基于遞推嶺elm的填料塔載點氣速預(yù)測方法
【專利摘要】基于遞推嶺ELM的填料塔載點氣速預(yù)測方法，包括以下步驟：采集散堆填料塔實驗中與載點氣速相關(guān)的數(shù)據(jù)，作為建模所需的樣本集，分析數(shù)據(jù)特征及影響載點氣速的因素，確定載點氣速模型的輸入變量與輸出變量；由于數(shù)據(jù)之間存在較大的差距，為了保證建立模型的可靠性，首先要對數(shù)據(jù)預(yù)處理；歸一化是神經(jīng)網(wǎng)絡(luò)等建模方法常采用的預(yù)處理方法，即把數(shù)據(jù)值都轉(zhuǎn)化為[0，1]區(qū)間的數(shù)，此處采用的是對數(shù)歸一化法；根據(jù)載點氣速歸一化之后的數(shù)據(jù)特點，對不同類型的散堆填料，快速建立載點氣速預(yù)測的RRELM模型；應(yīng)用建立的RRELM模型進行預(yù)測，并對預(yù)測值進行反歸一化，最終計算得到載點氣速的預(yù)測值。
【專利說明】基于遞推嶺ELM的填料塔載點氣速預(yù)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明適用于散堆(亂堆)填料塔設(shè)計階段重要參數(shù)建模和預(yù)測的方法，特別針對一種通用的適合多種散堆填料塔中載點氣速的建模和預(yù)測方法。
【背景技術(shù)】
[0002]填料塔設(shè)備常用于工業(yè)生產(chǎn)中的精餾、吸收、萃取以及冷卻過程中的傳熱與傳質(zhì)，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。在很多石油煉廠和大型化工企業(yè)，填料塔設(shè)備的投資費用和能耗都非常巨大。因此，填料塔的操作越接近其最大的有效生產(chǎn)能力，則裝置的生產(chǎn)效率越高，相應(yīng)的單位能耗也能減少。
[0003]在填料塔當(dāng)中，流體力學(xué)性能主要包括了泛點、載點等。填料塔的操作條件主要是根據(jù)液泛氣速選定的，只有在低于泛點氣速時，才能保證塔設(shè)備的穩(wěn)定運行。因此，液泛氣速通常是操作上限。但是，當(dāng)氣速過低時，也會導(dǎo)致氣液分布不均勻和浪費等一系列問題，載點即當(dāng)塔內(nèi)發(fā)生攔液時的空塔氣速，一般塔設(shè)計時取液泛氣速的60%?80%，較理想的操作氣速設(shè)定為液泛氣速的70%，即載點位置附近，因此載點氣速也是填料塔設(shè)計時的一個重要參數(shù)。對于一定形狀和大小的填料，必須了解其性質(zhì)和操作條件對流體力學(xué)特性的影響。因此，填料塔的載點氣速是影響塔性能的重要參數(shù)，確定各種類型填料的載點氣速也變得尤為重要，準(zhǔn)確的預(yù)測載點氣速對填料塔的設(shè)計與操作都具有重要的意義。
[0004]填料的載點氣速受到氣液兩相流量、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。早期的研究成果主要是根據(jù)實驗數(shù)據(jù)而提出的用于塔設(shè)計計算的經(jīng)驗和半經(jīng)驗公式。此后，逐步建立了一些物理模型，并推導(dǎo)出了載點氣速計算的半理論公式。但是，由于兩相流理論的復(fù)雜性，迄今為止，這些經(jīng)驗?zāi)Ｐ投夹杼囟ǖ奶盍铣?shù)，其通用性較差，另夕卜，隨著各種新型填料的出現(xiàn)，許多條件與經(jīng)驗公式并不相符，使模型的預(yù)測效果降低。因此，至今還沒有較準(zhǔn)確且通用的載點氣速預(yù)測模型，可同時適合多種工業(yè)填料塔的應(yīng)用。為了能滿足市場競爭需求，有必要建立一種準(zhǔn)確度較高，通用性較強的載點氣速模型以適應(yīng)工程應(yīng)用。
[0005]近年來，集散系統(tǒng)廣泛應(yīng)用于流程工業(yè)中，大部分過程數(shù)據(jù)能夠及時獲得，各種數(shù)據(jù)驅(qū)動的建模方法也得到了研究和應(yīng)用，但用于載點氣速的卻很少。經(jīng)文獻檢索發(fā)現(xiàn)，一種反向傳播神經(jīng)網(wǎng)絡(luò)(BP-NN)曾用于載點氣速的建模和預(yù)測(Piche S,Larachi F,GrandjeanB P A.Loading capacity in paked tower-database, correlation and analysis[J].Chemical Engineering &Technology, 2001, 24 (4):373-380.), BP-NN 是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其主要特點是信號前向傳遞，誤差反向傳遞，從而使網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出。缺點是訓(xùn)練次數(shù)多，學(xué)習(xí)效率低，收斂速度慢，易形成局部極小等，這使得該方法并不實用。
[0006]極限學(xué)習(xí)機(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，主要參考文獻為 “Feng G, Huang G B, Lin Q P.Error minimized extremelearning machine with growth of hidden nodes and incremental learning[J].1EEETransactions on Neural Networks, 2009, 20 (8): 1352-1356.”,該方法在機器學(xué)習(xí)領(lǐng)域中獲得了較好的效果，但至今仍未用于過程建模，尤其是填料塔重要參數(shù)的建模與預(yù)測。與傳統(tǒng)的方法所不同的是，ELM隨機分配隱藏節(jié)點并通過分析來求得單隱層前饋神經(jīng)網(wǎng)絡(luò)的輸出權(quán)值，ELM的學(xué)習(xí)速度會千倍于傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)算法，如BP-NN，并且趨于達到最小的訓(xùn)練誤差和權(quán)值范數(shù)，因此也有很好的泛化能力，也不需過多的干預(yù)。這為填料塔重要參數(shù)，如載點氣速的建模和預(yù)測提供了新方法。
[0007]ELM在過程建模當(dāng)中，如果自變量之間存在復(fù)共線性關(guān)系時，會出現(xiàn)過擬合的現(xiàn)象，這是由于出現(xiàn)病態(tài)解問題，得到幅值較大的輸出權(quán)值所導(dǎo)致的。引入嶺回歸方法，通過選擇適當(dāng)?shù)膸X參數(shù)可處理此問題，可以建立更可靠的模型。同時，在傳統(tǒng)ELM算法當(dāng)中，當(dāng)獲得新的節(jié)點數(shù)時，模型都需要重新計算隱層輸出矩陣，以獲得新的輸出權(quán)值，重新建立模型，如此存在兩個缺點:(I)不斷初始化模型會導(dǎo)致預(yù)測的不可靠或不一致；(2)每次都重建模型，計算量相對更多且缺乏效率。因此，本發(fā)明提出了基于RRELM的建模方法，建模過程中采用了遞推和快速留一(fast leave-one-out, FL00)準(zhǔn)則的選擇方法，以控制模型的復(fù)雜度，降低計算量，提高模型可靠性，最終保證模型較好的預(yù)測精度。其中，F(xiàn)L00方法主要參考的文獻為“Liu X Y，Li P,Gao C H.Fast leave one out cross validation algorithmof extreme learning machine[J].Journal of Shanghai Jiao Tong University,2011,45(8):1140-1145.”。

【發(fā)明內(nèi)容】

[0008]本發(fā)明要克服以上所述的現(xiàn)有填料塔中載點氣速建模和預(yù)測技術(shù)中存在的不足和缺陷，提供了一種散堆(亂堆)填料塔中載點氣速的建模和預(yù)測方法，可以較有效的針對載點氣速數(shù)據(jù)的特點，提高模型的預(yù)測精度。
[0009]一種散堆填料塔中載點氣速的建模和預(yù)測方法，包括:
[0010](I)產(chǎn)生載點氣速數(shù)據(jù)，作為研究散堆填料塔的基礎(chǔ)，本發(fā)明所包含的填料類型及數(shù)據(jù)分布情況列于表I中，它包括了目前工業(yè)中應(yīng)用的大部分散堆填料。
[0011]表I產(chǎn)生載點氣速所包含的散堆填料類型及數(shù)據(jù)分布情況
【權(quán)利要求】
1.基于遞推嶺ELM的填料塔載點氣速預(yù)測方法提出一種新型的極限學(xué)習(xí)機網(wǎng)絡(luò)的建模方法，即遞推嶺極限學(xué)習(xí)機(recursive ridge extreme learning machine, RRELM),可以快速對不同類型散堆填料塔中的載點氣速建立通用的預(yù)測模型，使用該模型可以對各種型號散堆填料塔中的載點氣速進行較準(zhǔn)確的預(yù)測；包括以及幾個步驟: (1)采集散堆填料塔實驗中與載點氣速相關(guān)的數(shù)據(jù)，作為建模所需的樣本集，分析數(shù)據(jù)特征及影響載點氣速的因素，確定載點氣速模型的輸入變量與輸出變量； (2)由于數(shù)據(jù)之間存在較大的差距，為了保證建立模型的可靠性，首先要對數(shù)據(jù)預(yù)處理；歸一化是神經(jīng)網(wǎng)絡(luò)等建模方法常采用的預(yù)處理方法，即把數(shù)據(jù)值都轉(zhuǎn)化為[O，I]區(qū)間的數(shù)，此處采用的是對數(shù)歸一化法； (3)根據(jù)載點氣速歸一化之后的數(shù)據(jù)特點，對不同類型的散堆填料，快速建立載點氣速預(yù)測的RRELM模型； (4)應(yīng)用建立的RRELM模型進行預(yù)測，并對預(yù)測值進行反歸一化，最終計算得到載點氣速的預(yù)測值。
2.根據(jù)權(quán)利要求1所述的散堆填料塔中載點氣速的預(yù)測方法，所述的步驟(I)其特征在于所述的載點氣速模型的輸入變量和輸出變量分別為:液相雷諾數(shù)Ra、斯托克斯數(shù)S\、伽利略數(shù)Ga。填料層厚度校正系數(shù)SB、以及填料球形度爐作為模型的輸入變量；Lockhart-Martinelli參數(shù)x則為模型的輸出變量。
3.根據(jù)權(quán)利要求2所述的散堆填料塔中載點氣速的預(yù)測方法，其特征在于其載點氣速與模型輸出的關(guān)系為:
4.根據(jù)權(quán)利要求1所述的散堆填料塔中載點氣速的預(yù)測方法，其特征在于所述的步驟(2)中的對數(shù)歸一化法，每一個輸入變量歸一化的表達式如下:
5.根據(jù)權(quán)利要求1所述的散堆填料塔中載點氣速的預(yù)測方法，其特征在于所述的步驟(3)中的RRELM建模過程中，采用了基于快速留一交叉驗證準(zhǔn)則，并以遞推的方式確定模型的最佳節(jié)點。
6.根據(jù)權(quán)利要求1所述的散堆填料塔中載點氣速的預(yù)測方法，其特征在于所述的步驟⑷中的RRELM模型采用的是sigmoidal形式的激活函數(shù)，數(shù)學(xué)表達式為
【文檔編號】G06F19/00GK103455721SQ201310390400
【公開日】2013年12月18日 申請日期:2013年8月30日 優(yōu)先權(quán)日:2013年8月30日
【發(fā)明者】劉毅, 高增梁, 張明濤 申請人:浙江工業(yè)大學(xué)