一種散堆填料塔中持液量的預(yù)測(cè)方法
【專利摘要】一種散堆填料塔中持液量的預(yù)測(cè)方法，包括以下步驟：1）選擇影響持液量的流動(dòng)參數(shù)作為模型的輸入變量，建立數(shù)據(jù)樣本；2）針對(duì)步驟1）采集的數(shù)據(jù)特點(diǎn)，應(yīng)用RRELM方法，基于FLOO-CV準(zhǔn)則建立持液量模型，建立初始的預(yù)測(cè)持液量的RELM模型；3）應(yīng)用步驟2）基于FLOO-CV準(zhǔn)則建立的RRELM模型，計(jì)算得到最終的持液量的預(yù)測(cè)值：其中，Ht是根據(jù)測(cè)試樣本的輸入Xt而生成的隱層輸出矩陣，為最終的預(yù)測(cè)值。本發(fā)明的有益效果是：基于FLOO-CV準(zhǔn)則的RRELM建模方法，一方面克服了傳統(tǒng)經(jīng)驗(yàn)?zāi)Ｐ皖A(yù)測(cè)通用性差等缺點(diǎn)，另一方面較傳統(tǒng)BP-NN等提高了預(yù)測(cè)精度。
【專利說(shuō)明】一種散堆填料塔中持液量的預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及散堆填料塔中重要參數(shù)的預(yù)測(cè)方法，尤其是一種通用的，適合多種不同類型散堆填料塔中持液量的預(yù)測(cè)方法。
【背景技術(shù)】
[0002]填料塔設(shè)備在化工、煉油、石化、醫(yī)藥、及環(huán)保等工業(yè)領(lǐng)域均有非常廣泛的應(yīng)用。在石油煉廠和很多化工生產(chǎn)裝置中，填料塔設(shè)備的投資費(fèi)用約占整個(gè)工藝設(shè)備費(fèi)用的1/4。因此，填料塔的操作越接近其最大的有效生產(chǎn)能力，裝置的生產(chǎn)效率越高，相應(yīng)的能耗越少。
[0003]填料的流體力學(xué)特性主要包括液泛速度、壓力降及持液量三者，它們是選用填料以及設(shè)計(jì)填料塔首先需要考慮的因素。其中，液泛速度是確定塔徑大小的根據(jù)；壓力降為計(jì)算動(dòng)力消耗所必需，在真空精餾中又是決定某種填料是否適用的指標(biāo)；而塔內(nèi)持液量又是影響上述兩項(xiàng)數(shù)值的條件，而且，它也決定在操作溫度下液體的停留時(shí)間。對(duì)于一定形狀和大小的填料，必須了解其性質(zhì)和操作條件對(duì)流體力學(xué)特性的影響。因此，填料塔的持液量是一個(gè)影響塔性能的重要參數(shù)，確定各種類型填料的持液量也變得尤為重要，準(zhǔn)確的預(yù)測(cè)持液量對(duì)填料塔的設(shè)計(jì)與操作都具有重要的意義和應(yīng)用價(jià)值。
[0004]填料的持液量由靜持液量和動(dòng)持液量?jī)刹糠纸M成，靜持液量是由表面張力和重力之間的平衡決定的，受到系統(tǒng)性質(zhì)、填料表面積大小、表面特性等一系列因素影響，一般情況下認(rèn)為氣體和液體的流量對(duì)靜持液量影響不大。而動(dòng)持液量則與填料特性、系統(tǒng)性質(zhì)和氣液兩相流量都有關(guān)。早期的研究成果主要是根據(jù)實(shí)驗(yàn)數(shù)據(jù)而提出的用于塔設(shè)計(jì)計(jì)算的經(jīng)驗(yàn)和半經(jīng)驗(yàn)公式。此后，逐步建立了一些物理模型，并推導(dǎo)出了持液量計(jì)算的半理論公式。但是，由于兩相流理論的復(fù)雜性，迄今為止，對(duì)持液量數(shù)據(jù)的關(guān)聯(lián)基本上局限于載點(diǎn)氣速以下的范圍；而且，現(xiàn)代工業(yè)生產(chǎn)中所使用的大尺寸填料及新型填料在高液體負(fù)載操作下的持液量鮮有報(bào)道。因此，至今還沒(méi)有較準(zhǔn)確且通用的持液量預(yù)測(cè)模型，可適合多種工業(yè)填料塔的應(yīng)用。為了能滿足激烈的市場(chǎng)競(jìng)爭(zhēng)需求，有必要建立一種準(zhǔn)確度較高，通用性較強(qiáng)的持液量模型以適應(yīng)工程應(yīng)用。
[0005]隨著過(guò)程數(shù)據(jù)能夠及時(shí)獲得，各種數(shù)據(jù)驅(qū)動(dòng)的建模方法得到廣泛研究和應(yīng)用，但用于持液量的卻很少。經(jīng)文獻(xiàn)檢索發(fā)現(xiàn)，一種反向傳播神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)記為BP-NN)曾用于持液量的建模和預(yù)測(cè)，BP-NN是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳遞，從而使網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出。但由于BP算法本質(zhì)上為梯度下降法，而它所要優(yōu)化的目標(biāo)函數(shù)又非常復(fù)雜，因此，必然會(huì)出現(xiàn)“鋸齒形現(xiàn)象”，這使得該算法并不是非常實(shí)用。
[0006]極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，在不少過(guò)程建模中獲得了較好的效果，但至今仍未用于填料塔重要參數(shù)的建模與預(yù)測(cè)。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不同的是，ELM隱藏層中的參數(shù)沒(méi)有直接的關(guān)聯(lián)，因此不需要對(duì)其所包含的參數(shù)進(jìn)行調(diào)整，只要隨機(jī)賦予輸入權(quán)值和隱層節(jié)點(diǎn)的閥值，并且應(yīng)用Moore-Penrose方法獲得隱層輸出矩陣的廣義逆，通過(guò)一步計(jì)算即可確定網(wǎng)絡(luò)的輸出權(quán)值，因而較BP-NN等傳統(tǒng)方法可極大的提高學(xué)習(xí)速度，不需過(guò)多的干預(yù)，還具有較強(qiáng)的泛化性能。這為填料塔重要參數(shù)，如持液量的建模和預(yù)測(cè)提供了新方法。
[0007]在ELM當(dāng)中，當(dāng)自變量之間存在復(fù)共線性關(guān)系時(shí)，易導(dǎo)致病態(tài)解，從而出現(xiàn)過(guò)擬合現(xiàn)象的問(wèn)題，而引入嶺回歸方法，通過(guò)選擇適當(dāng)?shù)膸X參數(shù)可避免此問(wèn)題。同時(shí)，針對(duì)在嶺參數(shù)極限學(xué)習(xí)機(jī)(ridge extreme learning machine, RELM)建模過(guò)程中，存在的不斷初始化模型會(huì)導(dǎo)致預(yù)測(cè)的不可靠以及每次都重建模型導(dǎo)致計(jì)算更多且缺乏效率的問(wèn)題。提出了基于RRELM的建模方法,建模過(guò)程中采用了遞推和快速留一交叉驗(yàn)證(fast leave-one-outcross-validation, FLOO-CV)準(zhǔn)則的選擇方法，以控制模型復(fù)雜度，降低計(jì)算量，提高模型可靠性，最終保證模型較好的預(yù)測(cè)精度。

【發(fā)明內(nèi)容】

[0008]針對(duì)以上所述的現(xiàn)有填料塔中持液量預(yù)測(cè)技術(shù)中存在的不足和缺陷，提出一種可以較有效的針對(duì)持液量數(shù)據(jù)的特點(diǎn)、提高模型的預(yù)測(cè)精度，適合多種不同散堆填料塔中持液量的預(yù)測(cè)方法。
[0009]本發(fā)明所述的一種散堆填料塔中持液量的預(yù)測(cè)方法，包括以下步驟:
[0010]I)選擇影響持液量的流動(dòng)參數(shù)作為模型的輸入變量，建立數(shù)據(jù)樣本:
[0011]輸入變量:氣液相弗勞德數(shù)Stp氣相斯托克斯數(shù)Ste、液相雷諾數(shù)Ra、液相弗勞德數(shù)Frp液相奧內(nèi)佐格數(shù)01? ；
[0012]輸出的變量:持液量hT ；
[0013]把上述的流動(dòng)參數(shù)組成一個(gè)樣本，用[Xi, Yi]表示,其中Xi表示第i個(gè)樣本的輸入變量(每個(gè)樣本包含5個(gè)輸入變量)，Yi表不該樣本的輸出變量，模型的輸出和輸入變量的函數(shù)關(guān)系式可表示成下式:
[0014]hT=f (StL, StG, ReL, FrL, 0hL) (I)
[0015]2)針對(duì)步驟I)采集的數(shù)據(jù)特點(diǎn)，應(yīng)用RRELM方法，基于FLOO-CV準(zhǔn)則建立持液量模型，建立初始的預(yù)測(cè)持液量的RELM模型:
[0016]①根據(jù)節(jié)點(diǎn)數(shù)L隨機(jī)分配輸入權(quán)值Si和偏置by i=l,..., L:
[0017]采用的是SLFNs建模方式，針對(duì)持液量數(shù)據(jù)的N個(gè)不同訓(xùn)練樣本
【權(quán)利要求】
1.一種散堆填料塔中持液量的預(yù)測(cè)方法，包括以下步驟: 1)選擇影響持液量的流動(dòng)參數(shù)作為模型的輸入變量，建立數(shù)據(jù)樣本: 輸入變量:氣液相弗勞德數(shù)Stp氣相斯托克斯數(shù)Ste、液相雷諾數(shù)Ra、液相弗勞德數(shù)FlY、液相奧內(nèi)佐格數(shù)Otk; 輸出的變量:持液量hT ； 把上述的流動(dòng)參數(shù)組成一個(gè)樣本，用[Xi，yi]表示，其中Xi表示第i個(gè)樣本的輸入變量(每個(gè)樣本包含5個(gè)輸入變量Xyi表不該樣本的輸出變量，模型的輸出和輸入變量的函數(shù)關(guān)系式可表示成下式:
hT=f (StL, StG, ReL, FrL, 0hL) (I) 2)針對(duì)步驟I)采集的數(shù)據(jù)特點(diǎn)，應(yīng)用RRELM方法，基于FLOO-CV準(zhǔn)則建立持液量模型，建立初始的預(yù)測(cè)持液量的RELM模型: ①根據(jù)節(jié)點(diǎn)數(shù)L隨機(jī)分配輸入權(quán)值Bi和偏置bi;
【文檔編號(hào)】G06F19/00GK103559378SQ201310327315
【公開(kāi)日】2014年2月5日 申請(qǐng)日期:2013年7月30日 優(yōu)先權(quán)日:2013年7月30日
【發(fā)明者】劉毅, 張明濤, 高增梁 申請(qǐng)人:浙江工業(yè)大學(xué)