System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及环境监测,尤其是涉及一种基于非侵入式的煤化工碳捕集效率评价方法及系统。
技术介绍
1、随着气候变化问题日益严峻,煤化工行业面临着减少温室气体排放的压力。碳捕集、利用和存储(ccus)技术是减少这些排放的关键技术之一。然而,现有的碳捕集效率评价方法存在监测不全面、反应不及时等问题,这些限制了碳捕集技术的优化和效率提高。
2、现有碳捕集效率评价方法的具体缺点:1、监测范围有限:传统方法可能只能监测特定的参数或在特定的操作条件下有效,无法全面评估整个碳捕集过程。2、反应时滞:现有技术可能无法实时或快速反应环境或操作条件的变化,导致评估结果滞后于实际情况。3、数据处理不足:缺乏高级数据分析和处理能力,不能充分利用收集到的数据进行深入分析。4、精确度和可靠性问题:监测设备或方法的准确度可能有限,影响评估的可靠性。5、操作复杂性一些方法可能需要复杂的操作和高级技术知识,不利于广泛应用。
技术实现思路
1、为了解决上述提到的问题,本专利技术提供一种基于非侵入式的煤化工碳捕集效率评价方法及系统。通过非侵入式检测技术和人工智能分析算法,实现对煤化工过程中碳捕集效率的准确和实时评价
2、第一方面,本专利技术提供的一种基于非侵入式的煤化工碳捕集效率评价方法,采用如下的技术方案:
3、一种基于非侵入式的煤化工碳捕集效率评价方法,包括:
4、获取煤化工过程的传感数据;
5、根据获取的传感数据,利用深度学习模型对传感数据进行分析;
>6、其中,将煤化工过程的传感数据划分为图像图谱数据和时间序列数据,利用卷积神经网络对图像图谱数据进行分析得到碳捕集效率中的异常数据;利用长短期记忆网络对时间序列数据进行碳捕集效率预测,得到预测结果。
7、进一步地,所述获取煤化工过程的传感数据,包括利用光谱分析传感器监测碳捕集介质中的co2浓度;通过声波传感器得到介质的饱和度;通过电磁波传感器监测物料层厚度和分布均匀性。
8、进一步地,所述将煤化工过程的传感数据划分为图像图谱数据和时间序列数据,包括根据传感数据的性质,将数据分为图像图谱数据和时间序列数据,其中,光谱数据和某些电磁波数据归类为图像图谱数据,声波传感器和某些电磁波传感器收集的数据,其变化随时间呈现出序列特征,归类为时间序列数据。
9、进一步地,所述利用卷积神经网络对图像图谱数据进行分析得到碳捕集效率中的异常数据,包括利用卷积神经网络的卷积层对传感数据中的图像数据进行特征提取,得到特征图,表示为:,其中,为l 层的特征图中的一个元素,σ 是非线性激活函数,w 是卷积核的权重,b 是偏置项,x 是输入数据。
10、进一步地,所述利用卷积神经网络对图像图谱数据进行分析得到碳捕集效率中的异常数据,还包括利用卷积神经网络的池化层降低特征图的维度,并通过全连接层连接的输出层将特征图进行输出。
11、进一步地,所述利用卷积神经网络对图像图谱数据进行分析得到碳捕集效率中的异常数据,还包括基于二分类判断输出层输出的特征图与输入的数据的差异,即得到异常数据。
12、进一步地,所述利用长短期记忆网络对时间序列数据进行碳捕集效率预测,得到预测结果,包括构建lstm模型的结构,包括输入层、lstm层和输出层,配制模型训练参数,包括学习率、损失函数和优化器;对模型进行训练,lstm模型根据其学习到的时间依赖性,输出对应时间点的碳捕集效率预测值。
13、第二方面,一种基于非侵入式的煤化工碳捕集效率评价系统,包括:
14、数据获取模块,被配置为,获取煤化工过程的传感数据;
15、分析模块,被配置为,根据获取的传感数据,利用深度学习模型对传感数据进行分析;
16、其中,将煤化工过程的传感数据划分为图像图谱数据和时间序列数据,利用卷积神经网络对图像图谱数据进行分析得到碳捕集效率中的异常数据;利用长短期记忆网络对时间序列数据进行碳捕集效率预测,得到预测结果。
17、第三方面,本专利技术提供一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于非侵入式的煤化工碳捕集效率评价方法。
18、第四方面,本专利技术提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于非侵入式的煤化工碳捕集效率评价方法。
19、综上所述,本专利技术具有如下的有益技术效果:
20、本专利技术通过上述技术方案,能够为用户提供全面的数据分析和决策支持,帮助用户更好地了解和管理碳捕集过程,优化运营效率并提升业务成果。
21、通过两个模型的配合,本专利技术能够实现对煤化工碳捕集过程的精准监控及效率评估。传感器模块提供实时、高精度的数据,而数据处理单元则利用先进的算法对数据进行深入分析,从而为碳捕集系统的优化提供科学依据。
本文档来自技高网...【技术保护点】
1.一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,包括:
2.根据权利要求1所述的一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,所述获取煤化工过程的传感数据,包括利用光谱分析传感器监测碳捕集介质中的CO2浓度;通过声波传感器得到介质的饱和度;通过电磁波传感器监测物料层厚度和分布均匀性。
3.根据权利要求2所述的一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,所述将煤化工过程的传感数据划分为图像图谱数据和时间序列数据,包括根据传感数据的性质,将数据分为图像图谱数据和时间序列数据,其中,光谱数据和某些电磁波数据归类为图像图谱数据,声波传感器和某些电磁波传感器收集的数据,其变化随时间呈现出序列特征,归类为时间序列数据。
4.根据权利要求3所述的一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,所述利用卷积神经网络对图像图谱数据进行分析得到碳捕集效率中的异常数据,包括利用卷积神经网络的卷积层对传感数据中的图像数据进行特征提取,得到特征图,表示为:,其中,为l 层的特征图中的一个元素,σ 是非线性激活函数,W 是卷积核的
5.根据权利要求4所述的一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,所述利用卷积神经网络对图像图谱数据进行分析得到碳捕集效率中的异常数据,还包括利用卷积神经网络的池化层降低特征图的维度,并通过全连接层连接的输出层将特征图进行输出。
6.根据权利要求5所述的一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,所述利用卷积神经网络对图像图谱数据进行分析得到碳捕集效率中的异常数据,还包括基于二分类判断输出层输出的特征图与输入的数据的差异,即得到异常数据。
7.根据权利要求6 所述的一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,所述利用长短期记忆网络对时间序列数据进行碳捕集效率预测,得到预测结果,包括构建LSTM模型的结构,包括输入层、LSTM层和输出层,配制模型训练参数,包括学习率、损失函数和优化器;对模型进行训练,LSTM模型根据其学习到的时间依赖性,输出对应时间点的碳捕集效率预测值。
8.一种基于非侵入式的煤化工碳捕集效率评价系统,其特征在于,包括:
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种基于非侵入式的煤化工碳捕集效率评价方法。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1所述的一种基于非侵入式的煤化工碳捕集效率评价方法。
...【技术特征摘要】
1.一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,包括:
2.根据权利要求1所述的一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,所述获取煤化工过程的传感数据,包括利用光谱分析传感器监测碳捕集介质中的co2浓度;通过声波传感器得到介质的饱和度;通过电磁波传感器监测物料层厚度和分布均匀性。
3.根据权利要求2所述的一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,所述将煤化工过程的传感数据划分为图像图谱数据和时间序列数据,包括根据传感数据的性质,将数据分为图像图谱数据和时间序列数据,其中,光谱数据和某些电磁波数据归类为图像图谱数据,声波传感器和某些电磁波传感器收集的数据,其变化随时间呈现出序列特征,归类为时间序列数据。
4.根据权利要求3所述的一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,所述利用卷积神经网络对图像图谱数据进行分析得到碳捕集效率中的异常数据,包括利用卷积神经网络的卷积层对传感数据中的图像数据进行特征提取,得到特征图,表示为:,其中,为l 层的特征图中的一个元素,σ 是非线性激活函数,w 是卷积核的权重,b 是偏置项,x 是输入数据。
5.根据权利要求4所述的一种基于非侵入式的煤化工碳捕集效率评价方法,其特征在于,所述利用卷积神经网络对图像图谱数据进行分析得到碳捕集效率中的异...
【专利技术属性】
技术研发人员:王雪妮,张其文,
申请(专利权)人:济南明泉数字商务有限公司,
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。