基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)CO2在MDEA水溶液中溶解度的研究

張健

(山西省化工設(shè)計(jì)院，山西 太原 030024)

基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)CO2在MDEA水溶液中溶解度的研究

張健

(山西省化工設(shè)計(jì)院，山西 太原 030024)

運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)相關(guān)文獻(xiàn)中的80組CO2－MDEA－H2O體系氣液平衡數(shù)據(jù)進(jìn)行關(guān)聯(lián)，并用另外20組數(shù)據(jù)進(jìn)行驗(yàn)證，推算結(jié)果與實(shí)驗(yàn)數(shù)據(jù)十分接近。由此可見，用人工神經(jīng)網(wǎng)絡(luò)技術(shù)來預(yù)測(cè)CO2在MDEA水溶液中的溶解度是可行的。

CO2溶解度;MDEA水溶液;人工神經(jīng)網(wǎng)絡(luò)技術(shù);氣液平衡

引言

隨著溫室效應(yīng)的日益嚴(yán)重和氣候的不斷惡化，CO2作為全球公認(rèn)的最主要的溫室氣體，其減排技術(shù)的開發(fā)和優(yōu)化日益受到人們的關(guān)注。在各項(xiàng)減排技術(shù)中，CO2的捕集和回收被認(rèn)為是有效降低溫室氣體工業(yè)排放量的有效措施。當(dāng)前，CO2的捕集技術(shù)有物理吸收法、化學(xué)吸收法和膜分離法。其中，用化學(xué)吸收劑甲基二乙醇胺(MDEA)吸收各種工業(yè)氣體中CO2的技術(shù)廣泛應(yīng)用于化工、電力等行業(yè)。在該技術(shù)的設(shè)計(jì)、應(yīng)用和優(yōu)化中，CO2在甲基二乙醇胺(MDEA)水溶液中氣液平衡數(shù)據(jù)的準(zhǔn)確性至關(guān)重要。

CO2－MDEA－H2O系統(tǒng)是一個(gè)復(fù)雜的伴有化學(xué)反應(yīng)的氣液兩相系統(tǒng)。其中，有2個(gè)化學(xué)反應(yīng)平衡和3個(gè)電離平衡。傳統(tǒng)的計(jì)算模型有UNIQUAC模型和electrolyte－NRTL模型，這些模型在實(shí)際應(yīng)用中的共同弱點(diǎn)是所需的參數(shù)與具體體系相關(guān)，如果采用其他體系得來的參數(shù)，則推算結(jié)果偏差較大［1］。近年來，隨著人工智能技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)為CO2－MDEA－H2O系統(tǒng)的氣液平衡預(yù)測(cè)計(jì)算提供了新方法。

1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)是一種模擬人腦神經(jīng)元對(duì)外界環(huán)境學(xué)習(xí)反應(yīng)的仿生算法，其從信息處理的角度，通過抽象建模，模擬神經(jīng)元的不同連接方式，以達(dá)到求解的目的。人工神經(jīng)網(wǎng)絡(luò)由于其具有非線性、非定性、非局限性，使得人工神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型具有自適應(yīng)強(qiáng)、求解迅速等特點(diǎn)。隨著人工神經(jīng)網(wǎng)絡(luò)理論的發(fā)展，其被廣泛地應(yīng)用于智能識(shí)別、人工智能、生物、醫(yī)學(xué)、經(jīng)濟(jì)和工業(yè)等領(lǐng)域。

BP神經(jīng)網(wǎng)絡(luò)是由非線性變換單元組成的多層前饋網(wǎng)絡(luò)，一般由輸入、隱含和輸出3層結(jié)構(gòu)組成。隱含層可為多層，也可為單層。第71頁(yè)圖1為一個(gè)典型的3層BP網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)。其中，輸入向量為 X(x1，x2，x3….xn)T，隱含層輸出向量為H(h1，h2，…，hn)、輸出向量為Y(y1，y2，y3…yn)，WP為輸出層到隱含層的聯(lián)接權(quán)矩陣，Wj為隱含層到輸出層的聯(lián)接權(quán)。當(dāng)網(wǎng)絡(luò)模型初始化完成后，即可用一組輸入向量和期望輸出向量進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。

訓(xùn)練過程為，輸入向量X輸入網(wǎng)絡(luò)后，經(jīng)隱含神經(jīng)元處理傳到輸出層單元，產(chǎn)生一個(gè)輸出向量。輸出向量與期望輸出向量比較，如誤差不符合要求，

表1 CO2在MDEA水溶液中溶解度的訓(xùn)練樣本

表2 神經(jīng)網(wǎng)絡(luò)模型參數(shù)優(yōu)化

圖3 仿真輸出效果

表3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果匯總

4 結(jié)論

通過80個(gè)點(diǎn)的訓(xùn)練，CO2－MDEA－H2O系統(tǒng)的氣液平衡規(guī)律已經(jīng)被網(wǎng)絡(luò)模型掌握。經(jīng)18個(gè)點(diǎn)的驗(yàn)證，誤差為10－4，相關(guān)系數(shù)0.999 8，這說明利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)CO2在MDEA水溶液中溶解度是可行的。由于神經(jīng)網(wǎng)絡(luò)具有一經(jīng)訓(xùn)練完成、再輸入的數(shù)據(jù)只需一步即可預(yù)測(cè)出結(jié)果的特點(diǎn)，因此，在需要實(shí)時(shí)計(jì)算的場(chǎng)合應(yīng)用前景廣泛。

本工作為MDEA脫碳工藝過程的模擬與優(yōu)化提供了基礎(chǔ)數(shù)據(jù)的人工智能預(yù)測(cè)模型，有很強(qiáng)的實(shí)際應(yīng)用價(jià)值。同時(shí)，也為因液相組分較多、化學(xué)反應(yīng)復(fù)雜而導(dǎo)致溶液中實(shí)際物種數(shù)目較多的體系氣液平衡預(yù)測(cè)，提供了較好的工具。

［1］張引沁，韓相明.利用神經(jīng)網(wǎng)絡(luò)推算雙液兩相平衡體系的相圖［J］.河南科學(xué)，2006，24(6):838－840.

［2］Hajir Karimi，F(xiàn)akhri Yousefi.Correlation of vapour liquid equilibria of binary mixtures using artificial neural networks［J］.Chin J Chem Eng，2007，15(5):765－777.

［3］曾綺微，曾穎.用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)二元?dú)庖浩胶鈹?shù)據(jù)［J］.福建化工，2001(4):30－31.

［4］ 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)［M］.北京:電子工業(yè)出版社，2005:44－58，99－100.

［5］郭慶華，梁欽鋒，顏?zhàn)坑?，?基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)氣流床氣化爐爐膛溫度的試驗(yàn)研究［J］.計(jì)算機(jī)與應(yīng)用化學(xué)，2007，24(5):617－620.

［6］Basheer I A，Hajmeer M.Artificial neural networks:fundamentals，computing，design，and application［J］.Journal of Microbiological Methods，2000，43:3－31.

［7］Zhou Shuxiao.Wavelet analysis and neural network theory and their application to gas－solid fluidized beds［D］.Chengdu:Sichuan University，2003.

［8］Li Chunxi，F(xiàn)üKrst W.Representation of CO2and H2S solubility in aqueous MDEA solutions using an electrolyte equation of state［J］.Chemical Engineering Science，2000，55:2975－2988.

［9］Yuan Xiaoliang，Zhang Suojiang.Solubilities of CO2in hydroxyl ammonium ionic liquids at elevated pressures［J］.Fluid Phase Equilibria，2007，257:195－200.

［10］ Réda Sidi－Boumedine，Sven Horstmann.Experimental determination of carbon dioxide solubility data in aqueous alkanolamine solutions［J］.Fluid Phase Equilibria，2004，218:85－94.

Prediction of solubility of carbon dioxide in MDEA aqueous solutions by using artificial neural networks

ZHANG Jian
(Shanxi Provincial Chemical Design Institute，Taiyuan Shanxi 030024，China)

In this paper，80 solubility data，recorded inliterature review，were correlated and predicted by using neural network，another 20 solubility data were used to test this model.The calculate result matches experiment data accurately.So the solubility of carbon dioxide in aqueous alkanolamine solutions using neural network is effective.

solubility of carbon dioxide;MDEA aqueous solutions;artificial neural networks;gas－liquid equilibrium

O621.12;TP18

A

1004－7050(2016)06－0070－04

10.16525/j.cnki.cn14－1109/tq.2016.06.21

2016－06－23

張 健，男，1982年出生，2010年畢業(yè)于華東理工大學(xué)化工工藝專業(yè)，碩士學(xué)位，現(xiàn)主要從事化工工藝設(shè)計(jì)工作。