Модифицированный алгоритм оптимизации китов на основе ИНС: новая прогностическая модель для опреснительной установки обратного осмоса

Том 13 научных докладов, номер статьи: 2901 (2023) Цитировать эту статью

866 Доступов

2 цитаты

1 Альтметрика

Подробности о метриках

В последние десятилетия естественные методы оптимизации сыграли решающую роль, помогая проектировщикам промышленных предприятий находить превосходные решения для параметров процесса. По данным литературы, такие методы просты, быстры и незаменимы для экономии времени, денег и энергии. В связи с этим модифицированный алгоритм оптимизации кита (MWOA), гибридизированный с искусственными нейронными сетями (ANN), был использован в работе опреснительной установки обратного осмоса (RO) для оценки потока пермеата (0,118–2,656 л/ч м2). Наборы данных по установке были собраны из литературы и включают четыре входных параметра: скорость потока сырья (400–600 л/ч), температуру на входе в испаритель (60–80 °C), концентрацию подаваемой соли (35–140 г/л) и температура на входе в конденсатор (20–30 °С). С этой целью были предложены десять прогностических моделей (MWOA-ANN от модели 1 до модели 10), которые способны прогнозировать более точный поток пермеата (л/ч м2), чем существующие модели (методология поверхности отклика (RSM), ANN и гибридные модели WOA-ANN) с минимальными ошибками. Результаты моделирования показывают, что алгоритм MWOA демонстрирует более сильные возможности оптимизации при поиске правильных весов и смещений, что позволяет обеспечить превосходное моделирование на основе ИНС без ограничения переобучения. Для исследования производительности станции было предложено десять моделей MWOA-ANN (от модели 1 до модели 10). Модель-6 с одним скрытым слоем (H = 1), одиннадцатью узлами скрытого слоя (n = 11) и тринадцатью поисковыми агентами (SA = 13) дала наиболее выдающиеся результаты регрессии (R2 = 99,1%) с минимальными ошибками (MSE = 0,005). Остаточные ошибки для Модели-6 также находятся в пределах (диапазон от – 0,1 до 0,2). Наконец, результаты показывают, что проверенные модели MWOA-ANN перспективны для определения лучших параметров процесса, чтобы помочь проектировщикам промышленных предприятий.

Этот раздел разделен на три части: в первой части описывается история создания ИНС и ВАО, а во второй части подробно описан обзор литературы. В третьей части объясняются основные цели, вклад и план исследования.

Стремление человека выполнять задачи быстрее, проще и дешевле привело к растущему развитию эффективных операций во всем мире1,2. Таким же образом, индустрия перерабатывающих предприятий переходит в культуру, в которой решения принимаются на основе анализа данных и результатов экспериментов3,4. В связи с этим были собраны и оценены экспериментальные данные по заводу для получения новой информации, которая помогает проектировщикам предприятий принимать решения по экономии времени обработки, эксплуатационных затрат и энергии1,5,6.

В последние десятилетия перерабатывающие предприятия стали значительно более динамичными и обратились к передовой аналитике, алгоритмам оптимизации и инструментам машинного обучения для предоставления прогнозных и предписывающих решений для повышения своей производительности3,5,6,7,8,9,10,11 . Эти алгоритмы и инструменты просты, адаптируемы и эффективны для анализа наборов данных как небольших, так и крупных предприятий. Некоторые широко используемые интеллектуальные алгоритмы и инструменты, используемые в последнее время, включают искусственные нейронные сети (ИНС)12,13,14,15, искусственную пчелиную колонию (ABC)16,17, оптимизацию кошачьего роя (CSO)18,19, оптимизацию роя частиц (PSO). )20,21,22, Алгоритм светлячка (FA)23, Алгоритм летучей мыши (BA)23,24, Алгоритм оптимизации кита (WOA)17,25,26,27, Оптимизатор серого волка (GWO)17,25,28,29 ,30 Алгоритм оптимизации бабочки (BOA)31, Оптимизатор муравья-льва (ALO)17, Машина опорных векторов (SVM)18,32,33, Методология поверхности отклика (RSM)34,35, Генетический алгоритм недоминируемой сортировки (NSGA)36 и их гибрид.

ИНС, как правило, следует алгоритму обучения обратного распространения ошибки (BP), одновременно находя оптимальный набор весов и смещений соединений узлов для уменьшения ошибки. Точное предсказание весов и смещений очень важно для обеспечения высокой производительности модели. Подход BP использует алгоритм градиентного спуска и требует большого количества итераций37. Литература предполагает, что одной из самых больших проблем при использовании метода градиентного спуска является его захват в локальных оптимумах. Это полностью привязано к начальным значениям рассматриваемого веса37, что влияет на конечную точность моделей. Поэтому исследователи нашли альтернативные решения, такие как GA, PSO, GWO и WOA, чтобы минимизировать эти проблемы1,6.