基于人工智能的预测模型用于硫回收装置中的焚烧炉,以预测SO2排放量

科学领域:

• 环境科学 环境科学
• 化学工程是化学工程的重要组成部分.
• 人工智能的人工智能

背景情况:

• 化学工厂的污染物排放带来了重大的环境风险.
• 优化流程和环境性能需要可靠的排放预测.
• 硫回收单元 (SRU) 涉及复杂的反应,使传统建模难以实现.

研究的目的:

• 开发和评估基于人工智能的模型,用于预测SRU的SO2排放.
• 优化输入特征和超参数,以提高模型性能.
• 为了比较各种机器学习模型在排放预测方面的有效性.

主要方法:

• 测试了标准的机器学习 (ML) 算法,多层感知器 (MLP),长期短期记忆 (LSTM),一维卷积 (1D-CNN) 和CNN-LSTM模型.
• 优化模型输入特征和超参数,以获得最大的预测准确度.
• 使用平均平方误差 (MSE) 和平均绝对百分比误差 (MAPE) 评估模型性能,用于1,3和5小时前的预测.

主要成果:

• 与其他测试模型相比,CNN-LSTM编码器解码器模型表现出卓越的性能.
• 随着更长的预测时间 (长达5小时),模型的准确性得到了改善.
• 对于5小时的预测,CNN-LSTM模型比1D-CNN,Deep LSTM和单层LSTM模型取得了显著的MAPE优势.

结论:

• 基于人工智能的模型,特别是CNN-LSTM编码解码器,对于SRU中的SO2排放预测是有效的.
• 拟议的模型为优化化学过程和提高环境安全提供了可靠的工具.
• 先进的深度学习架构为复杂的工业排放提供了卓越的预测能力.