کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8070809 1521388 2018 37 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Energy modeling using an effective latent variable based functional link learning machine
ترجمه فارسی عنوان
مدل سازی انرژی با استفاده از متغیر وابسته موثر و مبتنی بر متغیر مبتنی بر یادگیری ماشین
کلمات کلیدی
مدلسازی انرژی، دستگاه یادگیری کاربردی، مربع کم اجزای اصلی، اسید تترفاتیک خالص،
ترجمه چکیده
با افزایش مقیاس های صنایع پتروشیمی مدرن، مدلسازی انرژی نقش مهمی در صرفه جویی در انرژی دارد. با این وجود، ساخت مدل های دقیق انرژی با توجه به ویژگی های پیچیده غیر خطی بالا، ابعاد بالا و اتصال قوی داده های مدل سازی، سخت تر می شود. برای مقابله با این مشکل، یک متغیر وابسته به متغیر وابسته با متغیر مبتنی بر کارآمد کاربردی در این مقاله پیشنهاد شده است. در روش پیشنهادی، سه ویژگی برجسته وجود دارد: اول، یک بلوک گسترش تابع غیرخطی برای گسترش فضای داده های مدل سازی انرژی به فضای بسیار غیر خطی برای حل مساله مشکل غیر خطی بالا از داده های مدل سازی انرژی استفاده می شود. دوم، مولفه های اصلی مبتنی بر متغیرهای پنهان شده از فضای گسترش یافته برای از بین بردن اطلاعات بیش از حد استخراج می شود. در نهایت، الگوریتم یادگیری افراطی مبتنی بر معکوس عمومی برای آموزش مدل پیشنهادی برای دستیابی به سرعت یادگیری سریع استفاده می شود. برای تأیید عملکرد مدل پیشنهادی، مطالعه موردی برای توسعه یک مدل انرژی برای یک فرایند تولید تری فسفاتیک خالص انجام شده است. نتایج شبیه سازی نشان می دهد که مدل پیشنهادی می تواند نه تنها سرعت یادگیری شدید، بلکه دقت پذیری را نیز به دست آورد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
مدل سازی انرژی با استفاده از متغیر وابسته موثر و مبتنی بر متغیر مبتنی بر یادگیری ماشین
چکیده انگلیسی
With the increasing scale of modern petrochemical industries, energy modeling plays a more and more important role in energy-saving. However, it becomes more and more difficult to build accurate energy models due to the complicated characteristics of high nonlinearity, high dimension and strong coupling of modeling data. In order to tackle this problem, a novel latent variable based efficient functional link learning machine is proposed in this paper. In the proposed method, there are three salient features: first, a nonlinear function expansion block is used to extend the space of energy modeling data to highly nonlinear space for effectively solving the high nonlinear problem of energy modeling data; second, principal components based latent variables are extracted from the expanded space for removing redundant information; finally, an extreme learning algorithm based on generalized inverse is utilized to train the proposed model for achieving fast learning speed. To validate the performance of the proposed model, a case study of developing an energy model for a Purified Terephthalic Acid production process is carried out. Simulation results show that the proposed model can achieve not only extreme learning speed, but also acceptable accuracy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 162, 1 November 2018, Pages 883-891
نویسندگان
, , , ,