基于BP神经网络的旋风分离器分割粒径模化与预测

作     者：刘金鹏 赵兵涛 钱魏锋 李会梅 LIU Jinpeng;ZHAO Bingtao;QIAN Weifeng;LI Huimei

作者机构：上海理工大学能源与动力工程学院上海200093 上海市动力工程多相流动与传热重点实验室上海200093 

出 版 物：《化工进展》 (Chemical Industry and Engineering Progress)

年 卷 期：2021年第40卷第2期

页      面：671-677页

核心收录：

学科分类：080706[工学-化工过程机械] 08[工学] 0807[工学-动力工程及工程热物理] 

基　　金：上海市自然科学基金(17ZR1419300) 

主　　题：离心分离 分割粒径 神经网络 贝叶斯正则化 

摘      要：为精确建立分割粒径与旋风分离器结构参数和操作参数之间的复杂映射关系,发展了基于数据驱动的BP神经网络(BPNN)的分割粒径模型。使用全局量纲分析,提出环形空间雷诺数、表征旋风分离器本体尺寸影响的量纲为1数和排气芯管插入深度尺寸比作为网络输入参数,表征空气动力等效分割粒径大小的量纲为1尺寸作为网络输出参数,分别确定了训练算法和隐含层神经元个数对BPNN分割粒径模型预测精度的影响。结果表明:贝叶斯正则化算法优于L-M算法和拟牛顿算法,并在隐含层神经元个数为7时达到最优预测性能。与理论模型、半经验模型和多元回归模型进行比较,结果表明,贝叶斯正则化BPNN分割粒径模型展现出了较好的预测能力和泛化性能,模型预测的均方误差为0.136、决定系数为0.975。