本發(fā)明屬于工業(yè)過程控制中的濃度預測領域，具體涉及一種基于過程結構知識神經(jīng)網(wǎng)絡的鋁電解槽氧化鋁濃度分布高效預測方法和裝置。

背景技術：

1、良好的氧化鋁濃度分布是鋁電解槽穩(wěn)定運行和高電流效率的前提。若氧化鋁濃度分布不均，可能會產(chǎn)生陰極腐蝕，槽底沉淀生成等問題，進而引起電壓波動，乃至造成陽極效應，從而導致電解能耗增高。然而，由于鋁電解槽內(nèi)部多物理場強耦合，氧化鋁在電解質(zhì)中的行為又是涉及傳質(zhì)、化學反應等多種因素的復雜過程，對氧化鋁濃度分布預測提出了重大挑戰(zhàn)。同時，由于電解質(zhì)高溫和強腐蝕性的制約，相關工業(yè)實驗的成本與難度很高，往往將氧化鋁濃度的測量限制在少數(shù)幾個位置，難以支撐氧化鋁濃度場精準預測模型的構建。

2、為了實現(xiàn)氧化鋁濃度分布的準確預測，目前研究往往采取建立計算流體動力學(cfd)模型的方式計算求解得出。盡管cfd方法可以得到較為全面與準確的結果，但求解成本過高，效率很低，一次完整的氧化鋁濃度分布模擬往往需要幾天甚至一周的時間，無法滿足實際使用中氧化鋁濃度分布快速獲得的需求。也有部分學者采用機器學習的方法進行濃度的預測，但目前的工作往往只專注于氧化鋁的整體濃度預測，無法有效實現(xiàn)濃度分布的預測。

3、物理信息神經(jīng)網(wǎng)絡(pinn)能夠整合數(shù)據(jù)和物理定律來訓練深度神經(jīng)網(wǎng)絡，是一個利用內(nèi)部控制方程演化與少量數(shù)據(jù)得到場信息的有效途徑，并在許多領域中取得了非常好的效果。但現(xiàn)有大部分工作往往構建了具有多個隱藏層的大規(guī)模復雜深度學習網(wǎng)絡以尋找輸入和輸出之間的所有可能關系。這導致網(wǎng)絡參數(shù)多且雜亂，訓練過程中的收斂效果較差，尤其是在pinn網(wǎng)絡這種多個損失相互競爭的環(huán)境下。因此，一些研究人員嘗試在部分已知現(xiàn)象的系統(tǒng)中使用部分連接的神經(jīng)網(wǎng)絡，以處理某些輸入只能影響某些中間狀態(tài)或輸出的情況。此外，電解槽運行過程中存在一些可測擾動，如下料，會對氧化鋁濃度分布產(chǎn)生額外的影響，然而，文獻中現(xiàn)有大部分pinn模型僅限于有界時空域中的自治偏微分情形，往往需要重新收集數(shù)據(jù)建模才能有效適應這種情形。

技術實現(xiàn)思路

1、本發(fā)明提供一種基于過程結構知識神經(jīng)網(wǎng)絡的鋁電解槽氧化鋁濃度分布高效預測方法和裝置，預測高效準確。

2、為實現(xiàn)上述技術目的，本發(fā)明采用如下技術方案：

3、一種基于過程結構知識神經(jīng)網(wǎng)絡的鋁電解槽氧化鋁濃度分布高效預測方法，包括：

4、使用第一神經(jīng)網(wǎng)絡擬合鋁電解槽內(nèi)的空間位置與流速之間的關系，得到流場預訓練模塊；

5、使用第二神經(jīng)網(wǎng)絡擬合鋁電解槽內(nèi)的空間位置與氧化鋁濃度之間的關系，得到濃度場預訓練模塊；

6、使用第三神經(jīng)網(wǎng)絡與流場預訓練模塊、濃度場預訓練模塊結合，并額外引入固定時間間隔，通過在損失函數(shù)中融入氧化鋁分布的過程控制方程，擬合鋁電解槽內(nèi)的空間位置、初始氧化鋁濃度與固定時間間隔后的氧化鋁濃度之間的關系，得到氧化鋁濃度分布預測模型；

7、將待預測位置及其初始氧化鋁濃度和固定時間間隔，輸入至所述氧化鋁濃度分布預測模型，輸出得到待預測位置經(jīng)固定時間間隔后的氧化鋁濃度。

8、進一步的，第一神經(jīng)網(wǎng)絡采用深度全連接神經(jīng)網(wǎng)絡，擬合流場預訓練模塊表示為：

9、u＝fu(x,y；θ1)

10、式中，fu(·)為深度全連接神經(jīng)網(wǎng)絡，(x,y)為鋁電解槽內(nèi)的二維空間位置坐標，θ1為流場預訓練模塊的權重；u表示流速，包括x方向上的流速u和y方向上的流速v，即u＝[u,v]；擬合流場預訓練模塊采用的損失函數(shù)設計為：

11、

12、式中，lu代表擬合流場預訓練模塊采用的損失函數(shù)，nu為擬合流場預訓練模塊的樣本數(shù)量，和ui分別為流場預訓練模塊對第i個訓練樣本的預測輸出流速和第i個訓練樣本的真實流速。

13、進一步的，第二神經(jīng)網(wǎng)絡采用自編碼器網(wǎng)絡重構空間位置和氧化鋁濃度，挖掘空間位置和初始時刻氧化鋁濃度之間的關系，擬合濃度場預訓練模塊表示為：

14、

15、式中，(x,y)為鋁電解槽內(nèi)的二維空間位置坐標，為初始時刻在空間位置(x,y)處的氧化鋁濃度；fe(·)為編碼器網(wǎng)絡，θ2為編碼器網(wǎng)絡的權重，z為編碼器網(wǎng)絡提取的氧化鋁濃度特征；fd(·)為解碼器網(wǎng)絡，θ3為解碼器網(wǎng)絡的權重，x為解碼器網(wǎng)絡重構的空間位置坐標和氧化鋁濃度；

16、自編碼器網(wǎng)絡的損失函數(shù)為：

17、

18、式中，lc代表擬合濃度場預訓練模塊采用的損失函數(shù)，nd為擬合濃度場預訓練模塊的樣本數(shù)量，為濃度場預訓練模塊對第j個訓練樣本重構的空間位置坐標和氧化鋁濃度，xi為第j個訓練樣本的真實空間位置坐標和氧化鋁濃度。

19、進一步的，第三神經(jīng)網(wǎng)絡采用深度全連接神經(jīng)網(wǎng)絡，將其與流場預訓練模塊、濃度場預訓練模塊結合，擬合氧化鋁濃度分布預測模型，表示為：

20、

21、式中，fc(·)表示氧化鋁濃度分布預測模型，(x,y)為鋁電解槽內(nèi)的二維空間位置坐標，為初始時刻在空間位置(x,y)處的氧化鋁濃度，t為固定時間間隔；θ4為第三神經(jīng)網(wǎng)絡的權重；mt為氧化鋁濃度分布預測模型預測輸出空間位置(x,y)在固定時間間隔t后的氧化鋁濃度；

22、將第三神經(jīng)網(wǎng)絡與流場預訓練模塊、濃度場預訓練模塊結合，具體為：

23、首先，將網(wǎng)絡輸入的二維空間位置坐標(x,y)送入流場預訓練模塊，輸出得到空間位置(x,y)處的流速u；另外將網(wǎng)絡輸入的二維空間位置坐標(x,y)和該位置初始時刻的氧化鋁濃度送入濃度場預訓練模塊，濃度場預訓練模塊中的編碼器網(wǎng)絡提取得到空間位置(x,y)處的氧化鋁濃度特征z；

24、然后，將流場預訓練模塊和編碼器網(wǎng)絡分別得到的空間位置(x,y)處的流速u和氧化鋁濃度特征z，與網(wǎng)絡輸入的固定時間間隔t一起輸入至第三神經(jīng)網(wǎng)絡，最終輸出得到鋁電解槽的空間位置(x,y)處經(jīng)固定時間間隔t后的氧化鋁濃度mt。

25、進一步的，氧化鋁分布的過程控制方程，描述如下：

26、

27、式中，u和v為氧化鋁在鋁電解槽空間位置(x,y)處分別沿x、y方向的流速；m為空間位置(x,y)的氧化鋁濃度；r和ρ分別代表鋁電解槽中電解質(zhì)項的體積分數(shù)和密度；s代表質(zhì)量源項，包括氧化鋁的電解消耗和氧化鋁的下料信息。

28、進一步的，在損失函數(shù)中融入氧化鋁分布的過程控制方程，得到總體損失函數(shù)l表示為：

29、l＝lp+λdld

30、

31、式中，lp和ld分別代表pde損失項和數(shù)據(jù)損失項，λd為數(shù)據(jù)損失項的權值；np和nd分別為pde損失項搭配點和濃度數(shù)據(jù)點的個數(shù)；為模型預測第k個空間位置處在固定時間間隔t后的氧化鋁濃度，和分別為模型預測第k個空間位置處沿x和y方向的流速；和mj分別為模型預測和實際測得第j個空間位置處在固定時間間隔t后的氧化鋁濃度，γ為分位數(shù)水平；表示判定滿足條件時，表示判定滿足條件時。

32、一種基于過程結構知識神經(jīng)網(wǎng)絡的鋁電解槽氧化鋁濃度分布高效預測裝置，包括流場預訓練模塊、濃度場預訓練模塊和過程控制方程融合訓練模塊；

33、所述流場預訓練模塊，使用第一神經(jīng)網(wǎng)絡擬合鋁電解槽內(nèi)的空間位置與流速之間的關系，

34、所述濃度場預訓練模塊，使用第二神經(jīng)網(wǎng)絡擬合鋁電解槽內(nèi)的空間位置與氧化鋁濃度之間的關系；

35、所述過程控制方程融合訓練模塊，使用第三神經(jīng)網(wǎng)絡與流場預訓練模塊、濃度場預訓練模塊結合，并額外引入固定時間間隔，通過在損失函數(shù)中融入氧化鋁分布的過程控制方程，擬合鋁電解槽內(nèi)的空間位置、初始氧化鋁濃度與固定時間間隔后的氧化鋁濃度之間的關系，得到氧化鋁濃度分布預測模型；

36、所述氧化鋁濃度分布預測模型，以待預測位置及其初始氧化鋁濃度和固定時間間隔作為輸入，輸出得到待預測位置經(jīng)固定時間間隔后的氧化鋁濃度。

37、有益效果

38、本發(fā)明提供的基于過程結構知識神經(jīng)網(wǎng)絡的鋁電解槽氧化鋁濃度分布高效預測方法，能夠顯著的提高預測的效率與精度。除此之外，能夠大大降低網(wǎng)絡訓練所需的數(shù)據(jù)量，且能拓展方法的適用范圍。