異構(gòu)化是芳烴生產(chǎn)中的重要環(huán)節(jié),提高異構(gòu)化環(huán)節(jié)的建模和優(yōu)化效率對工業(yè)生產(chǎn)有著重要意義。但是,直接使用機(jī)理模型的優(yōu)化過程耗時(shí)較長,優(yōu)化效率低。代理模型可以有效地對機(jī)理模型進(jìn)行近似,而代理模型采樣方法對模型精度有很大影響。提出了一種新的基于稀疏度和最鄰近期望的自適應(yīng)采樣算法,該方法可以平衡全局搜索和局部搜索,通過求解優(yōu)化問題找到反映函數(shù)關(guān)鍵信息的新采樣點(diǎn),再加入原始樣本集中,使得代理模型精度不斷提高。多個(gè)測試函數(shù)結(jié)果表明,相比于其他自適應(yīng)采樣算法,該算法能有效提升代理模型精度和建模效率。該算法在芳烴異構(gòu)化環(huán)節(jié)代理模型中也得到了有效驗(yàn)證,與本文中其他算法對比,該算法模型誤差減少5%以上,建模時(shí)間縮短30%以上。 

【文章來源】：化工學(xué)報(bào). 2020,71(02)北大核心EICSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

稀疏度計(jì)算流程圖

整個(gè)流程的關(guān)鍵就是步驟（3）中如何找到反映原始函數(shù)關(guān)鍵信息的采樣點(diǎn)。在搜索新采樣點(diǎn)過程中代理模型應(yīng)與原始適應(yīng)度函數(shù)一起使用[30]。新采樣點(diǎn)一方面要考慮全局信息，即新采樣點(diǎn)應(yīng)該在采樣點(diǎn)稀疏的空間內(nèi)，以保證代理模型在整個(gè)搜索空間的泛化性，同時(shí)要考慮響應(yīng)值的局部信息，即波動較大的區(qū)域應(yīng)該有較多的采樣點(diǎn)以保證代理模型在此區(qū)域的準(zhǔn)確性，本文根據(jù)稀疏度和最鄰近期望的乘積最大來尋找新采樣點(diǎn)。稀疏度Sparsity負(fù)責(zé)控制全局搜索，最鄰近期望NNE負(fù)責(zé)局部關(guān)鍵信息搜索。R為采樣空間定義域。初始樣本點(diǎn)通過拉丁超立方采樣獲得，終止條件為新增采樣點(diǎn)個(gè)數(shù)達(dá)到設(shè)定值。使用模式搜索法[31]求解式(9)�？紤]到搜索過程中需要計(jì)算歐式距離，但是實(shí)際應(yīng)用中，很多情況下不同維的數(shù)據(jù)的量綱不同時(shí)，歐式距離可能會有較大誤差，所以在構(gòu)建代理模型前，將所有數(shù)據(jù)根據(jù)采樣空間的上下限進(jìn)行歸一化，這樣保證歐式距離的計(jì)算不會受到量綱的影響。具體流程如圖3所示。

初始采樣點(diǎn)20，新增采樣點(diǎn)80，通過ASSA-SNN得到的樣本點(diǎn)分布如圖4 PK函數(shù)采樣點(diǎn)分布情況所示，可以看出在新增的采樣點(diǎn)主要集中在上下兩個(gè)極值點(diǎn)附近，而其余較為平坦的區(qū)域采樣點(diǎn)較少。使用均方根誤差（root mean square error,RMSE）來對算法的精度進(jìn)行評估，RMSE表達(dá)式為圖4 PK函數(shù)采樣點(diǎn)分布情況

【參考文獻(xiàn)】：
期刊論文
[1]基于新型自適應(yīng)采樣算法的催化重整過程代理模型[J]. 張劍超,杜文莉,覃水.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[2]Kriging模型及代理優(yōu)化算法研究進(jìn)展[J]. 韓忠華.  航空學(xué)報(bào). 2016(11)
[3]基于bootstrap GEI算法的碳二加氫反應(yīng)器代理模型[J]. 段星辰,杜文莉.  化工學(xué)報(bào). 2015(12)
[4]基于Kriging的差分進(jìn)化算法及其在苯乙烯流程優(yōu)化中的應(yīng)用[J]. 王曉強(qiáng),羅娜,葉貞成,錢鋒.  化工學(xué)報(bào). 2013(12)
[5]工業(yè)異構(gòu)化反應(yīng)器建模及仿真[J]. 徐歐官,傅永峰,陳祥華.  化工學(xué)報(bào). 2011(08)

碩士論文
[1]二甲苯異構(gòu)化反應(yīng)器的模擬研究[D]. 劉祥榮.北京化工大學(xué) 2010



本文編號：3432984