[发明专利]基于递推岭ELM的填料塔载点气速预测方法

权利要求书

1.基于递推岭ELM的填料塔载点气速预测方法提出一种新型的极限学习机网络的建模方法，即递推岭极限学习机(recursive ridge extreme learning machine，RRELM)，可以快速对不同类型散堆填料塔中的载点气速建立通用的预测模型，使用该模型可以对各种型号散堆填料塔中的载点气速进行较准确的预测；包括以及几个步骤：

(1)采集散堆填料塔实验中与载点气速相关的数据，作为建模所需的样本集，分析数据特征及影响载点气速的因素，确定载点气速模型的输入变量与输出变量；

(2)由于数据之间存在较大的差距，为了保证建立模型的可靠性，首先要对数据预处理；归一化是神经网络等建模方法常采用的预处理方法，即把数据值都转化为[0，1]区间的数，此处采用的是对数归一化法；

(3)根据载点气速归一化之后的数据特点，对不同类型的散堆填料，快速建立载点气速预测的RRELM模型；

(4)应用建立的RRELM模型进行预测，并对预测值进行反归一化，最终计算得到载点气速的预测值。

2.根据权利要求1所述的散堆填料塔中载点气速的预测方法，所述的步骤(1)其特征在于所述的载点气速模型的输入变量和输出变量分别为：液相雷诺数Re_L、斯托克斯数St_L、伽利略数Ga_L、填料层厚度校正系数S_B、以及填料球形度作为模型的输入变量；Lockhart-Martinelli参数χ则为模型的输出变量。

3.根据权利要求2所述的散堆填料塔中载点气速的预测方法，其特征在于其载点气速与模型输出的关系为：

UG,Ld=χ·UL/ρG/ρL]]>

式中：U_G，Ld为载点气速，U_L为液相流动速度，ρ_G和ρ_L分别为气相和液相的密度。

4.根据权利要求1所述的散堆填料塔中载点气速的预测方法，其特征在于所述的步骤(2)中的对数归一化法，每一个输入变量归一化的表达式如下：

xN=log10(x/xmin)log10(xmax)-log10(xmin)]]>

式中：x_N为归一化后的值，x是样本值，X_min和X_max分别是样本中的最小值和最大值。

5.根据权利要求1所述的散堆填料塔中载点气速的预测方法，其特征在于所述的步骤(3)中的RRELM建模过程中，采用了基于快速留一交叉验证准则，并以递推的方式确定模型的最佳节点。

6.根据权利要求1所述的散堆填料塔中载点气速的预测方法，其特征在于所述的步骤(4)中的RRELM模型采用的是sigmoidal形式的激活函数，数学表达式为其中，H是根据载点气速训练数据中输入参数生成的隐层输出矩阵，k为岭参数，U为单位矩阵，是计算获得的输出权值，H_t是测试数据根据输入参数而生成的隐层输出矩阵，Y是载点气速训练集数据中的输出变量，根据测试集输入变量并且利用所建立的RRELM模型计算得到的预测值，并对模型预测值进行反归一化处理，根据权利要求4所述的载点气速与模型输出的关系得到最终的载点气速预测值。