【技术实现步骤摘要】
一种基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法
本专利技术涉及一种基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，属于复杂工业过程的建模和优化领域。
技术介绍
煤制天然气(SNG)技术可以将煤炭资源转化为无污染、热能利用效率高的天然气，是优化能源消费结构、保障我国能源安全、减少环境污染的重要途径。煤制SNG的关键技术为甲烷化反应，其核心是催化剂的构筑。负载于Al2O3上的Ni基催化剂，因其具备催化活性高、热稳定性好、价格低廉等优势，而被广泛用于实际工业生产中，但烧结和积碳是导致其失活的主要原因。因此，开发一种新型高效甲烷化镍基催化剂具有重要意义。研究发现，仅仅依赖于实验手段，想要从浩如烟海的助剂组合中寻求最佳的配方无疑是非常困难的，成为限制催化剂研发效率的瓶颈。
技术实现思路
本专利技术的目的是提供一种基于ANN-NSGA-II(神经网络结合改进的非支配遗传算法)的甲烷化镍基催化剂配方的筛选优化方法，该方法把机器学习算法引入到Ni/Al2O3催化剂的设计...
【技术保护点】
1.一种基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，其特征在于包括以下内容：/n步骤一：采用随机试验法设计含添加三种助剂元素Re, W, Cs的多个试验组构成初始催化剂库；/n步骤二：创建人工神经网络ANN，BP神经网络是其中的一种，确定三个输入和三个输出，分别对应于输入层和输出层中的神经元；所述三个输入为：添加助剂中Re元素的摩尔量—x，W元素的摩尔量—y和Cs元素的摩尔量—z；三个输出为：CO转换率为50%时的转化温度—T50，Ni的晶粒尺寸增长百分比Increase Rate和积碳百分比—ω1；/n步骤三：通过上述两个步骤进行的训练和测试，构建出多...
【技术特征摘要】
1.一种基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，其特征在于包括以下内容：
步骤一：采用随机试验法设计含添加三种助剂元素Re,W,Cs的多个试验组构成初始催化剂库；
步骤二：创建人工神经网络ANN，BP神经网络是其中的一种，确定三个输入和三个输出，分别对应于输入层和输出层中的神经元；所述三个输入为：添加助剂中Re元素的摩尔量—x，W元素的摩尔量—y和Cs元素的摩尔量—z；三个输出为：CO转换率为50%时的转化温度—T50，Ni的晶粒尺寸增长百分比IncreaseRate和积碳百分比—ω1；
步骤三：通过上述两个步骤进行的训练和测试，构建出多输入多输出的BP神经网络的预测模型，并将其作为NSGA-II优化中的适应度函数评价模型；
步骤四：对实验所需的总的试验组数据先进行归一化处理，然后对归一化数据中的86%作为训练集，用于神经网络的训练和权重计算；剩余14%作为测试集，被用于模型预测能力的检验；采用ANN-NSGA-II计算得到第一代优化结果，进行实验室制备、催化剂评价表征，然后作为新的输入样本数据，加入到构建神经网络的数据集中，重新开始训练，得到新一代的Ni基甲烷化催化剂多目标优化ANN模型，提高适应度近似评价的精度；
步骤五：当利用ANN-NSGA-II优化算法迭代产生下一代种群后，储备在第一代催化剂库中的领域知识开始进行预筛选，将催化剂综合性能优于第一代催化剂性能的样本作为候选样本，送入多目标ANN模型中计算适应度评价值；随后挑选出的催化剂作为第二代催化剂库中的样本，更新第一代催化剂库，生成第二代催化剂库；重复上面的步骤，直至发现新的最优甲烷化镍基催化剂配方。
2.根据权利要求1所述的基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，其特征在于：所述的甲烷化镍基催化剂是负载于Al2O3上的Ni基催化剂，包含助剂W、Re及Cs。
3.根据权利要求1所述的基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，其特征在于：步骤一的具体操作方法为：通过调变Ni与三种添加助剂Re,W,Cs总量的摩尔比、三种助剂之间的配比来获取不同条件下的试验数据；分别选取Ni与助剂总量的摩尔比为3:1、2:1和3:2；为保证选取数据的均匀性，在添加少量助剂的试验数据中选取5组数据；添加量适中助剂的试验数据中选取7组数据；在添加较多助剂的试验数据中选取9组数据；
外加1组不添加任何助剂元素的试验作为空白对照，一共22组试验数据。
4.根据权利要求1或3所述的基于ANN-NSGA-II的甲烷...
【专利技术属性】
技术研发人员：任军，李宇庭，武世平，韩晓霞，赵金仙，权燕红，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。