排序方式: 共有29条查询结果,搜索用时 46 毫秒
1.
造纸废水处理过程具有高维、非线性和不稳定性等特点,并且其温室气体排放受诸多因素影响,目前缺乏可描述该过程的模型,因此难以对造纸废水处理过程的温室气体排放进行有效地管控与优化。本课题基于造纸废水处理温室气体产生机理,提出将响应面模型(Response Surface Model,RSM)、Kriging等方法与高维模型表征(High Dimensional Model Representation,HDMR)相结合,建立造纸废水处理过程中温室气体排放的代理模型,保障模型精度,同时降低优化设计所需计算成本。研究结果表明,对比于RSM-HDMR,Kriging-HDMR具有更高的近似精度,其验证结果R2大于0.95,更适用于高维、非线性的造纸废水处理过程。最后还基于Kriging-HDMR进行了关键参数的灵敏度分析,发现溶解氧传递系数和外循环流量对造纸废水处理温室气体减排最为关键。 相似文献
2.
3.
箱纸板生产涉及一系列复杂工艺流程,且由于缺乏关键质量的在线监测手段,进而导致质量管控困难。为此,本研究尝试基于机器学习方法建立可在线监测箱纸板质量的预测模型,也称软测量模型,以促进上述问题的有效解决。本研究采用箱纸板企业实际数据,训练并比较了随机森林(RF)、梯度提升回归(GBR)、K近邻回归(KNN)及偏最小二乘回归(PLS)在多项质量指标上的预测表现。结果表明,不同质量指标本身很大程度上影响了预测精度的上限,而不同算法对理论上限的逼近程度有显著差异。复杂、非线性的集成模型(RF、GBR)相较于简单模型(KNN、PLS)有更好的表现。 相似文献
4.
5.
6.
针对成都东部地区的基坑边坡遇水后容易发生侧向位移,导致初期支护变形超限的难题,通过一个实际工程,介绍了锚拉桩基坑支护工程变形超限后的加固处理方案,可为类似工程提供指导和经验。 相似文献
7.
本研究采用深度学习算法,对造纸废水处理过程的温室气体(GHG)排放进行建模与分析,以期为温室气体减排控制提供参考。结合造纸废水处理温室气体产生机理,在基准仿真1号模型(BSM1)的实验基础上,将深度神经网络(DNN)模型和长短期记忆网络(LSTM)模型用于造纸废水处理过程中温室气体排放建模与分析,以辅助温室气体在线监测和分析。结果表明,深度学习模型可以有效地捕捉温室气体排放的特征。模型验证结果 R2>0.99,平均相对误差不超过1%。基于DNN的灵敏度分析结果表明,曝气强度、污泥排放量、溶解氧浓度及内循环流量是影响造纸废水处理过程温室气体排放的关键操纵变量,水质变量和操纵变量间的相互作用是影响温室气体排放的潜在因素。 相似文献
8.
本研究提出了一种基于支持向量机(SVM)算法的造纸过程磨后浆料纤维形态软测量模型,该模型利用原始浆板纤维形态参数和磨浆参数作为输入,用于在线软测量生产过程中的磨后浆料纤维形态。结果表明,采用SVM算法进行建模时,7种磨后浆料纤维形态软测量模型的平均相对误差在2.87%~5.61%之间,均优于采用偏最小二乘回归(PLS)算法的建模效果(平均相对误差3.09%~6.60%),模型精度良好,满足生产中纤维形态实时检测对误差的要求。 相似文献
9.
10.