使用先进的人工神经网络进行膜反应器效率的预测建模,用于生产绿色的人工神经网络

科学领域:

• 能源科学与技术 能源科学与技术
• 化学工程是化学工程的重要组成部分.
• 在工程领域的人工智能.

背景情况:

• 脱碳努力推动了对等清洁能源载体的需求.
• 从可再生能源中有效和可持续地生产气面临着挑战.
• 膜反应器技术是先进合成的关键.

研究的目的:

• 使用人工神经网络 (ANN) 模型评估和预测膜反应器中的系统效率.
• 为了确定有效生产的最佳操作变量.
• 为了比较多层感知子 (MLP) 和辐射基函数 (RBF) 网络的性能.

主要方法:

• 采用多层感知器 (MLP) 和辐射基函数 (RBF) 人工神经网络模型.
• 使用12个训练算法和8个激活函数,不同隐藏层和神经元数量的优化MLP模型.
• 使用统计指标评估模型性能:相关系数 (R2),平均平方误差 (MSE) 和运行时间.

主要成果:

• 使用莱文伯格-马奎德训练和触点-西格激活的MLP模型实现了0.9975 (训练) 和0.9962 (测试) 的R2,MSE低.
• 逻辑-西格莫体激活函数也表现出高精度 (R2 ≈ 0.997).
• 与RBF网络相比,MLP模型显示出更高的准确性和更短的计算时间.

结论:

• ANN,特别是优化的MLP模型,提供了准确和可靠的预测膜反应器系统的气生产效率.
• 特定的配置 (例如,tansig/logsig激活,定义的神经元数量) 提高了MLP模型的准确性.
• 这种预测能力可以指导膜反应器技术的优化,以实现可持续的气生产.