基于IRV-CFO优化PD-ATCN的深度学习烟气污染物分类与危险检测方法

《Scientific Reports》：A deep feature-based approach for classifying flue gas pollutants and hazard identification using pyramid-dilated temporal convolution networks

　　

摘要

如今，对有毒气体浓度的实际监测与精确预测引起了研究人员的高度关注，因为它在紧急验证情况和救援工作中具有重要作用。基于人工智能（AI）的气体浓度预测技术面临诸多问题，包括收敛速度慢、特征重要性均衡以及精度有限。然而，由于缺乏在排放法规下对重要现场检测的执行，选择最佳设计并验证最合适的安全措施也变得十分困难。因此，本文实现了一种基于深度学习的烟气分析模型，用于危险检测。在此，所需样本从基准资源中收集，并通过卷积自编码器与空间-时间注意力机制（CA-STA）提取特征。烟气分类采用基于金字塔空洞的自适应时间卷积网络（PD-ATCN）完成，其中提取的特征作为输入。通过改进随机变量-寄居蟹优化算法（IRV-CFO）对PD-ATCN的参数进行微调，增强了所提方法的灵活性。最后，通过多种性能指标评估所提框架的有效性，结果显示其具有更高的鲁棒性。在精度分析中，所开发的IRV-CFO-PD-ATCN在典型烟气污染物分类和危险识别方面取得了卓越成果，数据集1的准确率高达95.11%，数据集2为92.6%，优于基线方法。因此，实验结果表明，在动态条件下，所提方法能够比其它方法实现更为精确的典型烟气分类和危险检测结果。