【技术实现步骤摘要】
一种基于多分支神经网络的稀土萃取模拟方法及系统
[0001]本专利技术涉及化工流程模拟
，特别是涉及一种基于多分支神经网络的稀土萃取模拟方法及系统。
技术介绍
[0002]稀土元素又被称为“工业的维生素”，是镧系元素、钪和钇等17种金属元素的总称。稀土作为一种重要的战略资源，国内对其萃取分离方法的研究开始较早，20世纪70年代，北京大学徐光宪教授在分馏萃取理论基础上提出的稀土串级萃取理论，是目前国内稀土萃取流程模拟领域研究的主要指导理论。
[0003]稀土萃取工艺是一种具有复杂工况变化特性的多输入多输出过程。目前实际生产环境中缺少组分含量在线监测仪器，再加上稀土萃取分离过程存在非线性、强耦和及高延迟的特点，使得萃取过程中各级萃取槽的组分含量变化往往无法及时得到，一段时间后若是发现产品未达到生产工艺要求，此时再根据新工况调节工艺参数已经造成了较大的原料浪费。故当出现新工况或者当前工况变化频繁时，需要验证当前工艺是否符合生产要求，使得操作人员可以及时修改生产控制系统工艺参数。上述需求鼓励了对稀土萃取过程流程模拟方法...
【技术保护点】
【技术特征摘要】
1.一种基于多分支神经网络的稀土萃取模拟方法，其特征在于，所述方法包括：S1：获取稀土原始数据集；S2：对所述稀土原始数据集进行数据清洗和标准化预处理，得到处理后的数据集；S3：将处理后的数据集划分为训练集和测试集；S4：根据所述训练集构建多分支神经网络模型；S5：构建所述多分支神经网络模型的各个分支对应的独立损失优化函数；S6：采用反向传播和随机梯度下降算法，对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练，当各个分支的独立损失优化函数均收敛到设定阈值时，停止训练，获得训练后的多分支神经网络模型；S7：利用测试集对所述训练后的多分支神经网络模型进行模拟，当模拟精度达到设定精度时，停止模拟，获得最终的多分支神经网络模型；S8：利用所述最终的多分支神经网络模型进行稀土萃取模拟。2.根据权利要求1所述的基于多分支神经网络的稀土萃取模拟方法，其特征在于，所述多分支神经网络模型，具体公式为：多分支神经网络模型，具体公式为：其中，y
(j)
,j∈[1,n+m]表示第j分支组分含量输出，f
i
(*),i∈[1,n+m]表示多变量线性函数，X表示所述训练集的特征，h
(i)
,i∈[1,k]表示第i层隐含层提取特征，ω
i
，i∈[1，k]表示第i层隐含层提取特征的权重矩阵，b
i
，i∈[1，k]表示第i层隐含层提取特征的偏差项，h
(*)
表示第j分支的上一级隐含层特征，b
j
，j∈[1，n+m]表示第j分支的偏差系数，f(*)表示隐含层传递函数，g(*)表示输出层传递函数，n+m表示所述多分支神经网络模型的总分支数量。3.根据权利要求1所述的基于多分支神经网络的稀土萃取模拟方法，其特征在于，所述独立损失优化函数，具体公式为：
其中，表示第j分支的独立损失优化函数，y
(j)
，j∈[1，n+m]表示第j分支组分含量输出，第j分支组分含量输出预测值，θ
j
，j∈[1，n+m]表示第j分支对应的隐含层参数，θ
j
＝(ω
j*
，b
j*
)，表示第j分支对应的隐含层的权重矩阵，表示表示第j分支对应的隐含层的偏差系数，z表示所述训练集的样本数量，n+m表示所述多分支神经网络模型的总分支数量。4.根据权利要求1所述的基于多分支神经网络的稀土萃取模拟方法，其特征在于，所述S6具体包括：S61：采用反向传播和随机梯度下降算法，根据公式对所述多分支神经网络模型的第j分支对应的独立损失优化函数进行训练；其中，()
′
表示求梯度值，表示第j分支对应的隐含层第l+1次迭代的权重矩阵，表示第j分支对应的隐含层第l次迭代的权重矩阵，表示第j分支对应的隐含层第l+1次迭代的偏差系数，表示第j分支对应的隐含层第l次迭代的偏差系数，η表示学习率，第j分支的独立损失优化函数，y
(j)
，j∈[1，n+m]表示第j分支组分含量输出，第j分支组分含量输出预测值，θ
j
，j∈[1，n+m]表示第j分支对应的隐含层参数，n+m表示所述多分支神经网络模型的总分支数量；S62：当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时，第j分支停止训练；S63：判断j是否大于或等于n+m，如果j大于或等于n+m，则输出训练后的多分支神经网络模型；如果j小于n+m，则令j＝j+1，返回“S61”。5.一种基于多分支神经网络的稀土萃取模拟系统，其特征在于，所述系统包括：<...
【专利技术属性】
技术研发人员：杨辉，王伟，朱建勇，徐芳萍，陆荣秀，杨洛郡，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：
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。