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。     

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。     

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。     

基团贡献法确定简化空穴理论状态方程的分子参数

本文对作者开发的简化空穴理论状态方程的纯物质参数做了基团贡献处理，得到了１４个基团参数，可以比较好地预测正构烷烃、异构烷烃、环烷烃、芳香烃及部分聚合物的热力学性质。     

量子拓扑指数法预测多氯联苯醚的热力学性质

应用密度泛函理论(DFT),在B3LYP/6-31+G(d)基组上优化和振动分析计算了多氯联苯醚（PCDEs）所有209种可能的分子空间几何结构,得到其各原子之间空间拓扑距离,并建立拓扑空间距离矩阵。结合分子中各原子的支化度,应用原子的平衡电负性对分子图进行着色,得到量子拓扑指数PX₁、PX₂。采用多元线性回归技术建立联苯醚和209种可能结构的多氯联苯醚PCDEs 3种少见报道的热力学性质--标准生成热、标准生成自由能和相对自由能与PX₁、PX₂的定量关系拓扑模型,并用该模型分别对不同热力学性质进行预测与估算。结果表     

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。     

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。     

基于神经网络的有机朗肯循环过程及循环性能计算方法

有机朗肯循环（ORC）是中低温热能-电能转换中最具前景的技术之一,近年来受到越来越多的关注。工质是ORC实现的载体,由于热源及可选工质的多样性,工质筛选及系统的优化对于提升ORC综合性能非常重要,而物性及过程特性的准确预测是关键。提出了基于神经网络-基团贡献法的ORC系统性能计算方法,建立了涵盖11个基团的基团表,从REFPROP中调用51种工质7958组数据进行神经网络训练,获得了ORC中各个热力过程能量转换和熵差的计算关联式。计算了21种常用工质在1584组工况下的ORC系统性能,并与基于传统方法计算的ORC系统性能参数进行了对比。结果显示预测得到的ORC系统热效率、净输出功和系统?效率与用REFPROP计算得出的结果相比误差分别为1.01%、1.02%和1.61%,相比传统方法,预测精度有显著提高。     

神经网络的遗传繁殖策略

借助神经网络技术对遗传算法中的后代个体的繁殖进行了研究 ,介绍了基于神经网络的遗传繁殖新策略 ,探讨了基于神经网络的遗传繁殖策略的实现 ,对基于神经网络的繁殖策略还进行了初步实验。数值实验结果表明 ,提出的基于神经网络的遗传繁殖策略能产生优良的后代个体。     

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。     

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法 (GA)和模糊神经网络控制器的结构进行了说明。为了克服反向传播算法 (BP)的缺点 ,通过遗传算法对模糊神经网络控制器的参数进行优化 ,亦即对模糊神经网络进行训练。用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象 ,仿真结果证实了其性能较常规模糊控制器优越。     

基于人工神经网络和遗传算法的甲烷制氢催化剂设计

通过筛选辅助组分和制备方法,制备了一种用于甲烷直接制氢的Fe₃O₄复合氧化物催化剂。应用人工神经网络建立了该催化剂的配方模型,对人工神经网络模型学习算法、激活函数以及网络结构进行了考察,确定了该催化剂辅助设计的步骤及模型的网络结构,将Levenberg-Marquardt方法用于网络的训练,改进了网络的收敛特性,最终获得了泛化能力较强的人工神经网络配方模型。以建立的模型为目标函数,采用改进的混合遗传算法作为优化方法,经过6轮优化,获得了一系列较优的甲烷直接制氢的Fe₃O₄复合氧化物催化剂配方。选用其中一种优化获得的配方进行甲烷制氢反应,催化剂寿命和氢气生成速率分别达到4.46 h和1.16 mmol·min^-1·（g Fe）^-1,优于以往报道的催化剂。     

基于神经网络-遗传算法优化生物柴油制备工艺

根据生物柴油制备的实验数据,用人工神经网络(ANN)的反向传播(BP)算法建立了生物柴油转化率神经网络预测模型,提出了适宜的人工神经网络拓扑结构,讨论了BP算法中学习速率、动量系数及过拟合现象对网络的影响。实验数据检验表明,ANN方法能准确地关联生物柴油制备工艺条件与转化率的关系,转化率预测平均相对误差为1.917%,复相关系数R为0.9996;该神经网络预测模型用遗传算法优化,得到了最佳生物柴油制备条件。     

人工神经网络预测阴离子表面活性剂的临界胶束浓度

根据定量结构-性能关系原理,利用人工神经网络模型,采用Wn、S和Sn三种拓扑指数描述阴离子表面活性剂的分子结构并作为网络输入,预测阴离子表面活性剂的临界胶束浓度。确定了网络参数,利用43组数据对网络进行训练和预测,并与文献值进行了比较。结果表明,预测精度较高,说明人工神经网络方法具有很好的预测能力。     

基于动态神经网络的高炉炉壁不完备温度检测信息软测量方法

针对高炉炉壁温度检测系统中由于传感器故障导致的检测信息不完备问题,提出一种基于动态神经网络的不完备检测信息软测量方法。首先,依据高炉结构和炉壁温度传感器位置分布建立温度传感器位置描述模型和分区域温度检测模型;其次,根据热传递学分析炉壁分区域温度检测模型中各个传感器之间存在的相关性,并采用最大互信息非参统计量方法从传感器检测序列上定量的计算分区域温度检测模型中各传感器间的相关度;最后,依据相关性分析结果,结合温度传递规律,提出炉壁不完备温度检测信息软测量模型,采用Elman神经网络对模型的结构和参数进行辨识。通过高炉冶炼现场采集的数据仿真计算表明,提出的方法具有较好的准确度与检测精度,能够满足现场的检测精度要求,具备广泛的应用价值。     

基于模糊递归神经网络的污泥容积指数预测模型

污泥容积指数（SVI）,一个关键的污泥沉降性能评价指标。针对污水处理过程中污泥膨胀关键水质参数污泥容积指数难以准确在线测量,且实验室取样测量方法时间久、精度低,提出了一种改进型的模糊递归神经网络（HRFNN）用来预测污泥容积指数的变化,通过在网络第三层加入含有内部变量的反馈连接来实现输出信息的反馈。实验结果表明,与其他模糊神经网络相比,该网络的规模小、精度高,处理动态信息的能力明显加强。     

Optimization of acrylic dry spinning production line by using artificial neural network and genetic algorithm

Acrylic fibers are synthetic fibers with wide applications. A couple of methods can be utilized in their manufacture, one of which is the dry spinning process. The parameters in this method have nonlinear relationships, making the process very complex. To the best of the authors' knowledge, no comprehensive study has yet been conducted on the optimization of acrylic dry spinning production using computer algorithms. In this study, such parameters as extruder temperature in and around the head, solution viscosity, water content in the solution, formic acid content of the solution, and the retention time of the solution in the reactor were measured in an attempt to predict the behavior of the dry spinning process. The color index of the manufactured fibers was used as an indicator of production quality and statistical methods were employed to determine the parameters affecting the process. An artificial neural network (ANN) using the back propagation training algorithm was then designed to predict the color index. ANN parameters including the number of hidden layers, number of neurons in each layer, adaptive learning rate, activation functions, number of max fail epochs, validation and test data were optimized using a genetic algorithm (GA). The trial and error method was used to optimize the GA parameters like population size, number of generations, crossover or mutation rates, and various selection functions. Finally, an ANN with a high accuracy was designed to predict the behavior of the dry spinning process. This method is capable of preventing the manufacturing of undesired fibers. © 2010 Wiley Periodicals, Inc. J Appl Polym Sci, 2011