基于深度学习的粉煤灰混凝土氯离子浓度预测

为研究深度学习方法在氯离子浓度预测中的应用,通过自然潮差环境下粉煤灰混凝土的长期暴露试验获取3150组自由氯离子浓度数据,建立不同激活函数、不同隐藏层层数的多层感知器(multi-layer perceptron,MLP)模型,开展考虑水灰比、暴露时间、粉煤灰掺量、渗透深度4个输入参数影响的粉煤灰混凝土中的自由氯离子浓度预测研究.结果表明,采用ReLu函数及4层隐藏层构建MLP模型时,自由氯离子浓度的预测结果最优.同时,将构建的最优MLP模型开展基于未测参数的自由氯离子浓度预测,比基于菲克第二定律的预测结果更准确.因此,MLP模型具有精度高和适用范围广泛的特点,可作为氯盐环境下混凝土中自由氯离子浓度预测的新方法.

一种净化过程钴离子浓度的混合智能预测方法

针对锌湿法冶炼净化过程的复杂性,提出了一种结合粒子群算法和案例推理方法的净化过程II段出口钴离子浓度混杂预测模型。考虑到不同时期案例所起的作用不一样,提出了一种综合加权相似函数。针对案例推理方法中属性权重选择和近邻个数的选取问题,提出了带有变异的惯性权重自适应粒子群算法优化方法,优化最近邻算法中特征权重矢量和近邻数,提高案例的检索精度。以净化过程生产数据进行实验验证和对比分析,计算结果表明改进的案例推理模型精度优于神经网络模型,模型预测结果可以作为过程信息用于净化过程的优化控制。