人工神经网络用于芳烃抽提过程优化操作地研究.pdfVIP

第三章有机物萃取 269 人工乖申经网络用于芳烃抽提过程优化 操作的研究’ 温晓明一 陈建娟费维扬 (清华大举化学工程系 北京10(084) 摘要率文对人工神经网络用于芳烃拍提过程的优化撮作进行了研 究。为了改进收敛遵度和避免陷人局部擞小，对标准的j尝传算珐进行了改进， 笋将其与Marguardt算{去相结合作为神盆网络的学习算法．针对环丁砜芳烃 抽提过程．通过对厨络性能进行分析一确定了厨络结构瑚学习算甚的参煞．初 步研究表明，人工种经网络用于芳烃捕提过翟的优化拯f乍是可行的． 美键嗣 苹取芳烃抽提优化 凡工神经用终基里笪法、：吖 卧Ⅲd’剪范环j强 l-前 言 优化撮作是提葛化工生产效益的重要手段，越来蘑先进的仪 表和控制系统对操作不断提出更高的要求．如果不能给定优化操 作参数．再高级的监控系统也很难为企业带来强益， 传统的优化方法是数学模型法。但对于象环丁砜芳烃抽提这 种体系非理想性强、基础数据缺乏的复杂石油化工过程，数学模型 有时难以建立。而且，数学模型法的求解时间长，不适用于与先进 的控制系统配合的在线实时优化，而人工神经列络以其高度非线 性性、容错能力、学习能力和自适应性、以及高刳、理速度为化工过 程的优化操作握供了一条新的途径。 本文针对环丁砜芳烃抽提过程，对人工神经同络用于化工过 ．：蛊誊兽寨芰学工程联合实验空课题 Z70 溶剂萃取新进展 程优化操作进行了研究。 2．网络模型和学习算法 2．1网络模型 工作状态稳定，在输人输出之间可以实现高度的非线性映射，适用 于化工过程的优化操作． 2．2，遗传算法 在人工神经网络中，权重是反映信息存贮的关键量，一般需要 通过学习(或称训练)得到。前馈网络中应用最多的学习算法是BP 算法，但BP法的收敛速度慢且容易陷入局部极小…。 遗传算法(GA)口’33是一种基于生物学进化原理的、具有』‘’泛 适用性的全局优化算法，其基本操作包括编码、群体产生、评价、选 择、交叉和变异等． 本文针对用于化工过程优化操作的前馈网络的学习问题，建 立了遗传算法的计算机程序，并在实现中对标准遗传算法在编码、 选择、交叉和变异概率等方面进行了改进[‘]。 2．3遗传算法与Marquardt算法的结合 遗传算法虽然具有全局收敛、广泛的适应性等特点，但也存在 身的局限性。由于遗传算法在搜索晟优变量组合时以表示耍 的编码链而非变量本身为工作模式，因而在搜索中可能会出 样的问题：仅可接近最优变量组合在变量空间的位置，而难以 它们的确切值。为了解决这一问题，有作群。提出了用遗传算 BP算法的组合辅助设计人工神经网络的思想。但是，遗传≯ BP算法的收敛速度都比较慢，因此，两者的组合虽然能改吾 第三章有机物萃取 271 单纯使用遗传算法确定最优变赶组台时比较祖楗以及单纯使用 BP法收敛性差．荦≠易陷入局极小等同题，但对收敛速度不会有很 大的改进，因此，本文提出了将遗传算法和Marquardt算法相结 台用于神经网珞训练的途径。Marquardt算法用于网络训练，提高 了收敛速度o】。 本文分别是用遗传算法、Marquardt算法以及两者的结台对 文献数据进行了网络训练的计算比较M，结果表明，Marqurdt算 法收敛速度较陵，但容易陷入局部极小。而先用遗传算法再用 Ma rqurd二算法，iJ』i练结果明显优于单纯的GA或Marqurdt算法， 二者的结合僻=现了遗传算法全局收敛和Marquzdt算法速度快的 特点．达到了预期的效果。 3．环丁砜芳烃抽提过程的忮化操作 在上述工作的基础上，本文引对环丁砜芳烃抽提过程的垅化 搀作闯题建立了一个包括数据预处理、训练过程、工作过程和自适 宜学习的人工寻率经翮络程序，采用遗传算法和Marqaardt算法的 结合对网