【技术实现步骤摘要】
一种气化产气预测方法、装置、设备及存储介质
本专利技术实施例涉及气化反应领域，尤其涉及一种气化产气预测方法、装置、设备及存储介质。
技术介绍
在生物质气化反应器结构参数及运行参数设计的过程中，为使设计参数更加准确，缩短后期调试周期，通常需要对不同设计参数下的气化结果进行预测，如气化产气组分浓度和热值等。目标，通常采用如下两种方式进行气化产气组分浓度的预测，具体的：方式一、基于热力学平衡模型预测气化产气组分浓度。热力学平衡模型(ThermodynamicEquilibriumModel，TEM)是一种简单易行的理想化模型，其假定气化反应过程中的多个化学反应在离开气化反应器时都达到了化学平衡状态，并基于质量守恒、能量守恒与化学平衡分析对气化反应结果进行预测；方式二、基于人工神经网络模型预测气化产气组分浓度。人工神经网络模型(ArtificialNeuralNetworks，ANN)是一种新兴的智能化模型，因其能够很好地处理非线性问题而被广泛应用，在保证训练样本的数量与质量，以及，网络结构合理的情况下，人工神经网络模型可根...
【技术保护点】
1.一种气化产气预测方法，其特征在于，包括：/n将目标参数输入气化产气预测模型，得到当前气化产气组分浓度，所述目标参数包括目标原料特征参数、目标气化炉结构参数、目标气化炉运行参数和上一气化温度，所述气化产气预测模型基于人工神经网络模型训练生成；/n将所述当前气化产气组分浓度输入热力学模型，得到当前气化温度；/n根据所述当前气化温度和所述上一气化温度，确定目标函数；/n如果所述目标函数的输出值大于等于温度阈值，则根据所述当前气化温度和所述上一气化温度，确定新当前气化温度，并将所述新当前气化温度作为新的上一气化温度；/n重复执行所述将目标参数输入气化产气预测模型，得到当前气化产...
【技术特征摘要】
1.一种气化产气预测方法，其特征在于，包括：
将目标参数输入气化产气预测模型，得到当前气化产气组分浓度，所述目标参数包括目标原料特征参数、目标气化炉结构参数、目标气化炉运行参数和上一气化温度，所述气化产气预测模型基于人工神经网络模型训练生成；
将所述当前气化产气组分浓度输入热力学模型，得到当前气化温度；
根据所述当前气化温度和所述上一气化温度，确定目标函数；
如果所述目标函数的输出值大于等于温度阈值，则根据所述当前气化温度和所述上一气化温度，确定新当前气化温度，并将所述新当前气化温度作为新的上一气化温度；
重复执行所述将目标参数输入气化产气预测模型，得到当前气化产气组分浓度的操作，直至所述目标函数的输出值小于所述温度阈值，并将使所述目标函数的输出值小于所述温度阈值的当前气化产气组分浓度作为目标气化产气组分浓度。
2.根据权利要求1所述的方法，其特征在于，所述气化产气预测模型基于人工神经网络模型训练生成，包括：
获取第一训练样本，所述第一训练样本的个数为至少两个，每个所述第一训练样本包括第一训练参数和第一标准训练气化产气组分浓度，所述第一训练参数包括第一训练原料特征参数、第一训练气化炉结构参数、第一训练气化炉运行参数和第一训练上一气化温度；
将各第一训练参数输入人工神经网络模型，得到与各第一训练参数对应的各第一当前训练气化产气组分浓度；
根据各第一当前训练气化产气组分浓度和各第一标准训练气化产气组分浓度，确定所述人工神经网络模型的损失函数；
根据所述人工神经网络模型的损失函数调整所述人工神经网络模型的网络参数，直至所述人工神经网络模型的损失函数的输出值小于等于第一预设阈值，则将训练后的所述人工神经网络模型作为所述气化产气预测模型。
3.根据权利要求1所述的方法，其特征在于，所述气化产气预测模型基于人工神经网络模型训练生成，包括：
获取第二训练样本，所述第二训练样本的个数为至少两个，每个所述第二训练样本包括第二训练参数和第二标准训练气化产气组分浓度，所述第二训练参数包括第二训练原料特征参数、第二训练气化炉结构参数、第二训练气化炉运行参数和第二训练上一气化温度；
针对每种气化产气组分，将各第二训练参数输入与所述气化产气组分对应的人工神经网络模型，得到各第二当前训练气化产气组分浓度；
根据各气化产气组分的各第二当前训练气化产气组分浓度和各第二标准训练气化产气组分浓度，确定各人工神经网络模型的损失函数；
根据各人工神经网络模型的损失函数调整各人工神经网络模型的网络参数，直至各人工神经网络模型的损失函数的输出值小于等于第二预设阈值，则将训练后的各人工神经网络模型作为所述气化产气预测模型...
【专利技术属性】
技术研发人员：颜蓓蓓，赵晟，陈冠益，陶俊宇，李健，马文超，程占军，崔孝强，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12
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。