基于1D-CNN提取Cl2紫外吸收谱特征的浓度反演方法研究

开放环境下氯气泄漏的准确检测一直是氯碱生产企业亟待解决的难题,差分吸收光谱技术(DOAS)可以实现大气中的污染气体的痕量远距离测量,而氯气的紫外吸收光谱呈现“慢变化”的特征,无法用差分的方法分离吸收特征与噪声信号。提出了一种基于一维卷积神经网络(1D-CNN)的氯气浓度反演算法来充分利用光谱信息,通过逐层提取氯气的吸收特征,解决了传统算法容易受噪声干扰导致反演精度下降的问题。与常用的最小二乘法(LS)、多层感知机(MLP)、支持向量机(SVR)和k近邻(KNN)方法相比,该算法的反演结果相比实测数据的准确度最高(R2=0.996,RMSE=4.40,MAE=2.64,SMAPE=8.51%)。由于系统中不可避免的随机噪声会对检测产生干扰,对比了S-G滤波、傅里叶变换、奇异值分解和小波变换分解算法的预处理效果。结果表明,S-G滤波和小波分解算法可以在去除噪声的同时保留氯气的吸收特征信息,进一步提高氯气浓度反演模型的性能。所提出的浓度反演算法为实现开放环境下氯气泄漏的远距离定量检测提供了新的可行方法。

加氢站发展现状与新模式探析

氢能被视为21世纪最具发展潜力的清洁能源,加氢站作为氢能基础设施是整个氢能产业链的核心部分之一,加快推进加氢站建设布局是促进我国“碳达峰、碳中和”,实现能源结构转型的重要举措。对国内外氢能发展战略和产业布局及我国加氢站现状进行了调研,并对站内制氢、储氢和加氢一体化加氢站新模式进行探析,同时分析了当前我国加氢站发展过程中存在的问题,并提出了解决路径。

长短期记忆神经网络模型改进及其在循环冷却水管道腐蚀预测的应用

炼油工业循环冷却水系统的管道腐蚀是多因素相互作用的复杂过程。为了实现对循环冷却水系统管道腐蚀问题的准确预测,针对传统长短期记忆(LSTM)神经网络模型对于多因素影响的特征提取不足、需要靠人为经验选取超参数的问题,通过在LSTM网络前添加全连接层来提取数据多变量的特征、采用网络搜索法优选超参数对LSTM模型进行改进。从兰州某石化公司按时间采集的循环水质巡检历史数据入手,提取水质数据的多变量和时间序列影响特征,采用改进LSTM模型预测循环冷却水系统管道腐蚀情况。结果表明,相比传统LSTM模型和BP神经网络模型,改进LSTM模型用于循环冷却水系统管道腐蚀预测具有较高的预测精度和泛化能力,为循环冷却水系统的管道腐蚀预测并提前进行防护提供了一种新思路。