本发明涉及气体分离预测，特别是一种基于mlp的二氧化碳分离效率预测方法及系统。
背景技术：
1、随着气候变化问题的日益严重，二氧化碳的捕集和分离成为全球研究热点。传统的分离方法效率低、成本高，难以满足工业需求。近年来，基于数据驱动的机器学习方法在预测和优化化学过程方面展现出巨大的潜力。多层感知器(mlp)作为一种重要的机器学习技术，因其强大的非线性建模能力，被广泛应用于各类预测任务。然而，如何有效地利用mlp进行二氧化碳分离效率的预测，仍存在许多挑战。
2、在现有的研究中，研究者们普遍采用控制变量法进行气体水合物分离技术的实验，导致数据点不足。在数据有限且可控的情况下，如何准确地建立气体水合物法分离烟气中二氧化碳的分离效率模型，是当前技术领域亟待解决的问题。
技术实现思路
1、鉴于现有的基于mlp的二氧化碳分离效率预测及系统中存在的问题，提出了本发明。
2、因此，本发明所要解决的问题在于：在数据点不足的情况下，如何准确地建立气体水合物法分离烟气中二氧化碳的分离效率模型。
3、为解决上述技术问题，本发明提供如下技术方案：
4、第一方面，本发明实施例提供了一种基于mlp的二氧化碳分离效率预测方法，其包括以下步骤，
5、通过实验获得气体水合物分离二氧化碳的基本参数和对应的分离效率数据；
6、对数据增强与归一化处理；
7、通过处理后的数据对mlp模型进行训练；
8、对训练后的mlp模型评估，使用mlp模型预测二氧化碳分离效率。
9、作为本发明所述基于mlp的二氧化碳分离效率预测方法的一种优选方案，其中：所述基本参数包括温度、压力、促进剂类型、促进剂浓度，以及气液比；
10、将所述基本参数和对应的分离效率数据按比例分为训练集和验证集。
11、作为本发明所述基于mlp的二氧化碳分离效率预测方法的一种优选方案，其中：所述二氧化碳的回收率定义为水合物中二氧化碳的量与进料气中二氧化碳的量的比例，其计算公式表示为：
12、
13、式中，表示为进料气中的二氧化碳量，表示为水合物形后的二氧化碳量，表示为二氧化碳的回收率。
14、作为本发明所述基于mlp的二氧化碳分离效率预测方法的一种优选方案，其中：对数据增强的方法包括通过引入噪声和插值方法进行数据增强，捕捉数据的固有特征，并过滤掉负值促进剂浓度，逐步调整神经网络参数以优化模型；
15、其中，插值公式表示为：
16、
17、式中，f(xnew)表示为所需预测的插值点对应的值，其插值点介于i到i+1，f(x)表示为所需预测的插值点的前后两个临近点对应的值，ε表示为随机噪声；
18、对数据进行归一化处理的方法包括，将数据缩放到[0,1]区间，消除不同特征量纲的影响，再对数值型特征进行缩放，将数据转换为均值为0，标准差为1的分布，其中通过公式表示为：
19、
20、式中,x表示为观测值，μ表示为总体均值，σ表示为总体标准差，z表示为转化数值；
21、再通过将所有负值设置为零的最大函数，促进剂浓度不会降至零以下，其具体表示为：f(xnew)＝max[0,f(xnew)]。
22、作为本发明所述基于mlp的二氧化碳分离效率预测方法的一种优选方案，其中：对所述mlp模型进行训练的方法包括前向传播训练与后向传播训练；
23、其中，前向传播训练的方法包括，
24、在前向传播中，将温度、压力、促进剂类型、促进剂浓度，以及气液比通过神经网络的输入层传递到第一个隐藏层；
25、对于每个隐藏层中的每个神经元，计算输入信号的加权和，并加上一个偏置项，通过relu激活函数将加权和转换为非线性输出，其中，具体公式表示为：
26、z(l)＝w(l)a(l-1)+b(l)
27、a(l)＝relu[z(l)]＝max(0,z(l))
28、式中，w(l)表示为第1层的权重矩阵，a(l-1)表示为第l-1层的激活输出，b(l)表示为第1层的偏置向量，z(l)表示为第1层的线性组合，a(l)表示为第1层的激活输出；
29、在反向传播中，使用mse函数作为损失函数，计算预测值与真实值之间的差异，其中，计算公式表示为：
30、
31、式中，n表示为样本数量，observedi表示为观测值的概率密度，expectedi表示为模型预测的概率密度；
32、在输出层中，计算mse函数相对于输出层输入的梯度，计算公式表示为：
33、
34、在隐藏层中，通过链式法则，逐层计算梯度，计算公式表示为：
35、
36、其中，表示为元素级乘积，relu′(z(l))表示为relu的导数，其在z(l)＞0时为1，否则为0；
37、根据梯度信息更新网络的权重和偏置，具体表示为：
38、w(l)＝w(l)-α·δ(l)a(l-1)t
39、b(l)＝b(l)-α·δ(l)
40、其中，a表示为学习率。
41、作为本发明所述基于mlp的二氧化碳分离效率预测方法的一种优选方案，其中：通过adam优化器根据动量和均方根传播的优点，计算一阶和二阶矩的指数加权移动平均来调整每个参数的学习率；
42、其中，一阶矩初始化为0：m0＝0；
43、二阶矩初始化为0：v0＝0；
44、偏置修正系数β1＝0.9，β2＝0.999；
45、更新参数的计算公式表示为：
46、mt＝β1mt-1+(1-β1)gt
47、vt＝β2vt-1+(1-β2)gt2
48、式中，gt表示为梯度，mt表示为动量项，vt表示为rms项；
49、偏置修正方式表示为：
50、
51、再进行更新权重，更新方式为：
52、
53、式中，η表示为学习率，ζ表示为防止分母为0的小量；
54、再添加一个正则化项到损失函数中，通过在损失函数中添加所有权重参数的平方和的一部分来实现，公式表示为：
55、
56、式中，ltotal表示为正则化后的总损失，l表示为原始损失函数，u表示为正则化强度，wi表示为所有权重参数。
57、作为本发明所述基于mlp的二氧化碳分离效率预测方法的一种优选方案，其中：原始损失函数l为mse函数，在计算mse时，添加l2正则化项，在反向传播过程中，计算梯度时会考虑l2正则化项，并在权重更新时减去与l2正则化项相关的梯度，其中，具体公式表示为：
58、
59、式中，k表示为学习率。
60、第二方面，本发明实施例提供了一种基于mlp的二氧化碳分离效率预测系统，其包括数据预处理模块、优化模块，以及正则化模块；
61、所述数据预处理模块用于增强数据的多样性和复杂性，帮助模型更好地学习数据的固有特征，将数据缩放到特定区间，消除不同特征量纲的影响；
62、所述优化模块根据动量和均方根传播的优点，计算一阶和二阶矩的指数加权移动平均来调整每个参数的学习率，用于找到全局最优解；
63、所述正则化模块为l2正则化，用于在损失函数中添加所有权重参数的平方和的一部分，以减少模型的复杂度。
64、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的基于mlp的二氧化碳分离效率预测方法的任一步骤。
65、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的基于mlp的二氧化碳分离效率预测方法的任一步骤。
66、本发明有益效果为：在样本数据较少的时候，也能够对运用气体水合物法进行混合气分离的二氧化碳分离效率有较好的预测；通过实验将多层感知机应用于气体水合物法，精确预测管道内的二氧化碳分离，为后续研究提供数据支撑。
1.一种基于mlp的二氧化碳分离效率预测方法，其特征在于：包括以下步骤，
2.如权利要求1所述的基于mlp的二氧化碳分离效率预测方法，其特征在于：所述基本参数包括温度、压力、促进剂类型、促进剂浓度，以及气液比；
3.如权利要求2所述的基于mlp的二氧化碳分离效率预测方法，其特征在于：所述二氧化碳的回收率定义为水合物中二氧化碳的量与进料气中二氧化碳的量的比例，其计算公式表示为：
4.如权利要求3所述的基于mlp的二氧化碳分离效率预测方法，其特征在于：对数据增强的方法包括通过引入噪声和插值方法进行数据增强，捕捉数据的固有特征，并过滤掉负值促进剂浓度，逐步调整神经网络参数以优化模型；
5.如权利要求4所述的基于mlp的二氧化碳分离效率预测方法，其特征在于：对所述mlp模型进行训练的方法包括前向传播训练与后向传播训练；
6.如权利要求5所述的基于mlp的二氧化碳分离效率预测方法，其特征在于：通过adam优化器根据动量和均方根传播的优点，计算一阶和二阶矩的指数加权移动平均来调整每个参数的学习率；
7.如权利要求6所述的基于mlp的二氧化碳分离效率预测方法，其特征在于：原始损失函数l为mse函数，在计算mse时，添加l2正则化项，在反向传播过程中，计算梯度时会考虑l2正则化项，并在权重更新时减去与l2正则化项相关的梯度，其中，具体公式表示为：
8.一种基于mlp的二氧化碳分离效率预测系统，基于权利要求1～7任一所述的基于mlp的二氧化碳分离效率预测方法，其特征在于：包括数据预处理模块、优化模块，以及正则化模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于mlp的二氧化碳分离效率预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于mlp的二氧化碳分离效率预测方法的步骤。
