混沌與支持向量機結合的多相催化建模與優(yōu)化研究.pdf

1、建模與優(yōu)化是工程技術研究的中心問題，預測是科學決策和規(guī)劃的重要前提，預測的可靠性往往是衡量技術成功程度的重要指標，然而預測卻是所有技術的薄弱環(huán)節(jié)，對于多相催化領域來講亦是如此。隨著國民經濟的發(fā)展，尤其新能源需求、新材料的不斷涌現，多相催化科學與技術面臨新的挑戰(zhàn)，既要從經濟、安全、多功能等方面尋求新型、高效的催化劑，又要從化學進程全局出發(fā)全面考察催化劑的性能?；跉v史數據的機器學習和數據深度挖掘已成為目前化工信息化領域中急需解決的重要問題

2、。作為催化領域的難點和迫切需要解決的三個關鍵問題：催化劑的動力學關系模型、催化劑的活性關系模型、催化劑的優(yōu)化設計，這無論是對于催化劑對象的特性研究，還是實際化工生產過程控制、優(yōu)化、模擬等都具有重要的現實意義。本文結合混沌與支持向量機，圍繞多相催化建模與優(yōu)化問題展開工作，研究的主要內容包括三個方面：自適應混沌粒子群優(yōu)化和支持向量機結合的模型預測、基于自適應混沌粒子群優(yōu)化和支持向量機的最優(yōu)化設計框架以及相空間重構和支持向量機結合的混沌時間序

3、列模型預測。本文的研究內容屬于信息科學、自動化科學、化學科學等學科的交叉領域。主要工作包括：
　　 ⑴提出一種基于自適應混沌粒子群優(yōu)化和支持向量機結合(AdaptiveChaos Particle Swarm Optimization-Support Vector Regression，ACPSO-SVR)的預測算法，引入ACPSO 啟發(fā)式尋優(yōu)機制對SVR模型的超參數進行自動選取，在超參數取值范圍變化較大的情況下，效果明顯優(yōu)于網

4、格式搜索算法。選取UCI 機器學習數據庫中的Forest fires 標準數據集進行測試，實驗結果表明該方法具有較高的精度和良好的泛化能力，對于解決多變量的回歸預測問題是一種有效的方法。將所提出的建模方法用于Cu-Zn-Al-Zr 二甲醚合成催化劑建模，在反應動力學模型未知的情況下，同時獲得了催化劑組份模型和動力學模型，取得了良好的預測效果。
　　 ⑵提出一種基于多目標混沌粒子群優(yōu)化和支持向量機相結合的最優(yōu)化設計框架。針對多相催

5、化反應具有多階段、強相關性，獲取催化劑性能指標非常困難的特點，將訓練好的SVR模型作為最優(yōu)化設計框架中的適應度評價近似模型，通過多目標ACPSO算法同時優(yōu)化輸入變量的空間，尋求具有全局最優(yōu)催化性能的催化劑。將該策略用于Cu-Zn-Al-Zr 二甲醚合成催化劑的研發(fā)，實驗結果表明，經ACPSO-SVR最優(yōu)化設計方法給出的兩組新型催化劑的性能指標與實驗測試值誤差很小，可以縮短催化劑研發(fā)的時間，節(jié)約資金和時間消耗，不失為一種可行的、有效的實驗

6、室設計催化劑新方法。
　　 ⑶提出一種基于相空間重構和支持向量機結合(PSR-SVR)的非線性時間序列預測建模方法。針對多相催化劑在非定態(tài)下的復雜失活機理及活性受多種因素影響，獲取催化劑失活過程的時間序列數據非常有限而降低建模效率和預測精度的情況，提出以高維相空間重構的數據表示方法重構失活數據序列，達到改寫數據的規(guī)律性進而探討催化劑失活內在復雜本質特征的目的。將該建模方法應用于甲醇氧化羰基化反應中Cu-Si-Al 碳酸二甲酯合成