机的参数,建立了基于变异CPSO算法的LS-SVM的氧化铝蒸发过程软测量模型,并与PSO-LSSVM、LSSVM模型比较,研究表明,ICPSO-LSSVM模型预测准确,泛化性能好,且该模型预测结果中相对误差小于5%的样本达到92.5%,最大相对误差仅为8.1%,均方差MSE为0.05153,模型具有较高的精度,其现场实施结果表明基本可以实现出口浓度的实时在线预估。     

基于时序InSAR监测的VMD-SSA-LSTM矿区地表形变预测模型研究

矿区地表形变引起的滑坡、塌陷等灾害对矿山安全生产造成了极大影响，因此对地表形变进行预测对于矿山安全开采和灾害预警预报具有重要的现实意义。采用时序InSAR技术获取矿区面域式地表形变数据，结合变分模态分解算法(VMD)对其进行分解，通过构建麻雀优化算法(SSA)与长短期记忆神经网络(LSTM)相结合的预测模型，对分解后的形变分量进行综合预测；以云南省玉溪市大红山矿区为例，利用该模型对其地表形变进行了预测，结果表明：VMD算法在一定程度上可以解决矿山地表形变数据时序特征复杂且难以直接分析判别的问题；SSA-LSTM预测模型通过智能搜索算法自动寻找预测网络模型超参数，有效减少了人为因素对模型预测效果的干扰，模型预测结果的决定系数R²均大于0.96;同时，该模型采用“多维输入”的方式训练模型，提高了训练效率；该模型在预测精度、训练效率等方面均取得了较好的效果。采用VMD-SSA-LSTM预测算法对时间序列InSAR监测下的形变数据进行分析能有效预测矿区地表形变，可为矿山安全生产管理提供参考。     

粒子群优化算法在催化裂化模型参数估计中的应用

参数估计是化工模型工业应用中的重要课题,有相当的难度。针对催化裂化八集总模型的动力学参数估计问题,考察了不同类型优化算法的应用效果,结果表明,粒子群优化算法简单、容易实现,而且可以避免传统方法对初始值的依赖,并进一步提出用结合Levenberg-Marquardt算法的混合粒子群优化算法提高参数估计效果。工业实例表明,用混合粒子群优化算法得到的动力学参数可以保证模型的预测精度。     

基于粒子群优化算法-广义回归神经网络的磷化膜耐蚀性预测模型

选取磷化液温度、磷化液游离酸度和磷化时间作为输入参数,耐点蚀时间作为输出参数,引入广义回归神经网络(GRNN)建立磷化膜耐蚀性预测模型,并分别采用果蝇优化算法(FOA)、粒子群优化算法(PSO)对平滑因子寻优进而优化预测模型.使用18组训练样本对优化后模型进行训练,9组检验样本用于优化后模型的预测准确度评价.结果表明:PSO-GRNN模型的预测值非常接近真实值,预测相对误差在[0.001,1.778]区间内,均方根误差最低、为0.682.与常规BPNN模型和FOA-GRNN模型相比,PSO-GRNN模型的预测准确度较高,对磷化膜耐蚀性预测效果良好.     

基于人工智能算法的氯盐侵蚀混凝土预测模型

本文基于机器学习算法建立了输电塔桩基混凝土氯离子浓度预测模型,通过相关系数、均方根误差、绝对平均误差和方差比对模型进行检验,并根据蒙特卡洛模拟对模型的稳健性进行分析,同时基于海马优化器对模型进行优化。结果表明,支持向量机(SVM)模型、随机森林(RF)模型和梯度提升树(GBDT)模型都可以准确预测输电塔桩基混凝土中氯离子浓度,相关系数R²均大于0.880,均方根误差小于0.009,绝对平均误差小于0.006,方差比大于0.890。根据误差和稳健性分析结果,建议混凝土中氯离子浓度的预测计算优先使用GBDT模型和SVM模型。根据优化结果,海马优化器能显著提升模型的性能。     

基于ISCA-BP算法的天然气水合物预测模型

为了建立更加准确、稳定的天然气水合物预测模型,利用改进正余弦算法优化神经网络,在正余弦算法(SCA)位置变化中加入非线性权重,对个体位置进行修正,提高算法收敛精度;融入Levy飞行改进SCA算法,强化局部搜索能力;将改进的正余弦算法用于BP神经网络参数优化,搭建ISCA-BP天然气水合物预测模型。与传统的热力学模型和BP模型模拟结果进行了对比,并且将该模型应用到气田现场测试。结果表明,ISCA-BP模型预测结果绝对相对误差为1.990%,平均绝对相对误差仅为0.339%,与其他热力学模型和BP模型相比,误差最小,预测结果精度高,稳定性好。在酸性体系和含醇盐体系中,都具有更准确的表现。ISCA-BP模型现场应用效果良好,可为抑制剂注入量的确定和现场安全运行策略的制定提供理论依据。     

即时局部建模在填料塔液泛气速预测的应用

填料塔在工业生产中应用广泛,准确预测填料塔的液泛气速具有重要的应用价值。实际的填料类型多种多样,获取的填料数据也存在差异,单一全局模型的预测效果受到一定的限制。首先给出了岭参数极限学习机模型及其节点增加的递推算法,以有效更新在线模型。结合即时学习方式,提出了局部递推岭参数极限学习机在线建模方法,用于填料塔液泛气速的预测。实验结果表明所提出方法能更充分挖掘数据间的相关信息,预测效果优于相应的全局模型。     

基于PSO算法的ARMA模型长江化工污染水质预测

针对时间序列分析ARMA模型预测的问题,在研究传统预测方法缺点的基础上,提出了用粒子群优化算法(PSO)确定ARMA(r,m)模型的自回归阶数r和滑动平均阶数m的新方法。首先根据ARMA(r,m)模型对预测值与实际值提出相应的粒子群优化算法的适应度函数;然后选取适当的学习因子、惯性权重、种群大小、粒子速度和迭代次数,通过迭代找到最优解;然后找到最优的ARMA(r,m)模型对长江流域水质进行预测。通过MATLAB进行仿真证明了该方法简单可行,很大程度上提高了对长江水质化学污染的预测精度。     

基于在线聚类的多模型软测量建模方法

针对石化行业中软测量建模样本的特性,提出一种基于在线聚类和v-支持向量回归机(vSVR)的多模型软测量建模方法。在vSVR建模过程中,通过在线聚类算法改善vSVR模型参数选择算法的稳定性,并用vSVR参数的先验知识和KKT条件实现模型参数的快速寻优,提高了模型的学习效率和精度。该建模方法在加氢裂化分馏塔装置的轻石脑油终馏点在线预测系统中取得了良好的效果。     

基于鲸鱼优化算法的汽轮机热耗率模型预测

为了准确地建立汽轮机热耗率预测模型,提出了一种基于反向学习自适应的鲸鱼优化算法（AWOA）和快速学习网（FLN）综合建模的方法。首先将改进后的鲸鱼算法与经典改进的粒子群、差分进化算法和基本鲸鱼算法进行比较,结果证明其具有更高的收敛精度和更快的收敛速度;然后采用某热电厂600 MW超临界汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,并将改进后的鲸鱼算法优化的快速学习网模型的预测结果与基本快速学习网及经典改进的粒子群、差分进化算法和基本鲸鱼算法优化的快速学习网模型预测结果相比较。结果表明,AWOA-FLN预测模型具有更高的预测精度和更强的泛化能力,更能准确地预测汽轮机的热耗率。     

基于因子分析的PSO-ELM岩溶发育预测模型研究

岩溶发育是由多个影响因素共同作用的结果，具有成因复杂、隐蔽性强等特点，对地面设施和人员安全构成了潜在威胁。对岩溶发育进行评估及预测，可以在岩溶致灾前采取预防措施，减少岩溶灾害带来的损失。以武汉市某岩溶区工程为例，对岩溶区溶洞的赋存规律进行分析，确定地下稳定水位埋深、覆盖层厚度、基岩层数等9个影响因素，利用因子分析提取5个公因子，提出了一种在因子分析的基础上利用粒子群算法(PSO)优化极限学习机(ELM)的岩溶发育预测模型，利用现场的60组实测数据作为样本进行学习预测，以其中50组作为训练集，其余10组作为测试集，对预测模型的精度进行验证，结果表明：PSO-ELM预测模型的预测值与实际值吻合较好。将PSO-ELM预测模型与ELM预测模型的预测结果进行对比分析，发现PSO-ELM预测模型的精度更高。     

基于PSO的精馏塔稳态优化

本文主要研究了精馏塔的稳态优化问题。采用基于平衡级模型的矩阵法,对一个脱甲烷塔进行了模拟计算,精度满足要求,用来获得精馏塔的若干工作状态,利用回归分析得到精馏操作的简化模型作为优化的等式机理约束。基于对过程和实际需要的分析,提出了精馏塔稳态优化问题,最后用微粒群(PSO)优化算法求解目标函数并得到最优化解,优化结果为精馏塔的操作提供了参考指导。     

粒子群算法优化的人工神经网络预测Ni-Fe合金镀层的性能

建立了粒子群算法优化的人工神经网络预测模型。以工艺参数为输入变量,以单因素试验得到的Ni-Fe合金镀层的性能指标为输出变量,将粒子群算法优化的人工神经网络预测模型的预测结果与传统BP神经网络预测模型的预测结果进行了比较。结果表明:粒子群算法优化的人工神经网络预测模型具有更高的预测精度。通过建立模型得到了各个工艺参数对Ni-Fe合金镀层性能指标的评价指标权重。当电流密度为1.0～1.5A/dm2、镀液温度为45℃、搅拌速率为1 000～1 200r/min时,Ni-Fe合金镀层的表面粗糙度和腐蚀速率均处于较低水平。     

基于新型蚁群算法优化的重油热裂解模型

针对重油热裂解模型的参数估计问题呈高维、高度非线性的特征,提出一种基于新型蚁群算法优化的重油热裂解模型.通过新型蚁群算法优化确定模型参数,获得具有良好预测精度的模型.新型蚁群算法通过将解空间划分成若干子域,并引入遗传操作,实现连续优化问题的寻优.仿真结果表明它具有良好的性能,且优于传统的遗传算法.     

基于Kriging的差分进化算法及其在苯乙烯流程优化中的应用

自适应差分进化算法基于个体生成策略和控制参数自适应,无须人为设置参数,对问题有较好的适应性,但其收敛速度和精度有待提高。将具有较高预测精度的Kriging模型应用于自适应差分进化算法中,建立跟随种群变化的Kriging模型,通过模型极值点与种群最优个体竞争,对种群产生扰动,影响种群进化过程,改善算法的收敛速度和寻优性能。对10个典型测试函数的测试结果表明,该算法较标准和自适应差分进化算法收敛速度加快,收敛精度提高,且具有更好的稳定性。将基于Kriging的差分进化算法应用于苯乙烯装置的流程优化,操作运行费用显著降低。     

改进全局优化算法的注射成型工艺参数优化

提出了同时考虑预测响应值以及期望改善准则的改进高效全局优化(IMEGO)算法。IMEGO算法在增加样本点提高模型精度的迭代过程中,优先考虑模型的最优解,同时增加更加严谨的收敛准则。以1个一维测试函数和3个二维测试函数为例,将该优化方法与传统的高效全局优化算法(EGO)方法进行比较。结果表明, IMEGO算法能有效搜索到全局最优解。将其应用于显示器外壳注塑制品的成型工艺参数优化,结果显示IMEGO方法具有较好的工程实际意义。     

基于并行EGO和代理模型辅助的多参数优化方法研究

化工流程模拟优化问题常常具有高维、非线性的特点，使得仿真计算难以收敛。过长的求解时间是调度优化和运行优化的主要瓶颈之一。采用代理模型对机理模型进行替代是降低计算复杂度、保证结果准确性的有效途径。Kriging代理模型具有较强的非线性近似性，但处理高维问题依然较为困难。因此，本文研究并行EGO(efficient global optimization)算法与代理模型集成，并将模型应用于化工过程。并行EGO算法以Kriging代理模型的预测函数和误差函数为基础，先推导出样本分布概率密度函数与累积分布函数相结合的解析表达式；然后通过PEI(pseudo expected improvement)准则得到新的样本点以更新代理模型；最后结合改进的差分进化算法对优化参数进行全局搜索。在保证结果准确性的前提下，将本文算法与其他优化算法进行比较。8个多峰测试函数的测试结果表明，该算法的收敛速度提高了85%。然后将其应用于双级氨吸收制冷过程的模拟，结果表明该方法的模拟误差小于0.01%，优化时间从9846 s缩短至3705 s。     

改进樽海鞘算法的持液率预测模型研究

为了提高对湿气管道持液率的预测精度,文中对输入参数进行灰色关联熵设计,减少单纯关联度设计参数的波动性影响。其次针对一般樽海鞘算法在寻优过程中易出现“早熟”难题,提出双更新机制的樽海鞘算法。它通过双更新机制、参数微调、猴群跳跃策略、衰减因子调整来改进其寻优性能。最后用新改进算法优化BP神经网络持液率预测模型的权值和阈值,其模型所求预测结果与传统BP算法及其他一般算法优化BP神经网络预测模型的预测结果进行对比。仿真实验表明：文中算法新模型求出的预测精度较高、适用范围广,明显优于其他算法,为湿气管道的持液率精确预测提供了一种新方法。     

基于鲸鱼算法优化深度极限学习机的锂离子电池剩余使用寿命间接预测

鉴于对锂离子电池直接预测剩余使用寿命（RUL）困难，而极限学习机预测效果不稳定的现状，提出基于等压降放电时间和深度极限学习机（DELM）相结合的间接预测方法。首先，在恒流放电过程中提取出表征电池性能退化的等压降放电时间，分析它与容量间的相关程度并选之作为间接健康因子；其次，引入鲸鱼优化算法（WOA）优化深度极限学习机模型参数，构建锂离子电池RUL预测模型。用锂离子电池数据集中的B0005、B0007两个电池进行实验，结果表明：基于等压降放电时间的WOA-DELM模型预测方法相较于BP神经网络、DELM和PSO-DELM，能够更加准确地预测出锂离子电池的RUL，预测误差±5%，具有较好的预测精度和较快的收敛速度。