利用模糊神经网络确定乙氧基化反应模型

关键词：化学品

醇醚是极为重要的精细化学品, 被广泛用作溶剂、防冻剂、金属清洗剂、高级制动液、高级油漆、印刷油墨及其它精细化学品。随着相关行业的发展, 我国对醇醚类产品的需求不断增加, 需求质量不断提高, 仅乙二醇醚的需求量达年需求1 0万吨以上, 而这些产品的生产主要集中在美国、西欧和日本, 我国的醇醚仍需大量进口, 因此应该在最短时间内, 使催化乙氧基化技术达到世界先进水平。

乙二醇醚的生产, 就是醇与环氧乙烷的乙氧基化反应, 即含活泼氢的有机化合物在催化剂的作用下与环氧乙烷的逐级加成反应。目前, 反应的控制主要集中在动力学模型基础上, 由于动力学模型是建立在机理分析的基础上, 存在着结构过于复杂参数难以确定的问题。

而模糊神经网络技术有机的结合了人工神经网络和模糊控制的优点, 利用人工神经网络技术来进行模糊信息处理, 可使得模糊规则的自动提取及模糊隶属函数的自动生成成为可能, 从而使系统成为一种自适应的模糊系统, 本文将利用模糊神经网络技术的自学习特性, 确定乙氧基化反应动力学模型中的复杂参数。

1 模型与算法

1.1 乙氧基化反应动力学模型

脂肪醇与环氧乙烷的乙氧基化反应, 即含活泼氢的有机化合物在催化剂的作用下与环氧乙烷的逐级加成反应, 其反应动力学模型如下:

1.2 模糊神经网络模型

本文采用模糊多层感知神经网络 (Fuzzy Multi-Layer Perceptron Neural Network) 。该网络模型共分5层, 如图1所示, 它是一个具有输入层、三层隐含层和一个输出层的五层神经网络。

第一层为输入层, 该层为输入变量层, 每个节点代表经过预处理过的输入变量;第二层为隶属函数层, 实现输入变量的模糊化 (即隶属度划分) , 节点的个数为各个输入变量的模糊集合数之和;第三层为模糊规则强度匹配层, 该层将模糊化得到的隶属度两两相乘 (与) , 从而形成模糊规则库, 它的输出代表着模糊规则的强度;第四层为归一化层, 完成变量的隶属度求和 (或) 计算, 每个节点代表一个可能的模糊规则的t h e n部分;第五层为反模糊化层, 用于实现清晰化计算, 即将模糊规则推理得到的输出变量的各个模糊集合的隶属度值 (即第四层各个节点的输出) , 转换为输出变量的精确数值。

1.3 自适应模糊神经网络学习算法

在构建的模糊神经网络的初始结构基础上, 需要通过不断的学习过程对结点进行调整, 从而得到确定的网络结构, 达到学习目标, 本系统中采用了一种改进自适应模糊神经网络学习算法。

设网络要存储M个不同的训练样本模式对:

{ (X1

网络的连接权值矩阵为:

网络的性能指标评价函数 (误差函数) 为:

其中, yi j表示期望值, yi为实际输出值。网络的激活函数选用高斯函数:

其中ci k为中心值, δi k为宽度。

自适应模糊神经网络学习算法的步骤如下:

(1) 以cik和δik的初始值ci0, δi0为中心, 生成N个样本, 设删除节点的阈值为ξ, 最大的学习次数为T。

(2) 随机选取一个样本xp, 按选定的评价函数计算该样本的适应度, f=1/E。

(3) 按照适应度最小原则, 选出较优个体。

(4) 修改权值。, 其中α为学习率。

(5) 判断是否达到最大学习次数T, 是则转向 (6) , 否则转向 (2) 。

(6) 对每个样本判断是否与阈值ξ相差悬殊, 若是则删除该结点, 并转向 (2) , 若没有可删除的结点则转向 (7) 。

(7) 结束。

2 实验设计与结果分析

2.1 实验设计

在0.5 L高压釜中加入起始剂月桂酸甲酯100g, 镁铝复合介孔氧化物催化剂3g, 环氧乙烷的加入量约为5 g左右, 通过循环冷却系统将反应控制在指定温度, 分别在170℃、1 8 0℃、1 9 0℃温度下反应, 记录每个反应温度下的反应时间T (min) 和对应体系压力值P (kPa) 。

系统利用Visual C++语言实现自适应模糊神经网络学习算法, 采用实验得到的训练集数据对建立的模糊神经网络进行训练, 取1 7 0℃下的奇数号数据样本训练模糊神经神经网络。取误差目标值为0.0000001, 即总的误差平方和小于0.0000001时可以认为网络已经训练成熟, 停止训练。对已经训练好的网络用非训练样本集进行测试, 选取1 7 0℃下的偶数号样本为检验样本, 送入网络测试其学习能力。