基于改进狼群算法-深度置信网络(IGWO-DBN)模型的旋风分离器压降预测
针对目前旋风分离器压降计算模型在准确性和实用性上的不足,为更好地指导旋风分离器的结构设计和性能优化,采用深度学习方法对其压降进行了预测.选取了影响压降的7个几何参数,采用深度学习中的深度置信网络(deep belief network,DBN)对旋风分离器压降数据进行预测,并利用改进的狼群算法(improved grey wolf opti-mizer,IGWO)对DBN模型的初始化权重和偏置参数进行寻优,构建IGWO-DBN组合模型,同时与几种传统计算模型和机器学习模型的预测结果进行对比.结果表明,IGWO-DBN模型在计算精度上优于Shepherd-Lapple模型、Casal模型等传统计算模型,并优于反向传播神经网络(back propagation neural network,BPNN)、支持向量机(support vector machine,SVM)、极限学习机(extreme learning machine,ELM)等机器学习模型,计算效率大幅提升,且具有较好的泛化性和鲁棒性,可用于旋风分离器压降参数的预测.
狼群算法(GWO)、深度置信网络(DBN)、旋风分离器、压降、模型
50
TQ028.1(一般性问题)
国家管网集团科技项目LH22-2021-008
2023-03-16(万方平台首次上网日期,不代表论文的发表时间)
共9页
107-115