異構化是芳烴生產中的重要環(huán)節(jié),提高異構化環(huán)節(jié)的建模和優(yōu)化效率對工業(yè)生產有著重要意義。但是,直接使用機理模型的優(yōu)化過程耗時較長,優(yōu)化效率低。代理模型可以有效地對機理模型進行近似,而代理模型采樣方法對模型精度有很大影響。提出了一種新的基于稀疏度和最鄰近期望的自適應采樣算法,該方法可以平衡全局搜索和局部搜索,通過求解優(yōu)化問題找到反映函數關鍵信息的新采樣點,再加入原始樣本集中,使得代理模型精度不斷提高。多個測試函數結果表明,相比于其他自適應采樣算法,該算法能有效提升代理模型精度和建模效率。該算法在芳烴異構化環(huán)節(jié)代理模型中也得到了有效驗證,與本文中其他算法對比,該算法模型誤差減少5%以上,建模時間縮短30%以上。 

【文章來源】：化工學報. 2020,71(02)北大核心EICSCD

【文章頁數】：11 頁

【部分圖文】：

稀疏度計算流程圖

整個流程的關鍵就是步驟（3）中如何找到反映原始函數關鍵信息的采樣點。在搜索新采樣點過程中代理模型應與原始適應度函數一起使用[30]。新采樣點一方面要考慮全局信息，即新采樣點應該在采樣點稀疏的空間內，以保證代理模型在整個搜索空間的泛化性，同時要考慮響應值的局部信息，即波動較大的區(qū)域應該有較多的采樣點以保證代理模型在此區(qū)域的準確性，本文根據稀疏度和最鄰近期望的乘積最大來尋找新采樣點。稀疏度Sparsity負責控制全局搜索，最鄰近期望NNE負責局部關鍵信息搜索。R為采樣空間定義域。初始樣本點通過拉丁超立方采樣獲得，終止條件為新增采樣點個數達到設定值。使用模式搜索法[31]求解式(9)�？紤]到搜索過程中需要計算歐式距離，但是實際應用中，很多情況下不同維的數據的量綱不同時，歐式距離可能會有較大誤差，所以在構建代理模型前，將所有數據根據采樣空間的上下限進行歸一化，這樣保證歐式距離的計算不會受到量綱的影響。具體流程如圖3所示。

初始采樣點20，新增采樣點80，通過ASSA-SNN得到的樣本點分布如圖4 PK函數采樣點分布情況所示，可以看出在新增的采樣點主要集中在上下兩個極值點附近，而其余較為平坦的區(qū)域采樣點較少。使用均方根誤差（root mean square error,RMSE）來對算法的精度進行評估，RMSE表達式為圖4 PK函數采樣點分布情況

【參考文獻】：
期刊論文
[1]基于新型自適應采樣算法的催化重整過程代理模型[J]. 張劍超,杜文莉,覃水.  華東理工大學學報(自然科學版). 2019(06)
[2]Kriging模型及代理優(yōu)化算法研究進展[J]. 韓忠華.  航空學報. 2016(11)
[3]基于bootstrap GEI算法的碳二加氫反應器代理模型[J]. 段星辰,杜文莉.  化工學報. 2015(12)
[4]基于Kriging的差分進化算法及其在苯乙烯流程優(yōu)化中的應用[J]. 王曉強,羅娜,葉貞成,錢鋒.  化工學報. 2013(12)
[5]工業(yè)異構化反應器建模及仿真[J]. 徐歐官,傅永峰,陳祥華.  化工學報. 2011(08)

碩士論文
[1]二甲苯異構化反應器的模擬研究[D]. 劉祥榮.北京化工大學 2010



本文編號：3432984