隨著天然氣脫碳工藝的迅速發(fā)展,已經(jīng)積累了許多脫碳工藝相關(guān)的專家知識,但是目前主要還是依靠專業(yè)技術(shù)人員的經(jīng)驗,實現(xiàn)脫碳工藝的操作,對操作人員的技術(shù)要求較高,而且在現(xiàn)有的案例數(shù)據(jù)中,為實現(xiàn)脫碳工藝優(yōu)化具有較大的難度。本論文在對MDEA脫碳工藝參數(shù)的選擇及工藝參數(shù)設(shè)置范圍進(jìn)行研究的基礎(chǔ)上,通過引入組合預(yù)測算法實現(xiàn)MDEA脫碳工藝參數(shù)的模擬計算,簡化了傳統(tǒng)脫碳工藝參數(shù)優(yōu)化的復(fù)雜過程,為脫碳工藝優(yōu)化提供了一定的指導(dǎo)作用。首先,在分析MDEA脫碳工藝推薦理論基礎(chǔ)上,通過分析MDEA脫碳工藝相關(guān)參數(shù),研究現(xiàn)有工藝推薦系統(tǒng)模型的結(jié)構(gòu)特點;其次,根據(jù)基于多算法的組合預(yù)測模型特點,構(gòu)建了基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型、基于粒子群算法優(yōu)化的支持向量回歸預(yù)測模型,構(gòu)建的多算法組合預(yù)測模型優(yōu)于原始的單預(yù)測模型;然后,根據(jù)多模型的組合預(yù)測算法機(jī)理,通過對比分析所構(gòu)建的幾種預(yù)測模型,從中選取預(yù)測效果最佳的3個預(yù)測模型作為子模型,采用基于博弈論的Shaply值進(jìn)行權(quán)重分配,構(gòu)建了基于Shaply值的組合預(yù)測模型,經(jīng)過試驗分析,具有預(yù)測精度高和擬合效果較好的優(yōu)點,從而對解決復(fù)雜數(shù)據(jù)具有一定的研究價值。最后,構(gòu)建...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3-1回歸預(yù)測模型預(yù)測結(jié)果對比

第三章單預(yù)測算法應(yīng)用于溶液循環(huán)量預(yù)測21表3-2回歸預(yù)測模型對比單預(yù)測模型平均絕對誤差MAE均方根誤差RMSE決定系數(shù)2R貝葉斯嶺回歸4.7962646.9883460.94862線性回歸4.7995496.9864810.931398彈性網(wǎng)絡(luò)回歸20.62169226.6740....

圖3-2BP神經(jīng)網(wǎng)絡(luò)溶液循環(huán)量預(yù)測

西安石油大學(xué)碩士學(xué)位論文24（1）陷入局部極小值問題。由于該算法其初始權(quán)值和閾值都是隨機(jī)生成的，使用梯度下降算法進(jìn)行權(quán)值的更新，可能會使得權(quán)值收斂于某一局部極小值，造成訓(xùn)練失敗，而達(dá)不到全局最優(yōu)值，導(dǎo)致預(yù)測存在偏差。（2）學(xué)習(xí)時間長、速度慢。非線性函數(shù)比較復(fù)雜，函數(shù)收斂較為困難，....

圖4-3遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

第四章組合預(yù)測算法應(yīng)用于溶液循環(huán)量預(yù)測31經(jīng)網(wǎng)絡(luò)具有一定的優(yōu)勢。輸入層神經(jīng)元個數(shù)為脫碳工藝參數(shù)的個數(shù)，即6個，輸出層神經(jīng)元個數(shù)為輸出結(jié)果的個數(shù)即為1。由常用的隱含層神經(jīng)元個數(shù)計算式nml，其中m和l分別為輸入層神經(jīng)元的個數(shù)和輸出層神經(jīng)元的個數(shù)，表示的是1到10之間的整數(shù)，故由公式....

圖4-4BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

第四章組合預(yù)測算法應(yīng)用于溶液循環(huán)量預(yù)測31經(jīng)網(wǎng)絡(luò)具有一定的優(yōu)勢。輸入層神經(jīng)元個數(shù)為脫碳工藝參數(shù)的個數(shù)，即6個，輸出層神經(jīng)元個數(shù)為輸出結(jié)果的個數(shù)即為1。由常用的隱含層神經(jīng)元個數(shù)計算式nml，其中m和l分別為輸入層神經(jīng)元的個數(shù)和輸出層神經(jīng)元的個數(shù)，表示的是1到10之間的整數(shù)，故由公式....

本文編號：3911003