基于基团拓扑的遗传神经网络工质临界温度预测

用遗传神经网络预测工质的临界温度,网络的输入参数为分子基团和拓扑指数,输出参数为临界温度。所划分的16个分子基团涵盖了制冷、热泵及有机朗肯循环系统中的大部分工质,所选拓扑指数能够分辨工质中所有的同分异构体。通过遗传算法优化得到网络结构及初始参数后,由神经网络对工质临界温度进行预测,同时为了提高网络对临界温度预测的泛化能力,将200种工质划分成训练集、验证集及测试集。所得网络能够区分所有的同分异构体,且与实验值相比,各数据集临界温度的平均相对误差分别为1.18%、1.69%、1.28%,表明该网络对工质临界温度具有很好的预测能力。     

基于分子指纹和拓扑指数的工质临界温度理论预测

临界温度是一种非常关键的热物理性质,对其进行理论预测一直是热物性研究的热点。然而,早期预测模型往往不能有效区分工质同分异构体。本文借助机器学习算法,采用“分子指纹+拓扑指数”的新型分子结构描述方法表达工质的分子结构并建立临界温度模型,在测试集预测中的绝对平均偏差为3.99%,表明本文模型具有良好的预测能力。本文模型与文献对比的结果表明,新模型不仅可以有效区分工质同分异构体,在计算精度方面也超越了现有其他模型。     

图神经网络预测烃类工质的热力学性质

有机朗肯循环(ORC)因其低温热电转换的能力而备受关注,寻找高效环保工质,以代替具有较高全球变暖潜能值(GWP)的氢氯氟烃(HCFC)和氢氟烃(HFC),是推动ORC应用的重要任务之一。构建一个基于图神经网络(GNN)的ORC烃类工质热力学性质预测模型,通过图神经网络学习分子结构的特征,并将分子结构信息与温度结合,利用多层感知机(MLP)构建热力学性质预测模型。模型基于2508种C₂～C₁₀的链状烃、环烃和芳香烃分子构建训练集,所得模型在预测临界温度、蒸发焓、气相摩尔热容和液相摩尔热容上均取得良好效果,优于文献的预测效果。此外,应用所得模型预测了超43万个氢氟烯烃(HFO)的热力学性质。     

基于遗传神经网络的电力系统负荷预测研究

在国内外学者的研究工作基础上,综述了BP神经网络及遗传算法在电力系统负荷预测中的应用,并研究了两种方法在电力负荷预测中的综合应用问题,结合实际的乌兰察布电力系统运营数据,对其进行了分析预测。得到了几天至十几天乌兰察布市的电力系统负荷预测的数据,并对这一实证结果进行了经济和管理意义上的分析。实证预测结果为乌兰察布电力有关部门电网运行的制定和企业近期经营方式提供了新的思路,具有较好的理论和实际应用价值。     

基团贡献法估算有机化合物临界温度的研究进展

临界温度是物质重要的物性数据之一,由于其测定工作难度较大,尤其不稳定物质的临界温度更难以精确测定,估算法成为研究物质临界温度的重要方法。综述了有机物临界温度的估算方法,主要介绍了Riedel法、Lydersen法、Ambrose法、Fedors法、Joback法、MXXC法、C-G法等十一种基团贡献方法的原理、优缺点及应用范围,并对这些方法进行比较和评述。利用这些方法对松节油组分及其衍生物中的α-蒎烯、Δ3-蒈烯、(+)-柠檬烯、伞花烃的临界温度进行估算比较,结果表明Joback、MXXC、Marrero-Pardillo、张克武-张宇英等方法用于该体系时相对误差在2.5%以下,而Lydersen、Ambrose和Wilson-Jasperson等方法的相对误差较大。最后对有机物临界温度基团贡献法的发展趋势进行了展望。     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

基于遗传神经网络的冰蓄冷空调系统负荷预测研究

针对现阶段冰蓄冷中央空调系统负荷预测的BP(Back Propagation)模型收敛速度慢和容易陷入局部极小点等缺点,结合遗传算法GA(Genetic Algorithm)和BP神经网络,提出了一种GA-BP算法,并在冰蓄冷中央空调负荷预测系统中应用。     

利用遗传神经网络预测有机物的易燃下限温度

由1171种有机物组成样本集,将利用Dragon软件计算出来的分子结构描述符Mv、CID、EEig02d、GGI1、nROH、nHDon等数值与有机物的易燃下限温度进行关联,借助遗传神经网络方法建立了相应的定量关系模型。结果表明,在给定条件下,由该模型获得的预测值平均相对误差为3.23%,平均绝对误差为10.28K,相关系数为0.9833。新建立的有机物易燃下限温度预测方法具有模型建立简便、预测精度较高、适用面宽等优点,有望在有机危险物品的火灾性能预测及其安全使用方面发挥重要作用。     

基于遗传BP神经网络预测硫在高含硫气体中溶解度

为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。     

基于基团贡献神经网络集成法估算有机物常压凝固点

基于基团贡献法应用人工神经网络对有机物的常压凝固点进行了估算,输入参数为有机物的基团数和表征异构体的参数,输出为常压凝固点.分析了采用最速梯度下降法的BP算法在训练过程中产生误差饱和情况的原因,采用在隐含层节点中加入误差饱和预防函数用来防止误差饱和情况的出现.仿真结果表明,所采用的方法能有效地减小网络在误差表面陷入低谷的可能性和提高网络的收敛速率.采用神经网络集成法建立了神经网络集成模型,通过仿真合理选择隐含层节点数和采用交叉验证法用于防止BP网络的过度训练,增强了网络的泛化能力.估算结果表明,所建立的神经网络集成模型,其网络有良好的稳定性和预测精度,207个样本估算的绝对平均相对误差为8.62%.     

有机化合物沸点估算的复合基团拓扑空间方法

基于传统基团划分方法进行了有机化合物分子的空间设计,用基团模指数表征基团在分子中的位置,用基团-邻接原子对增加对基团环境影响的考虑,建立了有机化合物物性估算的复合基团拓扑空间方法。提出了估算正常沸点的表达式,使用了1171种有机化合物拟合出了相应的基团和基团．邻接原子对的参数,其估算的平均相对偏差为1．58％,为与前期工作进行比较,故用前期工作所用的669种物质进行了估算,其平均相对偏差为1．29％。将本方法和常用的方法以及本工作前期提出的方法进行了比较,结果表明本方法有更高的准确度和可靠性。     

沸点蒸发焓估算的基团拓扑空间方法

本文提出了有机物正常沸点蒸发焓估算的基团拓扑空间方法。给出了沸点蒸发焓的估算表达式和相应的基团参数值。沸点蒸发焓估算的平均相对偏差为1 052%。把本方法和广泛应用的其它方法进行了比较,结果表明本方法有更高的准确度和可靠性。     

采油螺杆泵定子橡胶配方优化设计的遗传神经网络预测

考察了采油螺杆泵(PCP)定子橡胶需要具备的力学性能,并在此基础上,采用遗传神经网络方法,在Matlab软件中编程实现基于遗传算法优化的误差反向传播神经网络算法,建立了PCP定子橡胶配方组分与力学性能之间的优化模型。采用遗传神经网络模型对PCP定子橡胶的力学性能进行预测,并与实测值进行对比。结果表明,PCP定子橡胶配方组分与力学性能之间的优化模型的参数设置为:权值初始化范围为[-1,1],种群大小为50,最大进化代数为100,选择率为0.09,交叉率为0.6,变异率为0.05。当NBR用量为197份、硫黄用量为4份、促进剂CZ用量为1.5份、炭黑用量为20份时,PCP定子橡胶的拉伸强度可达27.5 MPa,扯断伸长率为710%,撕裂强度为158 k N/m。应用遗传神经网络对PCP定子橡胶配方的优化设计取得了较好的效果。PCP定子橡胶的力学性能的实测值与遗传神经网络模型的预测值相对误差控制在±5%以内。     

基于神经网络的过程趋势预测

In order to catch more process details in chemical processes,a dynamic model for prediction of process trends is proposed by modifying traditional time-series ANN (artificial neural networks) model with impules response indentification means.The application result of the model is briefly discussed.     

基于遗传神经网络的NEPE推进剂寿命预估

将遗传算法和神经网络相结合,建立了NEPE推进剂寿命预估的遗传神经网络(GA-BP)模型.以推进剂拉伸强度下降至原来的50%作为失效判据,利用GA-BP模型预估了NEPE推进剂在常温(20℃,相对湿度65%)下,可靠度为90%时的贮存寿命约为12.5年.结果表明,该模型预估精度高,泛化能力强.     

蒸发焓及沸点估算的基团拓扑空间方法

基于传统基团划分方法提出了描述有机化合物分子拓扑结构的新方法,用基团模指数表征基团在分子中的位置,建立了有机化合物物性估算的基团拓扑空间方法.提出了估算正常沸点下蒸发焓ΔH_vb和沸点T_b的表达式,并分别用503种和669种有机化合物拟合出了相应的基团参数.蒸发焓ΔH_vb和沸点T_b估算的平均相对偏差分别为0.962%和1.40%.与广泛应用的其他方法进行比较,结果表明本方法具有更高的准确度和可靠性.     

用复合基团拓扑空间方法估算有机化合物沸点

近年来,随着化工计算发展迅速,对物质的某一物性估算也有多种方法。本文介绍一种用复合物拓扑空间法估算有机化合物的沸点的方法,与已有的分子拓扑方法不同,该方法用基团-邻接原子对的方法来表征基团本身的影响以及基团在分子中的环境的影响。在模型参数不是很多的的情况下,用该方法估算有机化合物沸点,可使物性估算准确度有较大的提高。     

基于GRNN神经网络的蒸汽平衡预测

针对大型化工企业蒸汽的生产、消耗平衡难以预测的问题,提出用GRNN神经网络进行预测的方法。采用实际生产过程中蒸汽产量、消耗量的原始数据,用MATLAB软件编程,根据蒸汽消耗量运用GRNN神经网络对蒸汽供应量进行模拟仿真;仿真效果较好,在实际中有广泛的应用前景。     

基于神经网络的地应力预测方法研究

探讨了基于PDP神经网络模式的地应力预测方法，并给出了一实例的计算结果。     

基于BP神经网络的挤出温升预测

在挤出工艺中,离开机头的物料温度通常比该段机筒设定温度要高,这样的温升往往会影响制品质量和挤出性能。针对挤出温升的非线性与复杂性,文章基于Matlab软件建立了以双螺杆转速、喂料量、物料流变特性为输入,以该工艺条件下的近机头端物料实际温度与该段机筒设定温度间的温升差值为输出的BP网络模型。结果表明:训练好的BP神经网络可以很好地预测不同的配方在不同工艺条件下的温升状况,为确定合理的挤出工艺设定温度提供了理论指导。