Штучний інтелект

Анотація: Діоксид сірки - один з газів, що найчастіше зустрічається, який забруднює повітря та несе велику кількість небезпек для здоров'я людини і довкілля. З метою зниження шкідливої дії, необхідно контролювати викиди димових газів на електростанціях, оскільки значна частина діоксиду сірки в атмосфері виникає з димових газів, що утворюються в процесі виробництва електроенергії. У роботі розглядаються проблеми оптимізації процесу десульфуризації димових газів від діоксиду сірки за допомогою інтелектуального аналізу даних. Розроблено модифікований генетичний метод оптимізації процесу десульфуризації димових газів на основі нейронної мережі, що дозволяє відображати вплив характеристик часового ряду параметрів процесу на фактичну ефективність десульфуризації і підвищувати її точність прогнозу. Принципова відмінність запропонованого генетичного методу від існуючих аналогів полягає у використанні адаптивної мутації, яка використовує в процесі своєї роботи рівень розвитку популяції. У ній найменш значущі гени з більшою ймовірністю будуть мутувати в хромосомах, ніж з високою придатністю, це підвищує точність та збільшує їх роль в пошуку. Було проведено порівняльний аналіз розробленого генетичного методу та відомих, в результаті чого було встановлено, що він дає найменшу помилку прогнозування вмісту SO2 на виході та дозволяє зменшити час виконання прогнозування ефективності десульфуризації димових газів. Отримані результати дозволяють запропонувати дійовий метод для підвищення ефективності процесу десульфуризації димових газів та зниження викидів SO2 в атмосферу.

Ключові слова: знесірчення димових газів, діоксид сірки, штучна нейронна мережа, генетичний алгоритм.

Посилання:

1. Liu, S., Sun, L., Zhu, S., Li, J., Chen, X., Zhong, W., 2020. Operation strategy optimization of desulfurization system based on data mining. Applied Mathematical Modelling, 81, pp. 144-158. DOI: 10.1016/j.apm.2019.12.004.
2. Shao, Z., Si, F., Kudenko, D., Wang, P., Tong, X., 2020. Predictive scheduling of wet flue gas desulfurization system based on reinforcement learning. Computers & Chemical Engineering, 141, p. 107000. DOI: 10.1016/j.compchemeng.2020.107000
3. Li, X., Liu, Q., Wang, K., Wang, F., Cui G., Li, Y., 2020. Multimodel Anomaly Identification and Control in Wet Limestone-Gypsum Flue Gas Desulphurization System. Complexity, 2020, pp. 1-17. DOI: 10.1155/2020/6046729.
4. Zhao, Z., et al., 2021. Simulation of SO2 absorption and performance enhancement of wet flue gas desulfurization system. Process Safety and Environmental Protection, 150, pp. 453-463, 2021. DOI: 10.1016/j.psep.2021.04.032.
5. Wang, Q., Wang, L., Wu, H., Yang, H., 2020. Promoting fine particle removal in double-tower cascade wet flue gas desulfurization system by flue gas temperature reduction. Powder Technology, 373, pp. 581-589. DOI: 10.1016/j.powtec.2020.07.019.
6. Chen, B., Sun, F., Gao, M., Shi, Y., 2019. A 1-D model of spraying performance for wet flue gas desulfurization scrubber based on predicted slurry temperature. Applied Thermal Engineering, 155, pp. 259-266. DOI: 10.1016/j.applthermaleng.2019.03.064.
7. Fu, J., Xiao, H., Wang, T., Zhang, R., Wang, L., Shi, X., 2019. Prediction Model of Desulfurization Efficiency of Coal-Fired Power Plants Based on Long Short-Term Memory Neural Network. IEEE: 2019 International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData), pp. 40–45. DOI:10.1109/iThings/GreenCom/CPSCom/SmartData.2019.00030.
8. Adams, D., Oh, D., Kim, D., Lee, C., Oh, M., 2020. Prediction of SOx–NOx emission from a coal-fired CFB power plant with machine learning: Plant data learned by deep neural network and least square support vector machine. Journal of Cleaner Production, 270, p. 122310. DOI: 10.1016/j.jclepro.2020.122310.
9. Qiao, Z., Wang, X., Gu, H., Tang, Y., Si, F., Romero C., Yao, X., 2019. An investigation on data mining and operating optimization for wet flue gas desulfurization systems. Fuel, 258, p.116178. DOI: 10.1016/j.fuel.2019.116178.
10. Uddin G., et al., 2020. Artificial Intelligence-Based Emission Reduction Strategy for Limestone Forced Oxidation Flue Gas Desulfurization System. Journal of Energy Resources Technology, 142 (9), pp. 1-16. DOI: 10.1115/1.4046468.
11. Guo Y. et al., 2019. Modeling and optimization of wet flue gas desulfurization system based on a hybrid modeling method. Journal of the Air & Waste Management Association 69 (5), pp. 565-575. DOI: 10.1080/10962247.2018.1551252.
12. Kong, Z., Zhang, Y., Wang, X., Xu, Y., Jin, B., 2020. Prediction and optimization of a desulphurization system using CMAC neural network and genetic algorithm. Journal of Environmental Engineering and Landscape Management, 28 (2), pp. 74-87. DOI: 10.3846/jeelm.2020.12098.
13. Pardo, E., Blanco-Linares, J., Velázquez, D., Serradilla, F., 2020. Optimization of a Steam Reforming Plant Modeled with Artificial Neural Networks. Electronics, 9 (11), pp. 1923. DOI: 10.3390/electronics9111923.
14. Stajkowski, S., Kumar, D., Samui, P., Bonakdari, H., Gharabaghi, B., 2020. Genetic-Algorithm-Optimized Sequential Model for Water Temperature Prediction. Sustainability, 12 (13), pp. 5374. DOI: 10.3390/su12135374.
15. Erzurum Cicek, Z., Kamisli Ozturk, Z., 2021. Optimizing the artificial neural network parameters using a biased random key genetic algorithm for time series forecasting. Applied Soft Computing, 102, pp. 107091. DOI: 10.1016/j.asoc.2021.107091.
16. Zaji, A., Bonakdari, H., Khameneh, H., Khodashenas S., 2020. Application of optimized Artificial and Radial Basis neural networks by using modified Genetic Algorithm on discharge coefficient prediction of modified labyrinth side weir with two and four cycles. Measurement, 52, pp. 107291. DOI: 10.1016/j.measurement.2019.107291.
17. Cheng, H., Xie, J., 2017. Study on the application of recurrent fuzzy neural network in PH control system of absorption tower. IEEE: 2017 Chinese Automation Congress (CAC). DOI: 10.1109/cac.2017.8243850.
18. Wang, X., Yang, L., Chen, X., Han, J., Feng, J., 2019. A Tensor Computation and Optimization Model for Cyber-Physical-Social Big Data. IEEE Transactions on Sustainable Computing, 4 (4), pp. 326-339. DOI: 10.1109/tsusc.2017.2777503.
19. Yang, Z., et al., 2021. Predicting particle collection performance of a wet electrostatic precipitator under varied conditions with artificial neural networks. Powder Technology, 377, pp. 632-639. DOI: 10.1016/j.powtec.2020.09.027.
20. Jang, H., Shuli, X., So, S., 2020. Analysis the Compressive Strength of Flue Gas Desulfurization Gypsum Using Artificial Neural Network. Journal of Nanoscience and Nanotechnology, 20 (1), pp. 485-490. DOI: 10.1166/jnn.2020.17235.
21. Wang, F., et al., 2016. Application of genetic algorithm-back propagation for prediction of mercury speciation in combustion flue gas. Clean Technologies and Environmental Policy, 18 (4), pp. 1211-1218. DOI: 10.1007/s10098-016-1095-1.
22. Kong, Z,. et al., 2020. Error prediction and structure determination for CMAC neural network based on the uniform design method. Expert Systems, 38 (2). DOI: 10.1111/exsy.12614.
23. Li, Q., Wu, J., Wei, H., 2018. Reduction of elemental mercury in coal-fired boiler flue gas with computational intelligence approach. Energy, pp. 753-762. DOI: 10.1016/j.energy.2018.07.037.