論文標題：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 中國石油大學（北京） 信息科學與工程學院 博16

2) 李巨峰 中國石油集團安全環保技術研究院有限公司

3) 唐智和 中國石油集團安全環保技術研究院有限公司

4) 吳  甭 中國石油大學（北京） 信息科學與工程學院 碩17

5) 欒  輝 中國石油集團安全環保技術研究院有限公司

6) 陳  沖 中國石油大學（北京） 信息科學與工程學院

7) 梁華慶 中國石油大學（北京） 信息科學與工程學院

論文錄用時間：2020年07月28日

發表期刊：Mathematical Problems in Engineering (JCR Q1)

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

背景與動機：

隨著原油質量的逐漸劣質化，在采用催化裂化進行重油輕質化的過程中，硫氮等雜質含量越來越高，在催化裝置再生后將以SO2和NOx的形式排出。2017 年7 月1 日起執行的《石油煉制工業污染物排放標準》，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調低至200 mg /m3。通過對3家石油煉化企業催化裝置2016~2018 年生產運行數據和污染源自動監控數據綜合分析，發現催化裂化裝置生產工藝的調整與末端NOx污染排放有一定關系。由于催化裂化裝置是一種多參數多變量相互耦合的復雜系統，難以用一個簡單的過程來描述，很難在燃燒階段有效控制污染物排放，現階段主要通過在末端增加脫硝設施，以實現NOx排放濃度的控制。對催化裂化裝置NOx排放濃度的預測，是控制污染物排放的有效途徑之一。由于催化裂化過程本身的復雜性，傳統的集總模型無法對NOx排放濃度進行有效預測。隨著計算機科學的發展，數據驅動的人工智能分析方法得到了廣泛的應用，一些學者在環保領域也進行了初步的探索。

主要方法：

在本文中，基于中國石油某350 萬噸重油催化裂化裝置的生產運行和污染排放數據，提出了一種結合CNN和LSTM的深度學習網絡結構，對提出的網絡進行超參數調試，并與單獨使用CNN與LSTM進行污染外排預測的效果與性能進行了對比。算法結構如下：

圖1 CNN-LSTM 網絡結構示意圖

主要結果：

CNN超參數的優化過程中以RMSE和R2為評價指標，優化卷積核的大小和數量以及卷積層數，圖2顯示了調試超參數的結果。

圖2 CNN超參數優化過程（(a) 卷積層個數；(b) 卷積核個數；(c) 卷積核大?。?/span>

LSTM超參數的優化過程如圖3。

圖3 LSTM超參數優化過程（(a) 隱藏層節點數；(b) batch-size大?。?/span>

CNN-LSTM超參數的優化過程如圖4。

圖4 CNN-LSTM超參數優化過程（(a) 卷積核大??；(b) batch-size大??；(c) 卷積核個數；(d) 卷積層數；(e) dropout概率）

圖5 不同網絡的預測結果（(a) CNN的預測結果；(b) LSTM神經網絡的預測結果；(c) CNN-LSTM神經網絡的預測結果）

作者簡介

陳沖，博士，中國石油大學（北京），信息科學與工程學院電子信息工程系，碩士生導師，中共黨員。研究方向：數值模擬、參數反演、機器學習、信息融合、不確定性分析。聯系方式：Email: chenchong@cup.edu.cn。

99亚洲综合精品