A novel and effective nonlinear interpolation virtual sample generation method for enhancing energy prediction and analysis on small data problem: A case study of Ethylene industry

یک مدل پیش بینی و بهینه سازی انرژی دقیق در صنایع پتروشیمی نقش بسیار مهمی ایفا می کند. با توجه به ویژگی های ناسازگار و ناتمام داده های کوچک پتروشیمی پیچیده، چالش بزرگی برای ساخت مدل های پیش بینی و بهینه سازی دقیق برای تجزیه و تحلیل انرژی است. برای حل این مشکل، یک روش تولید نسبی نمونه مجازی غیر خطی یکپارچه با دستگاه یادگیری افراطی پیشنهاد شده است. متغیرهای ورودی و خروجی مجازی می توانند از طریق درون یابی خروجی های مخفی لایه ی دستگاه یادگیری افراطی تولید شوند. نمونه های مجازی تولید شده همراه با نمونه های اولیه برای آموزش مدل ها برای افزایش کارایی دقت قرار می گیرند. برای تأیید اثربخشی روش تولید نسبی نمونه مجدد غیر خطی پیشنهاد شده، یک تابع استاندارد در ابتدا انتخاب شده است، و سپس روش تولید نسبی نمونه مجازی غیر خطی پیشنهاد شده برای توسعه یک مدل تحلیل انرژی برای سیستم های تولید اتیلن استفاده می شود. نتایج شبیه سازی نشان داد که دقت پیش بینی می تواند به طور قابل توجهی بهبود یابد، که راهنمایی های مفید برای ادارات تولید و دولت برای دستیابی به هدف مدیریت انرژی صنایع پتروشیمی فراهم می کند.