一种基于多元混合气勺爆炸上限预测

作者；郑晓敏

  本文中提出了采用具有高度非线性预测能力的BP神经网络方法建立模型对爆炸上限进行预测。

1实验研究

  选用12 L的球形玻璃容器做爆炸实验，实验前容器内温度恒定在35℃，容器内压力为0.1 M Pa。实验选用了9种可燃气体配置混合气体，具体组分从表1可知。共采集了86组不同实验的数据。对实验数据进行了数据分析，其相关系数如表1所示，从表1可以看出，除一氧化碳含量与爆炸上限间存在较高线性关系外，其他组分与爆炸上限间是一种非线性关系，相关程度较低。

2爆炸上限的BP神经网络预测模型

  本文中采用的BP神经网络结构：输入层采用9个神经元，分别对应9种可燃气体的体积浓度，爆炸上限作为输出层，隐含部分，选用前59组样本作为训练数据，后27组样本

作为测试数据，用以验证网络的准确性。

  利用M atlab软件测试数据所得结果。层选用具有12个隐层神经元的网络结构。将实验采集到的86组样本分成2建立BP神经网络，并对其权重进行优化。图1为训练数据所得结果，图2为

  从图1中可以看出，这些离散点能够比较好地分布在对角线附近，即训练数据中的预测值与实测值间的吻合度较好，精度较高。图2为测试数据预测值与实测值的对比，可以看出，对新的输入网络预测能力较高，即网络具有较好的泛化能力。  为了体现所建非线性模型的优越性，本文中还提出了偏最小二乘法对数据进行线性处理。所

选训练数据以及测试数据与BP神经网络方法

相同。

  爆炸上限的偏最小二乘法回归系数如表2所示，图3为PLSR预测值与实测值的比较图，图4为BPNN与PLSR预测值绝对误差的比较图。从两图中可以明显看出，相对于BPNN而言，PLSR的预测效果较差，而BPNN的预测精度良好，准确度明显高

于PLSR

  表3给出了BP神经网络、偏最小二乘回归、Le

chatelier公式3种预测模型结果的汇总。

  从表3看出，Le chatelier公式法与PLSR相比较，虽然平均绝对误差相对小些，但最大绝对误差较大，这恰好验证了它的局限性。BPNN的最小绝对误差以及最大绝对误差都比另2种方法相对应的值要小，BPNN的相关系数也最高，而且BPNN的平均绝对误差比它们小很多，由此说明无论从训练集还是测试集，BPNN预测出的爆炸上限更为精确，所建

非线性模型的泛化能力更好。

3结论

  通过实验以及数据分析为实际工业生产中对可燃气体的安全使用提供了参考依据，并得出了以下

结论。

 (1)多元混合气中可燃气体体积浓度与爆炸上限间存在非线性关系，建立BPNN预测模型比PLSR模型更为合理。

  (2)确立模型后，给定各组分可燃气体体积浓度就可以较为精确地预测出该混合气体的爆炸上限。

  (3) BPNN模型克服了Le chatelier等一些算法对非烷烃碳氢化合物不适用的局限性，并且提高了预测精度。             

   4 摘要：提出了采用人工神经网络方法来重点预测多元混合气体的爆炸上限，并将其与偏最小二乘线性回归、Le Chatelier方法相比较。仿真结果表明，BPNN的预测结果远好于PLSR以及Le Chatelier计算出的结果，由此表明BPNN对混合可燃气体的爆炸上限具有更好的预测和泛化能力。