• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx

      汽油調(diào)合優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的研究

      2013-07-19 02:53:22
      石油煉制與化工 2013年5期
      關(guān)鍵詞:調(diào)合辛烷值汽油

      鐘 英 竹

      (中國石化石油化工科學(xué)研究院,北京100083)

      汽油調(diào)合是汽油生產(chǎn)過程中的一個重要環(huán)節(jié),調(diào)合時部分性能參數(shù)呈非線性變化(如辛烷值、誘導(dǎo)期等),導(dǎo)致調(diào)合過程較難實現(xiàn)自動控制。國外通過對汽油調(diào)合機理的深入研究,開發(fā)出汽油在線調(diào)合技術(shù)。目前已經(jīng)工業(yè)化應(yīng)用的產(chǎn)品主要有Honeywell公司的優(yōu)化調(diào)合軟件包BPC、HIS公司的產(chǎn)品調(diào)合調(diào)度軟件 H/BOSS、AspenTech公司的ORION等產(chǎn)品。這些技術(shù)都具有汽油組分利用率高、調(diào)合方案合理、經(jīng)濟(jì)效益顯著等特點。上述汽油在線調(diào)合技術(shù)的核心都采用了機理類模型,通過非線性回歸、偏最小二乘回歸、模糊控制等方法來解決非線性預(yù)測問題[1]。

      近年來,國內(nèi)引入了多套汽油在線調(diào)合設(shè)施,實際使用中都存在“水土不服”的現(xiàn)象,存在的問題主要是對關(guān)鍵的非線性調(diào)合參數(shù)(辛烷值、抗爆指數(shù)等)的預(yù)測存在較大誤差。導(dǎo)致產(chǎn)生這些問題的原因是多方面的,一個重要原因是中國汽油組成中催化裂化組分的比例較高(超過70%),造成汽油的調(diào)合機理與國外有所不同,從而使得根據(jù)國外數(shù)據(jù)開發(fā)的機理模型不能適應(yīng)國內(nèi)油品的調(diào)合需求。同時由于各煉油企業(yè)生產(chǎn)工藝不同,調(diào)合組分也不盡相同,所以從國外引入的汽油調(diào)合系統(tǒng)需要二次開發(fā),以建立適合國內(nèi)具體企業(yè)調(diào)合過程的機理數(shù)學(xué)模型[2-5]。

      汽油調(diào)合優(yōu)化技術(shù)的關(guān)鍵是汽油調(diào)合模型能夠精確計算非線性參數(shù),并能夠通過優(yōu)化得到最佳的汽油調(diào)合方案。由于國內(nèi)汽油調(diào)合組分種類較多,且不同調(diào)合組分產(chǎn)量的波動性較大,因此還要求開發(fā)的汽油調(diào)合模型具有較強的自適應(yīng)特性??紤]到目前對汽油調(diào)合的機理尚不很清楚,而神經(jīng)網(wǎng)絡(luò)模型通過模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理,不需要建立機理模型,適應(yīng)性強;在理論上可以任意精度擬合任意復(fù)雜的非線性函數(shù),適合復(fù)雜的非線性過程;同時具有自學(xué)習(xí)、自組織和自適應(yīng)性。另外,經(jīng)過多年的發(fā)展,神經(jīng)網(wǎng)絡(luò)模型技術(shù)已經(jīng)在圖像識別、決策支持等人工智能領(lǐng)域得到成功應(yīng)用[6-8]。因此,本課題嘗試借助神經(jīng)網(wǎng)絡(luò)技術(shù),在不需要研究調(diào)合機理的前提下,結(jié)合某煉油企業(yè)汽油生產(chǎn)和調(diào)合的特點,有針對性地開發(fā)一種通用性強、可自我學(xué)習(xí)、且具有較高預(yù)測精度的汽油調(diào)合整體優(yōu)化模型。

      1 汽油調(diào)合神經(jīng)網(wǎng)絡(luò)模型的建立

      建立神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵是根據(jù)實際需要,確定合理的輸入?yún)?shù)和輸出參數(shù)的個數(shù);并根據(jù)研究對象的特點,確定合理的神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu);最后,根據(jù)研究對像的內(nèi)在規(guī)律,確定模型的學(xué)習(xí)方法以及隱含層神經(jīng)元節(jié)點數(shù)量等參數(shù)。因此,本課題首先對某煉油企業(yè)汽油生產(chǎn)和調(diào)合裝置的特點進(jìn)行了分析。

      1.1 輸入及輸出參數(shù)的確定

      某煉油企業(yè)有20多套生產(chǎn)裝置,其中汽油調(diào)合組分主要有催化裂化汽油(又分為蠟油催化裂化汽油和重油催化裂化汽油)、重整脫苯汽油、烷基化汽油和少量的MTBE等添加劑。目前,該企業(yè)主要采用人工計算不同組分的用量,通過汽油組分倒罐調(diào)合的方式生產(chǎn)93號和90號兩種汽油產(chǎn)品。存在的主要問題是經(jīng)常出現(xiàn)產(chǎn)品質(zhì)量,尤其是辛烷值過剩的現(xiàn)象。

      通過對該企業(yè)汽油組分歷史數(shù)據(jù)進(jìn)行分析,發(fā)現(xiàn)某些汽油組分的部分參數(shù)變化較小,如重整脫苯汽油的烯烴、芳烴、苯的含量,烷基化汽油辛烷值、MTBE組分辛烷值等?;谶@一特點,本課題確定了神經(jīng)網(wǎng)絡(luò)需要考慮的6個輸入?yún)?shù),分別是:催化裂化汽油產(chǎn)量、重整汽油產(chǎn)量、烷基化汽油產(chǎn)量、MTBE產(chǎn)量、催化裂化汽油辛烷值、重整汽油辛烷值。同時,針對該企業(yè)汽油調(diào)合需要解決的問題,確定了神經(jīng)網(wǎng)絡(luò)需要考慮的6個輸出參數(shù),分別是93號汽油調(diào)合方案(4個汽油組分用量)、93號汽油的辛烷值和90號汽油的辛烷值。

      利用選定的輸入?yún)?shù)和建立的神經(jīng)網(wǎng)絡(luò)模型,不僅能夠得到優(yōu)化的汽油調(diào)合方案,而且能夠精確預(yù)測調(diào)合汽油的辛烷值,從而避免汽油質(zhì)量過剩,增加企業(yè)經(jīng)濟(jì)效益。

      1.2 拓?fù)浣Y(jié)構(gòu)的確定

      汽油調(diào)合模型的關(guān)鍵是要準(zhǔn)確預(yù)測調(diào)合汽油的辛烷值。要實現(xiàn)這一目標(biāo),關(guān)鍵是要建立與實際過程相適應(yīng)的合理的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

      神經(jīng)網(wǎng)絡(luò)模型主要由輸入層、隱含層和輸出層組成。神經(jīng)網(wǎng)絡(luò)隱含層和隱含層神經(jīng)元節(jié)點的數(shù)量決定著網(wǎng)絡(luò)的規(guī)模和復(fù)雜程度。隱含層和隱含層神經(jīng)元節(jié)點的數(shù)量越多,神絡(luò)網(wǎng)絡(luò)的規(guī)模就越大,其自由參數(shù)就越多。在利用網(wǎng)絡(luò)進(jìn)行優(yōu)化時,網(wǎng)絡(luò)規(guī)模過小,容易導(dǎo)致擬合能力不足,無法得到合理的汽油調(diào)合方案。相反,如果網(wǎng)絡(luò)規(guī)模過大,不僅會導(dǎo)致網(wǎng)絡(luò)過于復(fù)雜,使得網(wǎng)絡(luò)參數(shù)的求解非常困難與費時,而且容易導(dǎo)致過度擬合。在這種情況下,盡管網(wǎng)絡(luò)具有較強的擬合能力,但其預(yù)測能力則往往較弱,同樣也無法通過優(yōu)化得出合理的汽油調(diào)合方案。汽油調(diào)合是一個連續(xù)過程,不存在突發(fā)、大幅度跳躍的調(diào)合事件。從數(shù)學(xué)角度來看,汽油調(diào)合過程中辛烷值等參數(shù)是相關(guān)調(diào)合參數(shù)的連續(xù)函數(shù),采用一個隱含層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)可以滿足建立模型的要求,因此汽油調(diào)合模型確定采用一個隱含層。通過上述分析,確定了該企業(yè)汽油調(diào)合神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),如圖1所示。由圖1可以看出,擬構(gòu)建的汽油調(diào)合神經(jīng)網(wǎng)絡(luò)模型共三層組成,其中最下面的一層是輸入層,共有6個輸入?yún)?shù),分別是催化裂化汽油產(chǎn)量、重整汽油產(chǎn)量、烷基化汽油產(chǎn)量、MTBE產(chǎn)量、催化裂化汽油辛烷值和重整汽油辛烷值,這些參數(shù)均是該企業(yè)日常生產(chǎn)過程中能夠提供的基本數(shù)據(jù);最上面一層是模型的輸出層,分別是93號汽油調(diào)合配方,即催化裂化汽油用量、重整汽油用量、烷基化汽油用量和MTBE用量,以及調(diào)合得到的93號汽油的辛烷值和90號汽油的辛烷值,這些輸出數(shù)據(jù)正是汽油調(diào)合生產(chǎn)中最為關(guān)心的需要優(yōu)化與預(yù)測的重要參數(shù);模型的中間一層是隱含層,它能夠從輸入層獲取汽油調(diào)合的初步信息,通過調(diào)節(jié)輸入層與隱含層以及輸出層相應(yīng)神經(jīng)元閾值或連接權(quán)值,使網(wǎng)絡(luò)的輸出值逼近實際生產(chǎn)的期望值,并可根據(jù)網(wǎng)絡(luò)輸出值與實際生產(chǎn)數(shù)據(jù)的差值反向調(diào)節(jié)相應(yīng)神經(jīng)元的閾值或連接權(quán)值,通過隱含層將輸入層的輸入?yún)?shù)與輸出層的輸出參數(shù)合理地映射起來,從而使模型不僅具有較強的擬合能力,同時也具有較強的預(yù)測能力。根據(jù)該企業(yè)汽油調(diào)合的實際情況,確定神經(jīng)網(wǎng)絡(luò)中輸入層、隱含層以及輸出層之間正向和反向傳遞函數(shù)均采用單極性Sigmoid函數(shù)。

      圖1 汽油調(diào)合神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)

      1.3 隱含層神經(jīng)元節(jié)點的數(shù)量確定

      隱含層神經(jīng)元節(jié)點數(shù)量的確定是神經(jīng)網(wǎng)絡(luò)設(shè)計中非常重要的一個環(huán)節(jié)。研究發(fā)現(xiàn)[9-10],隱含層神經(jīng)元節(jié)點數(shù)過少時,網(wǎng)絡(luò)從樣本中獲取信息的能力就差,不足以概括和體現(xiàn)訓(xùn)練集中的樣本規(guī)律,導(dǎo)致網(wǎng)絡(luò)或是不能收斂到規(guī)定誤差,或是雖然能夠完成學(xué)習(xí),但泛化能力不強。相反,隱含層神經(jīng)元節(jié)點數(shù)過多,又可能把樣本中非規(guī)律性的內(nèi)容(如噪聲等)也學(xué)會并記牢,從而出現(xiàn)“過度吻合”問題,不僅降低了網(wǎng)絡(luò)的適應(yīng)能力,還增加了訓(xùn)練時間。盡管隱含層神經(jīng)元節(jié)點數(shù)量對神經(jīng)網(wǎng)絡(luò)的成敗如此重要,但是,對于如何確定隱含層神經(jīng)元節(jié)點數(shù)量,目前理論上還沒有一種科學(xué)的普遍方法。通常是根據(jù)前人設(shè)計所得的經(jīng)驗和自己進(jìn)行試驗來確定??紤]到隱含層神經(jīng)元節(jié)點的作用是從樣本中提取并存儲其內(nèi)在規(guī)律,且每個隱含層神經(jīng)元節(jié)點均有若干個連接權(quán)值以表示其從輸入層到輸出層映射的強弱。另外,考慮到汽油調(diào)合的難點與關(guān)鍵是如何準(zhǔn)確預(yù)測非線性變化的汽油辛烷值,為盡快確定汽油調(diào)合神經(jīng)網(wǎng)絡(luò)合理的隱含層神經(jīng)元節(jié)點數(shù)量,對圖1所示汽油調(diào)合神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)進(jìn)行了簡化,制定了圖2所示辛烷值預(yù)測神經(jīng)網(wǎng)絡(luò)。

      圖2 辛烷值預(yù)測神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)

      與圖1所示汽油調(diào)合神經(jīng)網(wǎng)絡(luò)不同的是,圖2所示辛烷值預(yù)測神經(jīng)網(wǎng)絡(luò)僅有一個輸出參數(shù),即不同配方調(diào)合的汽油的辛烷值。

      以該煉油企業(yè)的109組生產(chǎn)數(shù)據(jù)為基礎(chǔ),編制了相應(yīng)程序,希望通過試湊的方法,即先設(shè)置較低的隱含層神經(jīng)元節(jié)點數(shù)量來訓(xùn)練網(wǎng)絡(luò),然后逐漸增加隱含層神經(jīng)元節(jié)點數(shù)量,并同樣采用這109組生產(chǎn)數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),從中確定預(yù)測誤差最小時對應(yīng)的隱含層神經(jīng)元節(jié)點數(shù)量。圖3為不同隱含層神經(jīng)元節(jié)點數(shù)量所對應(yīng)的網(wǎng)絡(luò)預(yù)測復(fù)相關(guān)系數(shù)及其隨隱含層神經(jīng)元節(jié)點數(shù)量的變化趨勢。

      由圖3可以看出:當(dāng)隱含層神經(jīng)元節(jié)點數(shù)量較少(為5)時,預(yù)測復(fù)相關(guān)系數(shù)較低,僅為0.985 63;隨著隱含層神經(jīng)元節(jié)點數(shù)量逐漸增加,預(yù)測復(fù)相關(guān)系數(shù)呈先增加后降低的變化趨勢,當(dāng)隱含層神經(jīng)元節(jié)點數(shù)量為15時,預(yù)測復(fù)相關(guān)系數(shù)達(dá)到最大值,為0.998 11。這表明對該煉油企業(yè)汽油調(diào)合模型來說,神經(jīng)網(wǎng)絡(luò)預(yù)測精度并不是隱含層神經(jīng)元節(jié)點數(shù)量越多越好,而是有一個合適的范圍,在15左右較合適??紤]到辛烷值預(yù)測模型的輸出參數(shù)只有1個,而本課題所研究的汽油調(diào)合神經(jīng)網(wǎng)絡(luò)模型輸出參數(shù)為6個,比上述模型的輸出參數(shù)多,預(yù)測難度也大,因此隱含層神經(jīng)元節(jié)點數(shù)量稍多一些可能更為合適。最后確定該企業(yè)汽油調(diào)合神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元節(jié)點數(shù)量為20個。

      圖3 復(fù)相關(guān)系數(shù)隨隱含層神經(jīng)元節(jié)點數(shù)量變化趨勢

      2 模型的訓(xùn)練與應(yīng)用

      2.1 訓(xùn)練與應(yīng)用情況

      為了對所建立的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)訓(xùn)練,從該煉油企業(yè)采集了50組生產(chǎn)數(shù)據(jù)作為學(xué)習(xí)訓(xùn)練數(shù)據(jù)。這些數(shù)據(jù)包括不同汽油組分的產(chǎn)量、辛烷值、烯烴含量、芳烴含量以及實際生產(chǎn)中最優(yōu)化的調(diào)合方案等。經(jīng)過50組生產(chǎn)數(shù)據(jù)的學(xué)習(xí)訓(xùn)練后,不同神經(jīng)元的閾值以及神經(jīng)元之間的連接權(quán)值得到了優(yōu)化調(diào)整,生成了擬合度高,預(yù)測誤差小,輸出最優(yōu)汽油調(diào)合方案與實際生產(chǎn)中得到的最優(yōu)調(diào)合方案相符的神經(jīng)網(wǎng)絡(luò)。

      為檢驗所建立神經(jīng)網(wǎng)絡(luò)的使用性能,對模型進(jìn)行了測試。為使測試更加接近工藝生產(chǎn)的實際情況,測試時沒有采用學(xué)習(xí)訓(xùn)練時采集的數(shù)據(jù),而是另外采集了25組生產(chǎn)數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)模型輸出的調(diào)合汽油辛烷值及實際測得的調(diào)合汽油辛烷值對比情況如圖4和圖5所示。神經(jīng)網(wǎng)絡(luò)模型輸出了調(diào)合汽油的最佳配方,即詳細(xì)的催化裂化汽油用量、重整汽油用量、烷基化油用量以及MTBE用量,圖6~圖9為神經(jīng)網(wǎng)絡(luò)模型輸出的調(diào)合汽油組成數(shù)據(jù)與實際生產(chǎn)數(shù)據(jù)的對比情況。

      圖4 93號汽油辛烷值

      圖5 90號汽油辛烷值

      圖6 93號汽油中催化裂化汽油用量

      從圖4~圖9可以看出:采用神經(jīng)網(wǎng)絡(luò)模型得到的調(diào)合方案與實際優(yōu)化后的數(shù)據(jù)接近;所預(yù)測的93號汽油的辛烷值、90號汽油的辛烷值均與實際生產(chǎn)數(shù)據(jù)接近。說明構(gòu)建的BP型汽油調(diào)合神經(jīng)網(wǎng)絡(luò)模型能較好地模擬生產(chǎn)實際情況,對辛烷值的預(yù)測精度、輸出的優(yōu)化調(diào)合方案均能滿足生產(chǎn)要求。

      2.2 模型存在的問題

      在模型的數(shù)據(jù)訓(xùn)練、驗證過程中,發(fā)現(xiàn)該調(diào)合模型也存在若干問題。

      圖7 93號汽油中重整汽油用量

      圖8 93號汽油中烷基化汽油用量

      圖9 93號汽油中MTBE用量

      2.2.1 訓(xùn)練樣本的輸入順序?qū)Y(jié)果有一定的影響 在對調(diào)合模型的訓(xùn)練算法中采用了即時調(diào)整神經(jīng)元連接權(quán)值的方法,即每輸入一個學(xué)習(xí)樣本后,根據(jù)其誤差立即調(diào)整各神經(jīng)元節(jié)點的連接權(quán)值。這種方法具有存儲空間小、訓(xùn)練速率快等優(yōu)點,但也存在著誤差收斂條件難以滿足等問題。在采用大量數(shù)據(jù)訓(xùn)練過程中,神經(jīng)元節(jié)點的連接權(quán)值容易受后來輸入數(shù)據(jù)的影響,某些順序下,該網(wǎng)絡(luò)模型誤差較大,無法得出有效解。經(jīng)過大量的分析研究,認(rèn)為這一缺陷可以采用批處理學(xué)習(xí)的方法來消除。方法是將一個訓(xùn)練周期的全部樣本一次性輸入神經(jīng)網(wǎng)絡(luò),以總的平均誤差為學(xué)習(xí)目標(biāo)函數(shù)來修正神經(jīng)元節(jié)點的連接權(quán)值。改進(jìn)后的模型可以較好地避免樣本輸入順序造成的影響,但收斂速率稍有降低。

      2.2.2 與實際相比,模型優(yōu)化結(jié)果有一定的誤差 實際驗證過程中部分結(jié)果與實際生產(chǎn)的誤差較大,這是建模過程的簡化處理所致:①忽略了辛烷值的配伍性。模型假定烷基化汽油、MTBE組分的辛烷值基本不變,實際上這些參數(shù)相互間存在配伍性,各組分辛烷值在配比不同時會略有變化,這種簡化導(dǎo)致了神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差增加。②忽略了其它制約因素的影響。在實際汽油調(diào)合過程中,硫含量、烯烴含量、氧含量等因素也會制約總的調(diào)合方案,而建模過程中對上述因素進(jìn)行了簡化,這些也對模型預(yù)測結(jié)果造成影響。

      雖然存在上述問題,但研究結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)可以適用于清潔汽油生產(chǎn)的調(diào)合優(yōu)化過程。如果進(jìn)一步完善模型,考慮配伍性及其它制約因素,可以采用更大規(guī)模的神經(jīng)網(wǎng)絡(luò),用更多的輸入?yún)?shù)、更多的隱含層、更多的神經(jīng)元節(jié)點,同時采用更多的訓(xùn)練數(shù)據(jù),理論上可以減小上述誤差。

      3 結(jié) 論

      (1)采用BP型神經(jīng)網(wǎng)絡(luò)建立汽油調(diào)合優(yōu)化模型具有可行性,預(yù)測精度較高,工程適應(yīng)性較好。實際應(yīng)用結(jié)果表明,構(gòu)建的BP調(diào)合網(wǎng)絡(luò)模型可以提供滿足生產(chǎn)要求的優(yōu)化調(diào)合方案,對非線性參數(shù)預(yù)測誤差小,對汽油調(diào)合過程具有較好的優(yōu)化指導(dǎo)作用,具有一定的工業(yè)實用性。

      (2)基于神經(jīng)網(wǎng)絡(luò)技術(shù)開發(fā)的汽油調(diào)合優(yōu)化模型的適應(yīng)性強,不需要建立調(diào)合機理模型,可以適合不同的煉油企業(yè),具有較好的工業(yè)適應(yīng)性。

      (3)通過增加輸入?yún)?shù)、增加隱含層的節(jié)點數(shù)量、改進(jìn)樣本的訓(xùn)練算法、采用較快計算能力的硬件系統(tǒng),建立的神經(jīng)網(wǎng)絡(luò)模型可以進(jìn)一步減少誤差,輸出更高精度的優(yōu)化方案。

      [1]Zahed A H,Mulla S A,Bashir M D.Predict octane number for gasoline blends[J].Hydrocarbon Processing,1993(5):85-87

      [2]薛美盛,李祖奎,吳剛,等.成品油調(diào)合調(diào)度優(yōu)化模型及其應(yīng)用[J].石油煉制與化工,2005,36(3):64-68

      [3]王繼東,王萬良.基于遺傳算法的汽油調(diào)合生產(chǎn)優(yōu)化研究[J].化工自動化及儀表,2005,32(1):6-9

      [4]李為民,徐明春,許志偉.基于紅外光譜——神經(jīng)網(wǎng)絡(luò)預(yù)測汽油辛烷值[J].煉油技術(shù)與工程,2005,35(12):45-47

      [5]秦秀娟,陳宗海.汽油辛烷值神經(jīng)網(wǎng)絡(luò)預(yù)測模型的設(shè)計[J].控制與決策,1999,14(2):151-155

      [6]鄭培,黎建強.基于BP神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈績效評價方法[J].運籌與管理,2010,19(2):26-32

      [7]胡明霞.基于BP神經(jīng)網(wǎng)絡(luò)的入侵檢測算法[J].計算機工程,2012,38(6):148-150

      [8]黎小輝,朱建華,武本成,等.基于BP神經(jīng)網(wǎng)絡(luò)的液化石油氣芳構(gòu)化反應(yīng)體系的預(yù)測模型[J].化學(xué)工業(yè)與工程,2012,29(1):39-42

      [9]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2002:17-60

      [10]朱雙東.神經(jīng)網(wǎng)絡(luò)應(yīng)用基礎(chǔ)[M].沈陽:東北大學(xué)出版社,2000:55-75

      猜你喜歡
      調(diào)合辛烷值汽油
      某煉廠柴油調(diào)合工藝設(shè)計
      揚州市查處一起非法經(jīng)營汽油案
      DOA調(diào)合瀝青的制備及其在防水卷材中的應(yīng)用研究
      石油瀝青(2021年2期)2021-07-21 07:39:50
      黨建+經(jīng)營催化汽油提效
      質(zhì)量比改變壓縮比的辛烷值測定機
      軟件(2020年3期)2020-04-20 01:45:24
      PNNL開發(fā)車載分離技術(shù)將乙醇從汽油中分離出來使辛烷值隨需變化
      研究法辛烷值和馬達(dá)法辛烷值對直噴汽油機性能的影響
      汽車文摘(2016年8期)2016-12-07 01:05:40
      大數(shù)據(jù)是“原油”,不是“汽油”
      聲屏世界(2015年8期)2015-02-28 15:20:26
      基于辛烷值調(diào)合效應(yīng)模型的在線更新方法及其應(yīng)用
      汽油直接噴射系統(tǒng)
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      404 Not Found

      404 Not Found


      nginx
      日土县| 奇台县| 长丰县| 革吉县| 富锦市| 蓬溪县| 蒲城县| 晋江市| 榆中县| 乐至县| 郧西县| 陇川县| 大竹县| 娄底市| 陆良县| 塔河县| 图们市| 华池县| 随州市| 札达县| 聂拉木县| 合作市| 阜城县| 皮山县| 临沂市| 昌平区| 拜城县| 芦溪县| 东源县| 商洛市| 永修县| 宝清县| 手机| 乌审旗| 吉安县| 美姑县| 梁山县| 攀枝花市| 闽清县| 禹州市| 沾化县|