黏度测量论文：神经网络的黏度测量探索范文

作者：成日金倪红卫李先旺朱文渊熊敬超何环宇张华单位：武汉科技大学钢铁冶金及资源利用省部共建教育部重点实验室武汉都市环保工程技术股份有限公司

网络传递函数及算法的确定

BP神经网络神经元采用的传递函数通常取Sigmoid可微的单调递增函数,它可以实现输入到输出间的任意非线性映射,这个特性使得它在函数逼近等领域有着广泛的应用。因此,隐层神经元采取传递函数是正切Tansig函数,这样,整个网络的输出可以限制在一个较小的范围内;而输出层采取的是线性Purelin函数,可使整个网络输出取任意值。常用的BP神经网络算法是梯度下降法,但这种方法的线性收敛速度较慢。

然而,Levenberg-Marquardt优化方法(Trainlm函数)是高斯-牛顿法的改进形式,既有它的局部特性,也有梯度法的全局特性,故训练函数采取的是优化算法Trainlm函数。这个函数适合作函数拟合,收敛快、误差小,缺点是占用存储空间大且性能随网络规模增大而变差。

网络学习参数的确定

学习率决定着权值改变幅度值,为减小迭代次数,学习率在不导致系统误差振荡的情况下尽可能取较大值。通过多次修正,本模型中学习率大小取0.8。而动量系数在一定程度上抑制系统误差振荡,且避免系统误差突升突降情况的发生。动量系数采用先大后小的变参数学习策略较为理想,本模型学习率取0.9。

训练目标为0.0001。在神经网络的训练过程中,可能会出现训练不足或“过度训练”的情况。所谓过度训练,即出现训练中训练误差继续减小,但是验证误差逐渐增大。此时可以通过“提前终止”的方法来寻求最佳训练次数,以此来提高它的泛化能力。

网络的训练

通过文献查阅及实验测定的方式获取黏度样本为1774个。用于BP神经网络训练样本的温度及成分范围如表1所示。由表1可看出,样本的温度、成分及二元碱度范围较广,这有利于提高本预测模型的泛化能力。应用上述模型对1774个黏度样本进行初始化并训练,训练误差变化曲线如图1所示。由图1可看出,黏度训练误差收敛需要518步。神经网络均方误差函数为本模型模拟下的均方误差为mse=3.3775×10-4。由此看出,该模型收敛性良好。

黏度测定与模型预测分析

1黏度测定

通过RTW-10型熔体物性综合测定仪测定国内某3个厂的4种高炉渣,实验用渣的主要化学成分如表2所示,测定黏度与温度的关系如图2所示。由图2可看出,高炉渣黏度随温度的降低而升高,黏度曲线符合碱性渣的特性要求。 

2模型预测分析

以图2中4条曲线较均匀地取93个实验数据点作为验证集,用于在神经网络训练的同时监控网络的训练过程。通过对高炉渣作仿真预测,得到高炉渣黏度的预测值。预测误差范围如表3所示,高炉渣黏度预测值与测量值的数据对比如图3所示。由表3和图3可看出,采用BP神经网络模型对4种高炉渣黏度预测的最大相对误差分别为9.87%、13.92%、5.20%和9.54%,它们的平均相对误差分别为2.75%、2.83%、1.31%和3.02%,总平均误差为2.36%,误差均控制在一个很好的水平以内。因此,BP神经网络模型对黏度的预报值有着较高的准确性。

结论

(1)应用BP神经网络建立高炉熔渣黏度预测模型并对其黏度进行预测,预测结果的总平均误差为2.36%,预测结果与实验结果相吻合。

(2)采用试凑法后发现,尽管隐含层神经元个数增多,但单隐层神经网络收敛速度仍然较慢,可通过增加隐含层数量对其进行改善。