基于深度置信网络的滴流床反应器持液量预测

针对滴流床反应器持液量预测难度大、精度低的问题,首次提出了一种基于深度置信网络(Deep Belief Network,DBN)的数据建模方法.首先采用受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)提取实验数据的深层特征,然后使用一层反向传播(Back Propagation,BP)神经网络对深层特征进行训练,建立滴流床反应器持液量预测模型.模型测试结果表明,深度置信网络模型对滴流床反应器持液量具有良好的预测效果,测试样本的平均相对误差MRE为4.8％、决定系数R2为0.965,相比于传统的理论与半经验模型,具有精确性高、泛化性强的特点,且模型对滴流床反应器操作参数的变化具有显著性,符合持液量变化机理和反应器放大设计的要求.