基于模糊RBF神经网络的乙烯装置生产能力预测

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。

水平井产能预测模型在冀东油田的应用与评价

水平井产能预测模型在实际应用中经常会出现较大的误差,这给现场应用带来了困难。通过对不同产能预测模型的分析,总结了这些产能模型的共性和各自的特点,指出了产能预测结果不准确的原因。分析结果表明,对于冀东油田不同油藏区块有不同的预测模型与之相适应,高尚堡区块Borisov模型吻合程度最好,而柳南区块Joshi模型吻合情况最好,Joshi模型误差分布最有规律。结合预测过程中出现的误差规律,利用最小二乘法原理,引入修正系数对产能预测模型进行修正,给出了油田现场进行水平井产能预测的原则和方法,提高了预测精度。冀东油田的预测结果表明,修正的产能预测模型能够准确进行水平井产能预测。

基于学习型人工蜂群算法优化双向GRU的乙烯产率预测

本文针对以乙烯产率为生产指标的预测问题,基于双向门控循环单元网络(BGRU)建立乙烯产率预测模型,以最小化模型误差为优化目标并提出一种学习型人工蜂群算法(LABC)对预测模型进行优化和设计.在构建BGRU预测模型时,先对乙烯裂解炉实际生产过程进行分析,确定影响产率的关键因素并将其作为模型的输入;再采用LABC对BGRU网络模型的结构、初始权值和阈值、训练比和动量因子进行全面的优化和设计.在LABC中,首先根据人工蜂群算法(ABC)特点构建强化学习(RL)框架下的状态集、动作集、奖励函数和最优混合搜索策略,在此基础上,提出一种深度双Q网络(DDQN)来实现最优混合搜索策略,通过该策略可智能选择合适的搜索动作来执行针对不同状态的局部搜索.本文通过在标准数据集和实际生产数据上的测试及算法对比,验证了所提学习型人工蜂群算法优化的双向GRU网络(LABC BGRU)模型具有预测精度高、适用性强的特性.

红海焊轨基地生产线更新改造计划投资效益分析

中国铁路广州局集团有限公司红海焊轨基地是华南地区唯一一家高速铁路钢轨焊接基地,投产至今已近10年。随着生产线投用时间逐渐增加,基地现有部分生产设备精度下降、效率降低,满足不了工序和质量要求。按照我国铁路中长期路网规划,中国铁路广州局集团有限公司管内将规划建设梅汕、黔张常、怀邵衡、深茂、赣深、广汕、张家界至怀化等客运专线及快速铁路,届时长钢轨需求将进一步增加,现有的焊轨生产能力与生产需求不配套、不平衡、不适应的问题将进一步突显。文章以实际工程为例,对中国铁路总公司关于"补短板、强弱项、增效益"的总体部署和要求进行分析讨论,从计划管理的角度,找出影响生产能力的制约因素,通过更新改造资金的投入,补齐设施短板,提升生产效率规模,从而发挥投资计划效益。

基于层次分析的FLANN神经网络研究及应用

针对传统函数链接型神经网络(functional link artificial neural networks,FLANN)不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于层次分析(analytic hierarchy process,AHP)的FLANN神经网络(AHP-FLANN)。通过层析分析模型过滤输入数据中的冗余信息,提取特征分量,并把提取的特征分量作为函数链接神经网络的输入进行建模。同时利用化工行业乙烯生产数据进行了验证,并和BP神经网络及FLANN神经网络进行了对比。结果表明,AHP-FLANN神经网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强等特点,同时能够指导乙烯生产,提高能效,具有良好的实用价值。