對燒結(jié)煙氣NO_x生成量進行預測,能為燒結(jié)NO_x源頭和過程減排提供有效指導。利用BP神經(jīng)網(wǎng)絡模型和RBF神經(jīng)網(wǎng)絡模型對燒結(jié)煙氣NO_x進行了預測,在此基礎上結(jié)合BP模型自適應學習能力強和RBF模型快速收斂的特性,采用優(yōu)化模型結(jié)構(gòu)、設立連接層的方法,構(gòu)建RBF-BP混合神經(jīng)網(wǎng)絡模型進行了NO_x預測研究,并對3種模型的預測結(jié)果進行了對比分析。研究表明,3種神經(jīng)網(wǎng)絡模型中,RBF-BP混合模型的均方根誤差為11.37 mg/m³,平均絕對誤差為7.14 mg/m³,最大絕對誤差為35.47 mg/m³,最小絕對誤差為0.008 3 mg/m³,各評價指標均為3種模型中最優(yōu),混合神經(jīng)網(wǎng)絡模型的預測數(shù)據(jù)穩(wěn)定性更好,結(jié)果擬合程度更高且收斂速度最快。采用混合模型預測NO_x能有效消除煙氣NO_x生成量反饋延遲。 

【文章來源】：鋼鐵研究學報. 2020,32(07)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡模型結(jié)構(gòu)

同時,為避免不同量級數(shù)據(jù)相互影響,模型訓練時的輸入和輸出數(shù)據(jù)均需要進行歸一化處理,將數(shù)據(jù)映射到[-1,1]區(qū)間上。而在模型訓練完畢,輸出預測結(jié)果時,只需要將輸出數(shù)據(jù)進行反歸一化,映射回原取值區(qū)間內(nèi)。設訓練數(shù)據(jù)中輸入值最大值和最小值為Xmax和Xmin,輸出值最大值和最小值為Ymax和Ymin,則輸入和輸出數(shù)據(jù)歸一化處理可用式(15)和式(16)計算,輸出數(shù)據(jù)的反歸一化處理可用式(17)計算。X nor = X-X max X max -X min ?????? ??? (15)

【參考文獻】：
期刊論文
[1]固體燃料類型及其燃燒行為對燒結(jié)過程NOx排放的影響[J]. 闕志剛,吳勝利,艾仙斌,范敏,熊繼海.  鋼鐵研究學報. 2019(06)
[2]改進的BP神經(jīng)網(wǎng)絡算法的研究與應用[J]. 富宇,李倩,劉澎.  計算機與數(shù)字工程. 2019(05)
[3]基于RBF-BP組合神經(jīng)網(wǎng)絡的鋼絲繩斷絲定量識別[J]. 趙曉莉,郭寧,高鑫宇.  煤炭技術(shù). 2019(05)
[4]燃料特性對鐵礦燒結(jié)過程NO排放行為的影響[J]. 朱夢飛,李東升,謝運強,甘牧原,春鐵軍.  燒結(jié)球團. 2019(02)
[5]燒結(jié)礦催化還原NO的實驗研究[J]. 萬軍營,陳鐵軍,周仙霖,羅艷紅,黃開偉.  鋼鐵研究學報. 2019(04)
[6]基于LM算法的神經(jīng)網(wǎng)絡模型預測爆破塊度[J]. 王仁超,吳松.  水力發(fā)電學報. 2019(07)
[7]基于多模型聚類集成的鍋爐煙氣NOx排放量預測模型[J]. 甄成剛,劉懷遠.  熱力發(fā)電. 2019(04)
[8]基于BP神經(jīng)網(wǎng)絡的COREX鐵水硅含量預測模型[J]. 文冰潔,吳勝利,周恒,顧凱.  鋼鐵研究學報. 2018(10)
[9]基于神經(jīng)網(wǎng)絡在線學習的脫硝系統(tǒng)入口氮氧化物預測[J]. 金秀章,張少康.  河北大學學報(自然科學版). 2018(04)
[10]生物質(zhì)燒結(jié)燃料性能優(yōu)化研究[J]. 劉超,張玉柱,邢宏偉,康月.  東北大學學報(自然科學版). 2017(12)

博士論文
[1]鐵礦燒結(jié)煙氣減量排放基礎理論與工藝研究[D]. 潘建.中南大學 2007

碩士論文
[1]燒結(jié)主要工藝參數(shù)對煙氣中NOx排放的影響研究[D]. 蘇玉棟.上海交通大學 2014



本文編號：3291207