相关实验视频
Updated: May 11, 2026
09:50
Electrochemically and Bioelectrochemically Induced Ammonium Recovery
Published on: January 22, 2015
12.7K
TCN-变压器深度网络与随机森林用于预测化学合成氨过程
Jianguo Dong1, Xiaona Liu2, Ruixian Su2
1School of Automation, Southeast University, Nanjing 210000, China.
ACS omega
|January 27, 2025
概括
这项研究引入了一种新的深度学习模型,用于准确预测合成氨过程输出. 该模型通过有效处理复杂的化学过程数据来增强操作监控和系统优化.
科学领域:
- 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
- 过程控制 过程控制
背景情况:
- 精确预测化学合成氨过程输出对于优化性能和监控至关重要.
- 测量中间变量的挑战阻碍了传统的机制分析和识别建模.
- 现有的方法难以应对多变量过程数据的复杂性和动态性.
研究的目的:
- 开发一个强大的深度学习模型,用于预测合成氨过程中的关键输出变量.
- 通过选择主要输入变量来提高计算效率和概括能力.
- 通过先进的特征提取和注意力机制来提高预测准确性.
主要方法:
- 使用随机森林 (RF) 进行主要输入变量选择.
- 开发了一个结合时间卷积网络 (TCN) 和变压器架构的深度神经网络.
- 集成的自我注意力和多头注意力机制,用于加权数据赋值和功能增强.
- 采用编码和解码技术来建模多变量特征序列并改善数据相关性.
主要成果:
- 拟议的TCN-变压器网络证明了对一氧化碳输出的高预测准确性.
- 获得了0.8233.3的确定系数 (R2).
- 获得了0.0032的根平均平方误差 (RMSE) 和0.0024的平均绝对误差 (MAE).
- 与现有方法相比,经过验证的优异性能.
结论:
- 开发的深度学习模型有效地预测了合成氨过程中的关键输出.
- 集成RF,TCN和变压器架构在处理复杂的过程数据方面提供了显著的优势.
- 模型的准确性和适用性得到了验证,为工业过程优化和监控提供了一个有前途的工具.
