《Algorithms》:Gaussian Adaptive Density Control with SDF Constraints (GADC-SDF) for 3D Human Avatar Modeling
Yebing Sun,
Min Huang,
Gangbo Huang,
Wenbo Lu,
Shi He,
Jie Li and
Jinhe Su
编辑推荐:
研究人员提出一种由灰狼优化算法(Grey Wolf Optimizer, GWO)优化反向传播(Back Propagation, BP)神经网络初始权值与阈值的GWO–BP混合模型,用于预测天然气输送管线离心压缩机防喘振控制阀(surge control v
研究人员提出一种由灰狼优化算法(Grey Wolf Optimizer, GWO)优化反向传播(Back Propagation, BP)神经网络初始权值与阈值的GWO–BP混合模型,用于预测天然气输送管线离心压缩机防喘振控制阀(surge control valve)的开度。首先,对22个运行参数进行Pearson相关系数分析以剔除高度共线变量,最终筛选出压缩机壳体振动、动力透平转速、进口压力、出口温度及燃气轮机功率共5个关键特征作为输入。数据经[-1,1]区间归一化后,以均方误差(Mean Square Error, MSE)为适应度函数,利用GWO算法搜索BP网络最优初始权重与偏置,网络结构为5输入–10隐层节点–1输出。采用十折交叉验证,以均方根误差(Root Mean Square Error, RMSE)、决定系数(R-square, R2)及平均绝对误差(Mean Absolute Error, MAE)评价性能。结果表明,相较于支持向量机(Support Vector Machine, SVM)、决策树(Decision Tree)、K近邻(K-Nearest Neighbor, KNN)、常规BP神经网络及粒子群优化BP(Particle Swarm Optimization–BP, PSO–BP)模型,GWO–BP模型具有最高的R2与最低的RMSE和MAE,预测值与实测值吻合最佳,防喘振阀开度平均相对偏差仅为4.65%,证明该模型可有效依据离心压缩机运行参数准确预测防喘振阀开度,为防喘振控制系统制定提供量化依据。
研究背景与意义
离心压缩机是天然气长输管道系统的核心设备,其安全运行依赖防喘振控制阀(surge control valve)的合理开度设定。目前防喘振阀开度多依赖操作人员经验,过小无法抑制喘振(surge),过大则造成大量高压气体回流、降低运行效率。常规BP(Back Propagation)神经网络因初始权值/阈值随机赋值易陷入局部最优且结果不稳定。灰狼优化算法(Grey Wolf Optimizer, GWO)具较强全局搜索能力,可用于优化BP网络初始参数。该研究发表于《Algorithms》,旨在建立GWO–BP预测模型,依据压缩机运行参数准确预测防喘振阀开度,为防喘振控制策略制定提供数据支持。
主要技术方法
研究人员采集华南某压气站2023年1月至2024年9月共532组有效运行样本,原始22个运行参数初选,经Min–Max归一化至[-1,1]。采用Pearson相关系数(rp)进行特征选择,以|rp|>0.7为高度共线阈值剔除冗余变量(F2、F5),保留5个与输出强相关且低共线特征。BP网络结构设为5输入–10隐层节点(tansig传递函数)–1输出(purelin传递函数),Levenberg–Marquardt(trainlm)训练,学习率0.01,最大训练1000轮,目标MSE=0.0001。GWO种群规模30,最大迭代50次,以MSE为适应度函数,α狼位置映射为最优权值偏置。并行建立SVM、决策树、KNN、常规BP及PSO–BP五组对照模型。十折交叉验证,以RMSE、R2、MAE为评价指标,对比预测值与实测值散点分布及误差直方图。
研究结果
3. Grey Wolf Optimizer (GWO) Algorithm
GWO模拟灰狼社会等级(α、β、δ、ω狼)及狩猎行为(包围、追猎、攻击、搜索)。α、β、δ狼引导ω狼更新位置:X1=Xα(t)?A1·Dα,X2=Xβ(t)?A2·Dβ,X3=Xδ(t)?A3·Dδ,当前代位置X(t+1)=(X1+X2+X3)/3。收敛因子a从2线性递减至0,控制探索与开发平衡。研究人员将狼个体位置编码为BP网络全部待优化权值与偏置。
3.3. GWO–BP Model for Predicting Opening of Surge Control Valve
研究人员先用GWO迭代寻优获得全局最优初始权值偏置再启动BP训练,以MSE为适应度函数,满足最大迭代或适应度收敛后输出α狼位置对应参数,再用该组参数初始化BP网络进行正向/反向训练。流程含数据归一化、建网、GWO优化、BP微调、反归一化输出预测开度。
4.1. Data Collection and Preprocessing
532组样本来自实际压气站,F1~F22为输入候选,F23为防喘振阀开度输出。归一化公式:xn=2(x?xmin)/(xmax?xmin)?1,映射至[-1,1]。
4.2. Feature Selection
Pearson相关系数公式给出。|rp|>0.7判定高度相关,F1与F2(rp=0.92)、F4与F5(rp=0.95)高度共线故剔除F2、F5。保留5特征:压缩机壳体振动(显著正相关)、动力透平转速(负相关)、进口压力(负相关)、出口温度(正相关)、燃气轮机功率(负相关),既与目标强相关又消除多重共线性。
4.3. Physical Analysis of Key Parameters on Surge Control Valve Opening
各保留特征与阀开度的物理关联获物理解释:壳体振动增大预示流场失稳需开大阀回补流量;转速降低致叶轮做功不足需增开度;进口压力下降致质量流量降低需增开度;出口温升暗示过压缩需增开度;燃气轮机功率降低需增开度补充流量——为模型输入变量选取提供气动理论依据。
5.1. Performance Evaluation Indexes
RMSE=√[Σ(Yiexp?Yipred)2/n],R2=1?Σ(Yiexp?Yipred)2/Σ(Yipred??)2,MAE=(1/n)Σ|Yipred?Yiexp|。
5.2. Parameter Configuration
输入层5节点,隐层10节点(tansig),输出层1节点(purelin),trainlm训练,lr=0.01,max epoch=1000,goal MSE=10?4;GWO种群30,max iter=50。
5.3. Comparison of Prediction Performance of Different Models
雷达图显示SVM与决策树拟合弱(RMSE、MAE高);KNN居中;常规BP R2尚可但RMSE偏高;PSO–BP三项指标均有改善;GWO–BP R2最接近1、RMSE与MAE最小,综合性能最优。
5.4. Comparison Between Prediction and Measurement Using Different Models
预测–实测散点图中GWO–BP数据点最紧密沿对角线分布;误差直方图显示GWO–BP误差分布最窄且峰值最高,平均相对偏差仅4.65%,显著优于其余五种对照模型。
讨论与结论(翻译浓缩)
常规防喘振阀开度依赖操作员经验设定,开度过小无法消除喘振,过大引致效率损失与能耗增加。本研究提出GWO–BP混合模型,由GWO优化BP神经网络初始权值与偏置,经Pearson相关分析从22个运行参数中筛选出5个与防喘振阀开度高度相关且低共线性的关键特征(压缩机壳体振动、动力透平转速、压缩机进口压力、出口温度及燃气轮机功率),基于532组现场运行数据建模与十折交叉验证评估。对比SVM、决策树、KNN、常规BP及PSO–BP模型,GWO–BP模型决定系数R2最高、RMSE与MAE最低,预测值与实测值吻合最佳,平均相对偏差仅4.65%。研究表明GWO–BP模型能依据离心压缩机运行参数准确预测防喘振控制阀开度,可为防喘振控制系统方案制定提供量化依据。未来工作将拓展至多压气站与变工况验证泛化能力,探索预测模型与防喘振控制系统集成实现自适应阀门调度,并开展在线预测研究以推动现场应用。