先进的温度集成反向传播神经网络,用于增强预测复杂有机废物气化中的新加斯成分

科学领域:

• 化学工程是化学工程的重要组成部分.
• 环境科学 环境科学
• 数据科学数据科学数据科学

背景情况:

• 有机废物气化对合成气的预测提出了复杂的挑战,原因是复杂的组成和挥发性物质.
• 传统的煤气化模型对于有机废物来说是不够的,原因是不同的影响因素,如温度.

研究的目的:

• 开发一个准确的预测模型,用于合成气组成的多元组合有机废物气化.
• 确定炉温作为影响气化反应和合成气输出的关键参数.

主要方法:

• 开发了一种混合反向传播神经网络 (BPNN) 模型,该模型包含来自软感应模型的温度数据.
• 应用主要组件分析 (PCA) 用于复杂的气化数据的维度减少.
• 利用了SHapley添加式解释 (SHAP) 进行数据驱动的合成气调节战略开发.

主要成果:

• 该T-PCA-BPNN模型实现了高预测准确度,其R平方值为0.95 (CO2),0.97 (CO) 和0.94 (H2).
• 与基础BPNN模型相比,总平均平方误差 (MSE) 减少了49.4%,平均绝对误差 (MAE) 减少了13.3%.
• 超过90%的预测都在1%的误差范围内 (QR),这表明其具有很高的实际适用性.

结论:

• 开发的T-PCA-BPNN模型为有机废物气化中的合成气组成预测提供了强大而准确的解决方案.
• 集成PCA和SHAP分析,可为流程优化提供有效的合成气调节策略.
• 这种数据驱动的方法增强了过程控制,从而提高了复杂废物气化系统的效率.