一个多目标优化框架,它包含可解释的CatBoost和修改的粘液模具算法,以解决炉燃烧优化问题
1School of Information Engineering, Tianjin University of Commerce, Beichen, Tianjin 300134, China.
Biomimetics (Basel, Switzerland)
|November 26, 2024
概括
这项研究引入了一个AI框架,用于优化循环流化床炉,将热效率提高0.68%,并将NOx排放量减少37.55%. 该方法有效地建模和优化复杂的燃烧系统.
科学领域:
- 燃烧工程 燃烧工程
- 人工智能的人工智能
- 环境科学 环境科学
背景情况:
- 循环流化床 (CFB) 炉燃烧是一个复杂的多目标优化挑战.
- 同时提高热效率和减少氧化 (NOx) 排放对于CFB炉至关重要.
研究的目的:
- 为CFB炉燃烧开发一个新的多目标优化框架.
- 为了提高炉的热效率并降低NOx排放度.
主要方法:
- 一个可解释的CatBoost模型与TreeSHAP相结合,用于建模热效率和NOx排放.
- 使用已建立的模型进行数据相关性分析.
- 使用修改后的粘液模具算法优化330兆瓦CFB炉可调节的操作参数.
主要成果:
- 拟议的框架实现了平均热效率提高 +0.68%.
- 观察到NOx排放度的显著平均减少为-37.55%.
- 优化过程显示平均执行时间为6.40秒.
结论:
- 开发的框架有效地建模和优化复杂的CFB炉燃烧系统.
- 该方法提供了一个可行的人工智能解决方案,用于提高工业炉的效率和减少排放.
- 通过基准测试功能和受约束的优化问题进一步验证了该方法的优势.


