【技术实现步骤摘要】
本专利技术涉及燃料化学品智能标定，具体涉及一种高密度生物燃料化学品性质预测方法及系统。
技术介绍
1、高密度燃料是人工合成的密度大于0.8g cm-3的液体碳氢化合物，被广泛应用在飞机、火箭、导弹、航天飞船和卫星等航空航天飞行器上。传统的高密度燃料大多以石油化学品为原料来合成，随着社会和国家对能源以及可持续发展的重视，特别是在“碳达峰”、“碳中和”的背景下，以可再生的生物质资源合成高密度燃料(即高密度生物燃料)受到了高度关注。高密度生物燃料是一种可再生的燃料，因其具有更高的能源密度的特点，它可以提供更高的体积加热值，从而导致更长的运输距离和运载火箭的运载能力，成为飞机和重型卡车非常需要的一种燃料，具有广泛的应用前景。
2、由聚环烷烃组成的生物燃料是已报道的高密度生物燃料中一种特殊的存在。以环烷烃为基础的生物燃料由于其强环染色，通常比线性或支链结构烷烃具有更高的密度和体积加热值。由于这些优势，许多研究小组已经开始探索合成多环烷烃基的高密度生物燃料的可行工艺。最近已经报道了一些聚环烷烃生物燃料。然而，聚环烷烃生物燃料的生产研究仍处于起步阶段，面临着很多困难：
3、生产成本高：聚环烷烃生物燃料的生产成本较高，主要是因为其生产过程需要消耗大量的能源，同时需要使用高价值的催化剂等原材料，这使得其生产成本高于传统的生物燃料。
4、产量低：目前聚环烷烃生物燃料的生产产量相对较低，这主要是因为聚环烷烃分子结构复杂，需要较高的温度和压力才能完成反应，同时反应速率较慢，导致生产周期长，产量低。
5、生
6、技术成熟度低：聚环烷烃生物燃料的生产技术还不够成熟，需要进一步的研究和开发，以实现其在工业化生产中的应用。
7、以上的几点原因导致了目前所报告的生物燃料的燃料特性通常缺乏鉴定，生产时只是为了证明该过程的可行性，不足以充分评价生物燃料的质量。单纯使用实验方式进行性质测量存在重复性较低，昂贵且耗时，经济性不足等缺陷。
技术实现思路
1、为克服现有技术中的问题，本专利技术的目的是提供一种高密度生物燃料化学品性预测方法及系统，能够实现对生物燃料的质量和特性的评价。
2、本专利技术是通过以下技术方案来实现：
3、一种高密度生物燃料化学品性预测方法，包括以下步骤：
4、获取待测试生物燃料化学品的分子结构，作为特征数据；
5、将特征数据输入到在最优隐元数下经训练后的bp神经网络中，得到链结构烷烃和聚环烷烃化学性质参数。
6、进一步的，在最优隐元数下经训练后的bp神经网络通过以下过程确定：
7、1)确定生物燃料化学品种类，包括柴油和喷气式生物燃料中的链结构烷烃和聚环烷烃；
8、2)通过实验测定链结构烷烃和聚环烷烃的参数；
9、3)将链结构烷烃和聚环烷烃分子结构作为特征数据，形成数据集，数据集包括训练集和验证集；
10、4)在最优隐元数下，采样训练集对bp神经网络进行训练，得到在最优隐元数下经训练后的bp神经网络。
11、进一步的，bp神经网络的隐藏层的激活函数为tansig函数，bp神经网络的输出层的激活函数为purelin函数。
12、进一步的，对bp神经网络进行训练的参数包括：训练次数设置为1000，学习速率设为0.01，训练目标设置为10-6，动量因子设置为0.01。
13、进一步的，最优隐元数通过以下过程确定：通过计算隐藏层神经元个数为1-n时，通过验证集输入到bp神经网络中，得到验证集的均方误差，选定均方误差最小时对应的隐藏层神经元个数作为最优隐元数。
14、进一步的，所述链结构烷烃和聚环烷烃的参数为密度、沸点或十六烷值。
15、进一步的，链结构烷烃和聚环烷烃种类的数量不少于100个。
16、进一步的，训练集进行均一化处理后对bp神经网络进行训练。
17、一种高密度生物燃料化学品性预测系统，包括：
18、特征数据获取模块，用于获取待测试生物燃料化学品的分子结构，作为特征数据；
19、链结构烷烃和聚环烷烃化学性质参数获得模块，用于将特征数据输入到在最优隐元数下经训练后的bp神经网络中，获得链结构烷烃和聚环烷烃化学性质参数。
20、与现有技术相比，本专利技术具有显著的有益效果：
21、本专利技术通过对高密度生物燃料化学性质的实验数据进行分析，建立高密度生物燃料化学品性与分子结构之间关系的预测模型即bp神经网络，相较于以往实验方法更高效，节省了大量的时间和实验成本。同时，基于bp神经网络能够处理非线性关系和复杂的数据结构，具有较强的适应性和预测能力。本专利技术的方法中bp神经网络的各个输入参数与输出参数的重要性，为探究影响高密度生物燃料化学品性能的燃料分子结构提供了依据与方向，有助于寻找合适的替代目标化石基柴油和航空燃料，缩短开发时间，降低研究成本。
本文档来自技高网...【技术保护点】
1.一种高密度生物燃料化学品性预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的高密度生物燃料化学品性预测方法，其特征在于，在最优隐元数下经训练后的BP神经网络通过以下过程确定：
3.根据权利要求2所述的高密度生物燃料化学品性预测方法，其特征在于，BP神经网络的隐藏层的激活函数为tansig函数，BP神经网络的输出层的激活函数为purelin函数。
4.根据权利要求2所述的高密度生物燃料化学品性预测方法，其特征在于，对BP神经网络进行训练的参数包括：训练次数设置为1000，学习速率设为0.01，训练目标设置为10-6，动量因子设置为0.01。
5.根据权利要求2所述的高密度生物燃料化学品性预测方法，其特征在于，最优隐元数通过以下过程确定：通过计算隐藏层神经元个数为1-n时，通过验证集输入到BP神经网络中，得到验证集的均方误差，选定均方误差最小时对应的隐藏层神经元个数作为最优隐元数。
6.根据权利要求2所述的高密度生物燃料化学品性预测方法，其特征在于，所述链结构烷烃和聚环烷烃的参数为密度、沸点或十六烷值。>
7.根据权利要求2所述的高密度生物燃料化学品性预测方法，其特征在于，链结构烷烃和聚环烷烃种类的数量不少于100个。
8.根据权利要求2所述的高密度生物燃料化学品性预测方法，其特征在于，训练集进行均一化处理后对BP神经网络进行训练。
9.一种高密度生物燃料化学品性预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种高密度生物燃料化学品性预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的高密度生物燃料化学品性预测方法，其特征在于，在最优隐元数下经训练后的bp神经网络通过以下过程确定：
3.根据权利要求2所述的高密度生物燃料化学品性预测方法，其特征在于，bp神经网络的隐藏层的激活函数为tansig函数，bp神经网络的输出层的激活函数为purelin函数。
4.根据权利要求2所述的高密度生物燃料化学品性预测方法，其特征在于，对bp神经网络进行训练的参数包括：训练次数设置为1000，学习速率设为0.01，训练目标设置为10-6，动量因子设置为0.01。
5.根据权利要求2所述的高密度生物燃料化学品性预...
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。