神经网络在聚合过程建模中的应用研究

"该资源是一篇关于人工智能在聚合过程建模中的应用研究的硕士学位论文，作者为陈焰华，导师为潘海天，来自浙江工业大学化学工程专业。文章主要探讨了如何利用人工神经网络（ANN）解决聚合过程建模的复杂性问题，并通过引入遗传算法（GA）来优化网络训练，以提高模型的准确性和效率。" 本文首先介绍了聚合过程的特性，如复杂的反应机制、参数测量难度大以及非线性强，这些问题使得传统的基于机理的建模方法面临挑战。而人工神经网络由于其非精确依赖过程机理和能逼近任意函数的能力，成为处理此类复杂系统的有效工具。然而，神经网络的训练时间长和可能陷入局部极小值的问题限制了其应用。 论文的主要研究内容包括： 1. 回顾了ANN在聚合过程建模中的应用，对已有工作进行了归纳总结。 2. 探讨了误差反向传播算法的改进策略，对比分析了不同改进算法的优缺点。 3. 提出使用遗传算法作为训练策略，以解决神经网络训练过程中的局部极小值问题，针对简单遗传算法的不足，提出了改进措施并实现了相应的程序设计。 4. 基于上述改进，讨论了基于ANN的聚合过程建模方法，尤其是对于那些无法在线测量的关键参数，构建预测模型，实现参数的软测量。 5. 利用建立的ANN模型进行仿真，分析各种因素对聚合过程的影响，以深入理解过程动态。 论文通过苯乙烯和马来酸酐的热引发本体聚合过程为例，具体展示了ANN在实际聚合过程建模中的应用和效果，为复杂化学过程的建模提供了一种新的、有效的方法。此外，该研究还强调了遗传算法在解决神经网络优化问题中的重要作用，以及它如何帮助提高模型的全局优化性能。这些研究成果对于进一步推动人工智能在化学工程领域中的应用具有重要意义。