英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
人工神经网络算法精确预测沼气热力学性质
关键词：
沼气 热力学性质 人工神经网络 多层感知器 GERG2008状态方程
摘要
在将沼气实际注入现有天然气网络之前，应解决与沼气存储和运输有关的技术问题。另外，它们的不同最终应用导致各种组分和各种浓度的存在，使问题更难解决。因此，对于管道网络的设计人员来说，准确地知道气体混合物的热力学特性（尤其是其密度）是必不可少的，而这将有很大的不同。在这项工作中，MLP（多层感知器）神经网络用于开发所需的沼气性质预测器模型。为了训练网络，采用了使用ISO 20765-2（2015）（适用时）和实验值创建的沼气热力学特性。将结果与从GERG2008状态方程估算的值进行比较，该状态方程是天然气和实验值的参考方程。结果表明，所开发的MLP模型在各种沼气混合物的计算中均具有很高的准确性，并且对于所有输出特性（包括密度，可压缩系数，等容热容，等压热容，等熵指数，内部能量）的输入属性范围，焓，熵，焦耳-汤姆森系数和声速。提及的测试数据属性的均方根误差（RMSE）分别为0.00012536、0.00016593、0.0025213、0.0016208、0.00337、0.0096329、0.0099837、0.0035625、0.01055和0.00039428。这是天然气和实验值的参考方程式。结果表明，所开发的MLP模型在各种沼气混合物的计算中均具有很高的准确性，并且对于所有输出特性（包括密度，可压缩系数，等容热容，等压热容，等熵指数，内部能量）的输入属性范围，焓，熵，焦耳-汤姆森系数和声速。提及的测试数据属性的均方根误差（RMSE）分别为0.00012536、0.00016593、0.0025213、0.0016208、0.00337、0.0096329、0.0099837、0.0035625、0.01055和0.00039428。
1 。引言
生物质，生物燃料和沼气在各个阶段都是可再生能源。生物质和生物燃料通常直接燃烧产生能量[ 1 ]。可以从各种废物中提取沼气，例如家禽和牛粪。它是由废弃有机材料的厌氧发酵产生的。沼气主要包含甲烷和二氧化碳。一旦沼气得到处理和清洁，就可以将其注入天然气管道网络。
由于沼气产生的废料来源不同，在实际将沼气注入现有天然气管道网络之前，必须解决与存储和运输相关的技术难题[ 2 ]。除了沼气的来源多种多样之外，沼气的各种最终用途还可以防止各种浓度的不同组分的存在。因此，对于管道网络设计人员而言，准确了解沼气混合物在各种压力和温度范围内的热力学特性至关重要。因此，有必要开发新的方法来估算沼气在广泛的组成和工作条件下的热力学性质[ 3。]。当前，用于评估沼气热力学性质的最新数学模型是用于天然气性质计算的模型。对于接近天然气的组成，方法的准确性是可以接受的，但是由于沼气组成在天然气组成的可接受范围内有所不同，因此热力学性质的估算可能不切实际。简而言之，需要新的方法来计算沼气的行为并估算其热力学性质，其准确性与天然气[ 4 ]相同。
由于天然气和沼气混合物之间的相似性，回顾一下有关天然气和沼气的类似研究将是有益的。可以使用三种方法来计算气体的热力学性质，包括测量技术，经验相关性和状态方程（EOS）以及智能方法。
沼气作为气体的热力学性质也可以使用各种仪器进行测量。Lozano-Martiacute;n等。[ 5 ]使用球形声学谐振器测量了压力高达12 MPa的沼气混合物的声音速度。Valdes和Cadet [ 6 ]采用超声飞行时间技术来计算二元混合物的声速和分子量。在另一项研究中，Zhou等。[ 7]使用了一种基于等速技术的仪器来测量天然气混合物的压力和温度。他们还利用该等速技术和第二台仪器开发了一种自动等速仪器，用于测定等温密度。流量计也可用于计算少量的热力学性质，但流量计需要频繁的重新校准[ 8 ]。成本和潜在的侵蚀是使用流量计的另一个陷阱[ 9 ]。
使用EOS和经验相关性是确定气体混合物热力学性质的另一种方法。在各种EOS中，AGA8 [ 10 ]，GERG2008 [ 11 ]和PC-SAFT [ 12 ] EOS都是很少的例子，而AGA8和GERG2008是预测天然气热力学性质最常见的事实。相关性也是计算热力学性质的一种简单方法。Farzaneh-Gord等。[ 13 ]和Farzaneh-Gord和Rahbari [ 14，15 ]提出了一种计算机程序，用于计算基于状态的AGA8方程天然气热性能。还可以根据测量值验证结果。法尔扎内·戈德[ 16］还提出了计算天然气密度随温度，压力，焦耳-汤姆森系数变化的相关性。Farzaneh-Gord [ 17 ] 随后也采用了类似的技术，通过了解温度，压力和声速来确定天然气的密度。
智能技术（IT）也可以用于预测气体的热力学性质。在这些技术中，由于输出的高精度，人工神经网络（ANN）[ 18 ]吸引了许多研究人员的注意力。使用IT预测可压缩性因素是最新研究中的热门话题和最新话题之一。天然气热力学性质预测领域的可靠研究非常有限。这些研究在这里收集和总结。Moghadassi和kamyab等人对IT进行了首次调查。Kamyab等[ 20 ]使用Katz图作为输入源来开发ANN方法。Al-Anazi等人建立了一种人工神经网络方法。[[图21 ]用于计算酸性天然气的压缩率。他们使用977个实验值来计算可压缩系数，平均绝对误差为0.965％。在另一项研究中，AlQuraishi等人通过收集4445个实验值，[ 22 ]开发了一种计算天然气密度的方法。研究的平均绝对偏差为4.93％。Sanjari和Lay [ 23 ]提出了一种ANN方法来确定天然气压缩率。他们的人工神经网络是通过采用5500多个实验值进行测试和培训而开发的。Kamari等提出了一种方法，即CSA-LSSVM 1计算酸性天然气的压缩系数。他们收集了900多个伪降压和伪降温数据点，并开发了他们的方法。Mohamadi-Baghmolaei等[ 25 ]利用ANN，FIS，2和ANFIS
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
