論文標(biāo)題：A comparative study among machine learning and numerical models for simulating groundwater dynamics in the Heihe River Basin, northwestern China

作者列表：

1) 何  為 中國(guó)石油大學(xué)（北京） 信息科學(xué)與工程學(xué)院 博16

2) 李巨峰 中國(guó)石油集團(tuán)安全環(huán)保技術(shù)研究院有限公司

3) 唐智和 中國(guó)石油集團(tuán)安全環(huán)保技術(shù)研究院有限公司

4) 吳  甭 中國(guó)石油大學(xué)（北京） 信息科學(xué)與工程學(xué)院 碩17

5) 欒  輝 中國(guó)石油集團(tuán)安全環(huán)保技術(shù)研究院有限公司

6) 陳  沖 中國(guó)石油大學(xué)（北京） 信息科學(xué)與工程學(xué)院

7) 梁華慶 中國(guó)石油大學(xué)（北京） 信息科學(xué)與工程學(xué)院

論文錄用時(shí)間：2020年07月28日

發(fā)表期刊：Mathematical Problems in Engineering (JCR Q1)

原文DOI鏈接：https://doi.org/10.1155/2020/8071810

背景與動(dòng)機(jī)：

隨著原油質(zhì)量的逐漸劣質(zhì)化，在采用催化裂化進(jìn)行重油輕質(zhì)化的過(guò)程中，硫氮等雜質(zhì)含量越來(lái)越高，在催化裝置再生后將以SO2和NOx的形式排出。2017 年7 月1 日起執(zhí)行的《石油煉制工業(yè)污染物排放標(biāo)準(zhǔn)》，將催化裂化再生煙氣氮氧化物排放濃度限定值由之前400 mg /m3調(diào)低至200 mg /m3。通過(guò)對(duì)3家石油煉化企業(yè)催化裝置2016~2018 年生產(chǎn)運(yùn)行數(shù)據(jù)和污染源自動(dòng)監(jiān)控?cái)?shù)據(jù)綜合分析，發(fā)現(xiàn)催化裂化裝置生產(chǎn)工藝的調(diào)整與末端NOx污染排放有一定關(guān)系。由于催化裂化裝置是一種多參數(shù)多變量相互耦合的復(fù)雜系統(tǒng)，難以用一個(gè)簡(jiǎn)單的過(guò)程來(lái)描述，很難在燃燒階段有效控制污染物排放，現(xiàn)階段主要通過(guò)在末端增加脫硝設(shè)施，以實(shí)現(xiàn)NOx排放濃度的控制。對(duì)催化裂化裝置NOx排放濃度的預(yù)測(cè)，是控制污染物排放的有效途徑之一。由于催化裂化過(guò)程本身的復(fù)雜性，傳統(tǒng)的集總模型無(wú)法對(duì)NOx排放濃度進(jìn)行有效預(yù)測(cè)。隨著計(jì)算機(jī)科學(xué)的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)的人工智能分析方法得到了廣泛的應(yīng)用，一些學(xué)者在環(huán)保領(lǐng)域也進(jìn)行了初步的探索。

主要方法：

在本文中，基于中國(guó)石油某350 萬(wàn)噸重油催化裂化裝置的生產(chǎn)運(yùn)行和污染排放數(shù)據(jù)，提出了一種結(jié)合CNN和LSTM的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)提出的網(wǎng)絡(luò)進(jìn)行超參數(shù)調(diào)試，并與單獨(dú)使用CNN與LSTM進(jìn)行污染外排預(yù)測(cè)的效果與性能進(jìn)行了對(duì)比。算法結(jié)構(gòu)如下：

圖1 CNN-LSTM 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

主要結(jié)果：

CNN超參數(shù)的優(yōu)化過(guò)程中以RMSE和R2為評(píng)價(jià)指標(biāo)，優(yōu)化卷積核的大小和數(shù)量以及卷積層數(shù)，圖2顯示了調(diào)試超參數(shù)的結(jié)果。

圖2 CNN超參數(shù)優(yōu)化過(guò)程（(a) 卷積層個(gè)數(shù)；(b) 卷積核個(gè)數(shù)；(c) 卷積核大?。?/span>

LSTM超參數(shù)的優(yōu)化過(guò)程如圖3。

圖3 LSTM超參數(shù)優(yōu)化過(guò)程（(a) 隱藏層節(jié)點(diǎn)數(shù)；(b) batch-size大?。?/span>

CNN-LSTM超參數(shù)的優(yōu)化過(guò)程如圖4。

圖4 CNN-LSTM超參數(shù)優(yōu)化過(guò)程（(a) 卷積核大??；(b) batch-size大?。?/span>(c) 卷積核個(gè)數(shù)；(d) 卷積層數(shù)；(e) dropout概率）

圖5 不同網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果（(a) CNN的預(yù)測(cè)結(jié)果；(b) LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果；(c) CNN-LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果）

作者簡(jiǎn)介

陳沖，博士，中國(guó)石油大學(xué)（北京），信息科學(xué)與工程學(xué)院電子信息工程系，碩士生導(dǎo)師，中共黨員。研究方向：數(shù)值模擬、參數(shù)反演、機(jī)器學(xué)習(xí)、信息融合、不確定性分析。聯(lián)系方式：Email: [email protected]。