人工神经网络方法在化学试验中的应用

刘 瞻

(中国石油化工股份有限公司 北京化工研究院，北京100013)



人工神经网络方法在化学试验中的应用

刘 瞻

(中国石油化工股份有限公司 北京化工研究院，北京100013)

针对化学试验中被测量需要建立非线性模型的问题。文中将BP人工神经网络引入到化学实验中，前期采集的大量实验值作为网络学习的样本，利用误差反方向传播学习不断地训练网络，完成了整个学习过程。建立了可测量的气体和需要精准计量的液体之间的非线性数学模型。通过仿真结果证明，BP神经网络模型平均训练误差为1.17%，可以精准预测液体流量。

BP神经网络；非线性模型；化学试验

在化学实验中，被测量往往受到诸多因素影响需要建立非线性模型。人工神经网络是建立非线性模型的最优方法之一。本文将神经网络引入到化学实验中，选取了BP神经网络模型，其拥有强大的非线性映射能力，通过多层前馈网络学习完成非线性映射。大量实验数据作为网络学习的样本，指导隐含层的权值和阀值的调整，建立系统精准的非线性数学模型。

1 实验背景

在高活性聚异丁烯聚合实验中，引发剂在极低温度下进行滴加，其进料速度非常重要，进料速度均一才可以保证反应的浓度，避免引发剂分布不均匀引起的局部溶液聚合，产品非均相的结果。实验中采用了气体注入法，选择了不会与引发剂反应的惰性气体作为推进剂。

气体注入法是将不会与原料反应的惰性气体压入到液体反应器中，从而建立惰性气体流量和引发剂流量之间的非线性关系。通过实验中采集到的大量数据，利用人工神经网络方法进行非线性建模，对简单的非线性函数以网络的形式进行复合。建立惰性气体流量和引发剂流量之间的非线性关系，预测准确率高，精准控制引发剂的流量。

2 BP神经网络建模分析

实验采用BP神经网络进行非线性建模，对于室温、实验温度、气体进入系统前后压力等诸多因素的影响，具有较强的稳定性和鲁棒性。

2.1 BP神经网络的建立

(1)输入输出神经元的个数。输入神经元的个数取决于数据源的维数，除引发剂流量外还有室温、实验温度、气体进入前后压力等；输出层的神经元个数即惰性气体流量；

(2)隐含层的个数。对于任何在闭区间内的一个连续函数都可以用单隐含层的BP网络逼近，因此一个3层的BP网络就可以完成任意n维～m维的映射，所以单隐含层的BP神经网络就可以精准建模；

(3)隐含层神经元的个数。采用试凑法：先设定比较少的隐含层节点数来训练网络，然后逐渐增加对同一样本进行训练，从而确定网络误差最小的时候对应的节点数。试凑法的初始值由下式得到

(1)

其中，m为隐含层节点数；n为输入层节点数；l为输出层节点数；α为1～10之间的常数。

(4)激活函数的选择。激励函数是用来控制输入对象对输出的激活作用，对输入输出进行函数转换。是无限域的输入变换成指定的有限范围内的输出。常用的激励函数有以下几种：

1) 线性型

y=x

(2)

此时输入输出是正比关系，该函数可以使网络输出任何值；

2) logsig函数

(3)

该函数是处处可导的。它可以把网络的值域变换到0～1之间；

3) tansig函数

(4)

该函数把输入从负无穷大到正无穷大的信号，变换到0～1之间。实际上，也可以选用其他的函数作为BP网络的激励函数，只要该函数是处处可导的。当函数y值接近0或1时，函数值对自变量的变化不敏感。

(5)学习率参数的选择。学习率η决定了每一次循环训练中所产生的权值变化量。学习率η如果较大，在开始时收敛较快，但在后段可能会出现振荡。如果η较小，将使训练权值的变化较小，收敛速度比较慢，学习过程过长。但是输出会较为平滑的向期望输出靠近。所以一般情况下，倾向于选择较小的学习率来保证系统的稳定性。

2.2 训练BP神经网络

(1) 网络初始化，设置网络权值矩阵Wji和Vkj为不全相等的随机小数，学习效率设为0～1之间的小数，网络训练精度设为正数；

(2) 对每一输入样本Xi(i=1,2,…,N)进行前向运算，即计算所有神经元输出

(5)

(6)

(3) 根据对应于样本Xi的期望输出dk，反向递推计算所有的训练误差

(7)

(8)

(4) 修正权值系数

wji(t+1)=wji(t)+ηδjxi

(9)

vkj(t+1)=vkj(t)+ηδkoj

(10)

每当k从1～M后，判断

(11)

在上述训练的基础上，固定己经训练好的权值，把实验数据输入到网络中，就可得到惰性气体的流量。

3 BP神经网络实验中的应用

3.1 数据采集

氮气从常温常压下进入到实验系统内，温度和压力都发生改变。考虑温度压力的变化和管道长度的影响，使用余量法对引发剂流量进行计算。假设气体充满需要一小时，计量一个小时内被挤压出的液体体积流量V1；同样的条件下计量两个小时内被挤压出的液体体积流量V2。在实验温度T1下，得到引发剂的流量为

(12)

在相同温度T1、氮气流量是Vd情况下，采集了多组对应的引发剂的流量Vc。将引发剂的流量控制在1～2.5 sccm之间，根据式(12)，采集了30组样本值，对BP神经网络进行建模。部分样本值如表1所示。

表1 实验采集样本值

3.2 BP神经网络的建立和训练

(1)采用单隐含层的BP神经网络，其中输入层个数为5。分别对应室温T1、实验温度T2、引发剂流量V1、进入系统前压力P1、系统压力P2；输出层的个数1，对应惰性气体流量；

(2)确定隐含层神经元的个数。由试凑法得出隐含层神经元的初始值为2，训练次数上限是1 000。逐渐增加隐含层个数，其训练时间、误差如表2所示。

表2 隐含层节点数对BP网络训练的影响(学习率0.06)

由表2以看出，隐含层节点过少时，收敛时间较长；节点过多时，训练时间会加长。其误差差别不大，对最终的精准度影响较小。为方便训练网络，隐含层选择4较为合适；

(3)隐含层的激励函数选用tansig函数见式(4)，输出层的激励函数选用logsig函数见式(3)；

(4)学习率的选择。

表3 学习率对BP网络训练影响

通过表3可以看出，学习率采用0.06较合适。神经网络参数确定后，将实验采集样本值输入训练神经网络，在以上选定的参数情况下，训练BP神经网络的误差曲线如图1所示。

图1 神经网络误差训练曲线

在实验中，通过计量的惰性气体流量得到引发剂的流量，如表4所示。

表4 经过神经网络训练前后数据对比

通过表4的流量对比发现，经过BP神经网络建立起的非线性模型已经可以准确地预测惰性气体的流量了，实验中的引发剂流量已非常接近理论值。

4 结束语

本文介绍了人工神经网络在化学实验中的应用。在实验中液体流量受到实验温度、室内温度、氮气流量，和系统压力等诸多因素的影响，需要建立气体流量和液体流量之间的非线性的对应关系，使用BP人工神经网络的方法建立这样的非线性模型。BP神经网络具有很强的非线性映射能力和柔性的网络结构，通过采集到得大量样本进行网络训练，利用其最优梯度下降法来指导网络的权值和阀值的调整，对引发剂的流量进行预测，得到惰性气体流量和引发剂流量之间的非线性关系。

[1] 姚俊. 基于遗传算法和BP神经网络的建设用地规模预测研究[D].长沙:湖南农业大学,2013.

[2] 曹宇. 基于融合算法的BP算法改进及其在保障性评估方面的应用[D].沈阳:东北大学,2013.

[3] 董志玮.人工神经网络优化算法研究与应用[D].北京:中国地质大学,2013.

[4] 贺存哲,杨海波,王振华,等. BP神经网络在橡胶配方设计中的应用进展[J].橡胶工业,2013(4):251-255.

[5] 李玉丹.并行BP神经网络多模式分类模型的研究[D].大连:辽宁师范大学,2014.

[6] 刘英莉,姜瑛,尹建成,等.BP神经网络在铝合金性能优化中的研究进展[J].材料科学与工程学报,2014(1):142-147,153.

[7] 李小珉,尹明.基于遗传算法的BP神经网络电子系统状态预测方法研究[J].电子测量技术,2016(9):182-186.

[8] 孙倩.基于LM-BP神经网络的推荐算法的研究与应用[D].北京:北京交通大学,2016.

[9] 刘品. BP神经网络结构优化研究及应用[D].北京:中国地质大学,2016.

[10] 别秀德. BP神经网络应用研究[J].智慧工厂,2016(1):97-102.

[11] 王闪闪.基于群智能算法的神经网络建模研究[J].电子科技,2017,30(4):56-59.

[12] Yang Ruigang,Duan Zhibin,Lu Yi,et al. Load reduction test method of similarity theory and bp neural networks of large cranes[J].Chinese Journal of Mechanical Engineering,2016(1):145-151.

[13] Wang Ying,Lu Cuijie,Zuo Cuiping. Coal mine safety production forewarning based on improved BP neural network[J].International Journal of Mining Science and Technology,2015(2):319-324.

[14] Gao Dangcheng,Yin Minghu,Chen Guoding. The prediction of dynamic coefficients for tilting-pad journal bearings based on an AGA-BP neural network[J].International Journal of Plant Engineering and Management,2014(1):39-45.

[15] Peng Chaoqin,Cao Chun,Huang Jiaoying,et al. Seismic signal recognition using improved BP neural network and combined feature extraction method[J].Journal of Central South University,2014(5): 1898-1906.

Artificial Neural Network Method Used in Chemical Experiments

LIU Zhan

(China Petroleum & Chemical Corporation Beijing Research Institute of Chemical Industry，Beijing100013，China)

In chemical experiments, nonlinear models are needed to be measured. In this paper, BP artificial neural network is introduced to the chemical experiment, through a lot of experiments pre acquisition value of learning as the sample, using error back propagation learning direction of continuous training network, complete the whole learning process. A nonlinear mathematical model is established for the measurement of the gas and the liquid to be measured accurately. The simulation results show that the average training error of BP neural network model is 1.17%.

BP neural network; non-linear model; chemical experiments

2017- 05- 12

中石化总部科技部立项(212056)

刘瞻(1983-)，女，硕士，工程师。研究方向：化学工艺，化工仪表等。

10.16180/j.cnki.issn1007-7820.2017.07.019

TP183

A

1007-7820(2017)07-069-04