91、化工过程中的神经网络与神经模糊建模方法

化工过程中的神经网络与神经模糊建模方法

在化工生产领域，批处理过程对于高质量化学品的生产至关重要。本文将深入探讨批聚合过程中的神经网络建模方法，以及利用神经模糊方法对番茄糊废料中番茄红素和β - 胡萝卜素进行超临界流体萃取的建模。

批聚合过程与神经网络建模

批聚合过程概述

在批聚合过程中，聚合物分子会在特定时间段内生长。这里研究的批聚合反应器是一个带夹套的一加仑充分搅拌容器。为了保持聚合温度恒定，采用了级联控制系统。其中，反应器温度是主要控制变量，夹套出口温度作为次要控制变量，而冷水和热水的流量则是操作变量。

聚合物产品的质量指标包括数均分子量（Mn）和多分散性（Pd），反应速率和单体转化率作为反应指标代表反应进度。然而，这些指标通常难以直接测量。一些研究尝试基于状态估计进行聚合物质量的推断估计，但这种方法需要基于聚合动力学知识的精确模型，开发这样的模型既耗时又费力。

质量估计模型1及其问题

为了解决质量指标难以测量的问题，研究采用了基于神经网络的推断估计方法。最初尝试使用递归神经网络进行基本函数逼近。该网络由两层组成，隐藏层包含Sigmoidal神经元，输出层包含一个线性神经元。隐藏神经元的激活函数采用双曲正切函数：
[y = sig(x) = \frac{1 - exp(-x)}{1 + exp(-x)}]
其中，(x = w^T p + b)，(p)是输入向量，(w)是网络权重向量，(b)是偏置。

训练规则采用带有动量和自适应学习率的反向传播算法，通过不断改变网络权重和偏置，使网络的平方误差之和最小化。然而，训练后的ANN模型1的性能并不令人满意。由于质量指标Mn与可