基于我國能源消費結構的特點以及能源安全、環(huán)保的要求,煤炭及其副產物的高效清潔轉化利用已成為必然趨勢。但是煤熱解、煤氣化等熱轉化方式往往需要在高溫高壓等苛刻的條件下進行,同時由于煤炭組成結構復雜且反應影響因素眾多,難以總結其反應規(guī)律。人工神經網絡中的BP神經網絡是具有很強的非線性的經驗模型,但傳統(tǒng)的BP神經網絡有收斂速度慢、易陷入局部極小等缺陷。因此,本文采用多種方法優(yōu)化BP神經網絡,并建立基于BP神經網絡的液化殘渣催化氣化模型和煤熱解反應模型,為煤及其副產物轉化過程的工藝設計與優(yōu)化提供重要的參考和依據(jù)。在液化殘渣催化氣化模型中,選取催化劑相對分子質量、催化劑熔點、催化劑擔載量和氣化終溫作為網絡輸入,選取氣化率、最大氣化速率和反應指數(shù)作為網絡輸出。首先對體系建立多輸出預測模型,包括BP多輸出預測模型、改進BP多輸出預測模型和變激勵函數(shù)多輸出預測模型,幾種模型預測樣本各輸出的平均誤差均小于6%,有較好的預測效果。且對比三個模型發(fā)現(xiàn),改進BP多輸出預測模型和變激勵函數(shù)多輸出預測模型無論是收斂速度還是預測精度均優(yōu)于BP多輸出預測模型。之后建立了BP單輸出預測模型并用權重分析法分析。通過模型分析... 

【文章來源】：西北大學陜西省 211工程院校

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

圖４．３為預測樣本的實驗值與預測值對比圖，網絡通過對訓練樣本的學習，對擔載??

４．３?Ｅｘｐｅｒｉｍｅｎｔａｌ?ａｎｄ?ｐｒｅｄｉｃｔｅｄ?ｖａｌｕｅ?ｏｆ?ｐｒｅｄｉｃｔｉｏｎ?ｓａ測樣本中各考察因素的相對誤差，氣化率、最為４．１０％、５．３０％、２．８９％，所有樣本中的最大預測模型有很好的預測能力，也證明ＢＰ神經表４．１?ＢＰ多輸出預測模型預測樣本誤差絕對值??ｓｏｌｕｔｅ?ｅｒｒｏｒｓ?ｏｆ?ｐｒｅｄｉｃｔｉｏｎ?ｓａｍｐｌｅｓ?ｉｎ?ＢＰ?ｍｕｌｔｉｐｌｅ－ｏｕｔｐｕ預測樣本相對誤差（％）??樣本一?樣本二?３．８０?４．３９（％）?６．７３?３．％—ｉ）?５．１２?０．６６

圖４．６為改進ＢＰ多輸出預測模型訓練樣本預測值與實驗值的對比情況，表示了網??絡的訓練結果，Ｈ個圖的橫坐標分別為氣化率、最大氣化速率Ｗ及反應指數(shù)的實驗值，??縱坐標分別為氣化率、最大氣化速率１＾＾？及反應指數(shù)的預測值。由圖可Ｗ看出，各樣本數(shù)??據(jù)均落于對角線上或其附近，說明訓練樣本的預測值與實驗值比較接近，建立的改進??ＢＰ多輸出預測模型具有良好的學習效果，可Ｗ用該模型對殘渣氣化體系進斤預測。??２８??

【參考文獻】：
期刊論文
[1]基于布谷鳥算法與BP神經網絡的煤灰變形溫度預測[J]. 沈銘科,黃鎮(zhèn)宇,王智化,周俊虎.  燃料化學學報. 2014(12)
[2]基于灰關聯(lián)和靈敏度的BP網絡隱含層結構優(yōu)化[J]. 張曉明,王芳,金玉雪,劉曉洋.  計算機測量與控制. 2014(09)
[3]一種黃金分割優(yōu)化的極限學習機算法[J]. 金培源,高波涌,陸慧娟.  中國計量學院學報. 2014(02)
[4]汽車聲品質的GA-BP神經網絡預測與權重分析[J]. 高印寒,唐榮江,梁杰,趙彤航,張澧桐.  光學精密工程. 2013(02)
[5]半焦基催化劑裂解煤熱解產物提高油氣品質[J]. 王興棟,韓江則,陸江銀,高士秋,許光文.  化工學報. 2012(12)
[6]基于模擬退火PSO-BP算法的鋼鐵生產能耗預測研究[J]. 黃文燕,羅飛,許玉格,王志平.  科學技術與工程. 2012(30)
[7]BP神經網絡樣本數(shù)據(jù)預處理應用研究[J]. 朱慶生,周冬冬,黃偉.  世界科技研究與發(fā)展. 2012 (04)
[8]現(xiàn)代煤化工產業(yè)的現(xiàn)狀及展望[J]. 張明.  化工機械. 2012(03)
[9]基于改進神經網絡的煤灰熔點預測方法[J]. 吳小麗,丁維明.  工業(yè)控制計算機. 2011(05)
[10]樣本數(shù)據(jù)預處理對基于BP神經網絡的GPS高程擬合的影響[J]. 張昊,王琪潔,朱建軍,張曉紅.  大地測量與地球動力學. 2011(02)

博士論文
[1]煤液化殘渣的組成結構分析和催化加氫[D]. 位艷賓.中國礦業(yè)大學 2013
[2]粒子群算法及其應用研究[D]. 雷開友.西南大學 2006

碩士論文
[1]液化殘渣在CO2氣氛下熱轉化特性熱重研究[D]. 段林娥.西北大學 2015
[2]煤熱解過程中熱解氣停留時間對熱解產物的影響[D]. 陳昭睿.浙江大學 2015



本文編號：2962929