數(shù)據(jù)挖掘技術(shù)在化工過程優(yōu)化及構(gòu)效關(guān)系中的應(yīng)用研究.pdf

1、數(shù)據(jù)挖掘是指綜合運用多種算法，從大量數(shù)據(jù)中發(fā)現(xiàn)事先未知的信息和知識的計算機數(shù)據(jù)處理過程。作為一門多學(xué)科的交叉技術(shù)，數(shù)據(jù)挖掘已成為數(shù)據(jù)庫系統(tǒng)和機器學(xué)習領(lǐng)域的重點研究課題，因其應(yīng)用前景廣闊而受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。本文將數(shù)據(jù)挖掘技術(shù)應(yīng)用于若干化工過程優(yōu)化和化合物構(gòu)效關(guān)系研究，主要的研究內(nèi)容和研究成果如下： 1.針對復(fù)雜工業(yè)過程優(yōu)化中普遍存在的多因子、高噪聲、非線性、非高斯分布和非均勻分布的難題，開發(fā)了適用于復(fù)雜工業(yè)生產(chǎn)過程優(yōu)化

2、的軟件DMOS(DataMiningOptimizationSystem)。DMOS軟件綜合運用了模式識別、支持向量機、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、線性和非線性回歸等多種數(shù)據(jù)挖掘技術(shù)，可應(yīng)用于化工、煉油等工業(yè)生產(chǎn)過程的建模、優(yōu)化與故障診斷。 2.從技術(shù)或經(jīng)濟角度看，化工過程優(yōu)化是提高企業(yè)競爭力和經(jīng)濟效益的必要手段。本文將數(shù)據(jù)挖掘技術(shù)用于柴油加氫改質(zhì)裝置、丙烯腈反應(yīng)裝置及氨合成裝置的生產(chǎn)系統(tǒng)優(yōu)化，分別找出了影響裝置目標變量的主要工藝參

3、數(shù)，建立了目標變量與有關(guān)工藝參數(shù)間的定性、定量模型。優(yōu)化結(jié)果為：(a)較高的原料負荷(0.69左右)和適宜的爐出口溫度(333℃左右)有利于提高柴油加氫改質(zhì)裝置的柴油收率；柴油收率定性模型的分類正確率為100％；柴油收率定量模型擬合與預(yù)報的平均相對誤差分別為0.27％和0.22％。(b)較高的氨比(1.18左右)和較低的中段溫度(430℃左右)有利于提高丙烯腈反應(yīng)裝置的丙烯腈收率；丙烯腈收率定性模型的分類正確率為100％；丙烯腈收率定量

4、模型擬合與預(yù)報的平均相對誤差分別為0.75％和0.83％。(c)較高的新鮮氣流量 (30500Nm3/h左右)與合成塔一次進氣壓力(30.7MPa左右)有利于降低氨耗；氨耗定性模型分類正確率為100％；氨耗定量模型擬合與預(yù)報的平均相對誤差分別為1.17％和1.15％。 3.化合物的性質(zhì)/活性是化學(xué)的基本研究內(nèi)容之一。本文將數(shù)據(jù)挖掘的新算法-支持向量機(SVM)算法用于若干化合物的構(gòu)效關(guān)系研究。將支持向量分類(SVC)算法

5、用于5-HT3受體拮抗劑的活性類別預(yù)測，所建SVC模型對26個5-HT3受體拮抗劑的活性類別留一法預(yù)報正確率為80.77％，明顯優(yōu)于人工神經(jīng)網(wǎng)絡(luò)(ANN)方法(57.69％)、KNN法(61.54％)和Fisher法(65.39％)。將支持向量回歸(SVR)算法分別用于烷基苯熱物性和多環(huán)芳烴物性的定量預(yù)測。47個烷基苯化合物正常沸點、沸點汽化熱、臨界溫度、臨界壓力和臨界體積的SVR留一法預(yù)測的均方根誤差(RMSE)值分別為2.108，0

6、.758，5.523，0.075，4.692，優(yōu)于ANN算法(分別為5.063，1.046，9.704，0.114，9.452)和PLS算法(分別為2.436，0.817，7.163，0.075，5.914)；對若干多環(huán)芳烴化合物沸點、正辛醇/水分配系數(shù)、色譜保留指數(shù)的SVR留一法預(yù)測的RMSE值分別為6.42，0.17，0.24，優(yōu)于ANN算法(分別為10.67，0.20，0.25)、MLR算法(分別為7.44，0.18，0.25)和