人工神经网络在萃取精馏、反应精馏模拟中的应用

《人工神经网络在萃取精馏、反应精馏模拟中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要萃取精馏和反应精馏以其投资少、能耗低，分离效率高等优点在工业生产中正得到越来越广泛的应用。但萃取精馏和反应精馏作为特殊的精馏过程其模拟方法都非常复杂而且在一定程度上存在不足。因此研究一种简单高效的模拟方法对于降低投资，提高效率具有十分重要的意义。本文采用学习速率可变的动量BP算法训练的人工神经网络(ANN)模型来模拟萃取精馏和反应精馏过程，无需考虑精馏塔内发生的具体过程及其机理，不但能够获得很好的模拟效果，而且模拟计算方法也比较简单。在建立ANN模型前，首先用模拟数据和实验数据进行比较验证CHEMCAD软件模拟这两过程的可行性，并

2、为ANN模型提供了充足的数据库，然后通过比较两种不同的隐含层传递函数和不同隐含层节点数的ANN模型对训练集和验证集的预测效果，选出ANN的最优结构。、本文以甲醇、丙酮的萃取精馏过程和甲醇、乙酸酯化反应生成乙酸甲酯的反应精馏过程为例进行了模拟计算和分析，结果表明采用学习速率可变的动量BP算法训练的ANN比普通BP算法训练的ANN的预测精度更高、训练时间更短，是一种很有效的模拟方法。关键词：萃取精馏反应精馏模拟人工神经网络学习速率可变的动量BP算法ABSTRACTExtractivedistillationandreactivedisti

3、llationhavebeenwidelyusedfortheirlowcost,lowenergyconsumptionandhi班separatingefficiency．However,asthespecialdistillationprocesses，thesimulationofextractivedistillationandreactivedistillationiscomparativelycomplicatedandisofalotofshortages．Asaresult，asimulationmethodwhic

4、hissimpleandmoreefficientissignificantforreducingcostandenhancingefficiency．Inthisdissertation,artificialneuralnetwork(删modelwhichis倾medbymomentumbackpropagationwitllvariablelearningratearepresentedtosimulateextractivedistillationandreactivedistillationwithouttheconside

5、rationofthespecificprocessandmechanisminthecolumns．TheresultsindicatethatexcellenteffectsCanbeachievedbyANNmodelswithhighsimplicity．ThefeasibilityofCHEMCADforsimulatingextractivedistillationandreactivedistillationisvalidatedbycomparisonofthesimulateddataandexperimentald

6、ata．SoCHEMCADCanbeusedtoprovidesufficientdataforANNtomakeuptheshortageofexperimentaldatawhensettingupANNmodels．ThenbycomparingthedifferentpredictedresultsofthetrainingsetandtestingsettoestablishtheoptimalstructureofANNmodels，whichthedifferentpredictiveresultsareproduced

7、byANNwithdifferenttransferfunctionandnodesinhiddenlayer．Inthisthesis，theextractivedistillationforseparatingmethanol·acetonemixtureandreactivedistillationforsynthesizingofmethylacetatearetakenasexamplestOdemonstratethesimulationmethod,andtheresultsshowtheANNmodelstrained

8、bymomentumbackpropagationwithvariablelearningratehashigherprecisionandlesstrainingtimethantheANNwhichbetrained