1、混合人工神经网络 - 遗传算法在等离子体化学反应器建模中的多目标优化工具

混合人工神经网络 - 遗传算法在等离子体化学反应器建模中的多目标优化工具

1. 引言

同时进行建模和优化为大量实验提供了一种经济高效的替代方案。对于复杂过程而言，模型应能够提高整体过程性能。为此，开发了一种混合人工神经网络 - 遗传算法（ANN - GA），用于同时对催化 - 等离子体反应器进行建模、模拟和优化。该方法旨在促进在介质阻挡放电（DBD）等离子体反应器中，由甲烷和二氧化碳共同生成合成气、C2 及更高碳氢化合物的过程中，实现同时建模和多目标优化，简化了 DBD 等离子体反应器过程建模的复杂性。

在单响应优化应用中，选择合适的优化方法对于设计最优催化剂以及明确过程参数与催化性能之间的关系至关重要。以往一些研究人员引入人工神经网络（ANN）进行催化剂设计，因为 ANN 适用于建模和优化，可避免大量实验。然而，在二氧化碳氧化偶联甲烷（CO2 OCM）过程中，由于催化剂组成、过程参数和金属 - 载体相互作用之间的复杂相互作用，且没有明确的反应机制，单响应优化通常不足以满足实际需求。因此，在复杂等离子体反应器中采用同时建模和多目标优化技术具有重要意义。

解决多目标优化问题有多种方法，如加权和策略、ε - 约束方法、目标达成方法、非支配排序遗传算法（NSGA）和加权平方目标函数（WSSOF）等。其中，NSGA 方法具有诸多优势，是解决复杂多响应优化问题的强大方法。在 CO2 OCM 过程的多目标优化中，结合目标达成法和混合 ANN - GA 方法来解决催化 - 等离子体过程参数的优化问题。

2. 实验设计、建模和优化策略

2.1 实验设计的中心复合设计

采用四因素中心复合设计进行实验工作。在该设计中，预测响应 Y