数据驱动的燃煤电厂脱硫系统多目标优化

本文利用某燃煤电厂湿法烟气脱硫系统的数据对比随机森林、极致梯度提升、支持向量回归、深度神经网络、长短时记忆神经网络五种模型的预测效果,结果显示长短时记忆神经网络的效果优于其它四种模型。基于该模型结合多目标粒子群优化算法,进一步对脱硫系统相关参数开展多目标优化,优化结果验证了本文提出的数据驱动的脱硫系统多目标优化模型的有效性。     

一种基于神经网络的燃烧模型及其先验性检验

本研究采用神经网络方法,对准确的化学反应速率与反应标量之间的非线性关系进行建模,发展了一种基于人工神经网络(ANN)的燃烧模型．借鉴动态二阶矩模型建模思想,将标量分布的梯度纳入神经网络模型的输入集中,进一步发展出梯度输入人工神经网络(ANN-G)模型．基于一个预混火焰直接数值模拟数据库,对人工神经网络模型进行先验性研究,发现对于反应区域较薄的反应步,ANN模型与ANN-G模型都能准确计算化学反应速率．在泛化验证中,ANN-G模型比ANN模型表现更好．     

湍流火焰切向应变率的低维近似模型

利用理论方法,提出切向应变率二维与三维概率密度函数（PDF）之间的关系. 基于3种不同湍流强度的自由传播预混火焰直接数值模拟（DNS）数据库,建立人工神经网络（ANN）和随机森林（RF）模型,从低维量预测三维切向应变速率. 机器学习模型的输入特征包括组分质量分数、二维火焰面法向量梯度和二维速度梯度张量. 模型预测结果与DNS结果对比表明,理论模型预测的PDF与DNS的真实PDF吻合较好. RF模型的预测值与DNS实际值间的相关系数大于0.97,优于ANN模型. RF模型得到的PDF与真实PDF间的误差小于理论模型得到的PDF与真实PDF间的误差. RF模型能够由低维量准确预测三维切向应变率.     

基于样本优选的集成学习在脱硫优化中的应用

基于实际电厂的大量脱硫数据,删除初始脱硫数据库中异常值和非稳态值,提取与输出相关系数较高的集成学习模型输入参数,采用改进的基于随机采样和聚类采样的集成学习算法,建立预测脱硫塔循环泵开启台数的集成学习模型,研究分类问题中样本不均衡、优选样本评价标准缺失和脱硫优化的问题. 结果显示,与改进前模型相比,改进后的集成学习模型总体预测准确度提升了33%,并且基于聚类的采样略优于随机采样. 此外,对单一类别预测的召回率进行分析,对比不同算法对少数类和多数类的召回率,结果显示2种改进的采样方法对少数类的预测有较大的提升,预测的召回率大于90%,对多数类的预测也有一定的提升效果. 讨论泵组合作为模型输出时,其样本分布和模型精度的差异.     

预测生物质热解动力学参数的随机森林模型

基于大量已发表的生物质热解实验数据,采用数值方法拟合全局反应热解模型的动力学参数,建立生物质热解的训练和验证数据库,并利用随机森林算法研究生物质热解动力学参数与生物质种类和加热条件之间的非线性关系,发展预测生物质热解动力学参数的随机森林模型. 训练和验证的结果显示：随机森林模型能够较好地预测训练数据库中的生物质热解的动力学参数(R²>0.92),并能够准确预测验证数据库中的多种生物质的热解过程(R²>0.93). 此外,变量重要性分析结果显示：纤维素质量分数对于反应级数和活化能影响较大,木质素对于反应级数的影响最大. 加热条件对于活化能的影响可以忽略,但是对指前因子和反应级数的影响显著.     

基于物理信息神经网络的燃烧化学微分方程求解

为了有效地将湍流燃烧复杂的物理化学信息嵌入到物理信息神经网络（PINNs），选取湍流燃烧模拟中的2个典型场景案例，即刚性常微分方程ROBER问题及稳态射流火焰混合分数方程求解，探索PINNs在燃烧化学微分方程计算中的应用潜力. 结果表明，对于零维刚性反应系统，利用PINNs模型可以较好地捕捉到系统的演化过程；对于稳态射流火焰，PINNs的预测解与传统的数值解有较好的一致性. 残差点的选取对于燃烧化学领域内的复杂微分方程求解尤为重要，应基于具体的构型详细考虑.     

基于多门控混合专家网络的燃烧热化学流形表征

为了更好地在小火焰燃烧模型框架内实施燃烧热化学流形表征，采用多任务学习领域中的多门控混合专家网络（MMoE）.通过对三维层流喷雾射流火焰构型进行详细化学（DC）模拟，构建原始数据集.原始数据集经过Box-Cox转换和标准化处理，以应对燃烧数据的多尺度分布问题.对数据集进行Pearson相关系数分析，结果表明部分化学组分之间无明显的相关性.分别构建同等参数量规模的MMoE和前馈神经网络（FNN）模型，对比分析结果表明，2种模型取得的损失值和决定系数相近，但相比FNN模型，MMoE模型在训练过程中更加稳定，且取得的定量预测结果更加准确.