利用基于注意力的特征融合方法预测风力涡轮机叶片报废后的热解产物分布
《Chinese Journal of Chemical Engineering》:Prediction of pyrolysis products distribution for end-of-life wind turbine blades using attention-based feature fusion
【字体:
大
中
小
】
时间:2026年04月10日
来源:Chinese Journal of Chemical Engineering 3.7
编辑推荐:
快速解聚下废旧风力涡轮机叶片产品分布预测模型研究,提出基于物理信息神经网络(PINN)与注意力机制的特征融合框架,结合XGBoost和MLP模型,通过动态加权融合提升预测精度,实验显示误差降低86%-99%。
张启亮|姜德凯|李晨旭|张宝鑫|胡斌|徐明欣|李凯|卢强
华北电力大学自动化系,中国保定071003
摘要
热解可以有效地从报废风力涡轮机叶片(WTBs)中回收玻璃纤维,同时产生可再利用的热解油和合成气。报废WTBs热解过程中涉及的非线性动力学特性给准确预测产物分布带来了挑战。本文提出了一种基于注意力机制的特征融合预测框架,用于预测报废WTBs的热解产物分布。首先,提出了一种结合阿伦尼乌斯方程的物理信息神经网络(PINN)。然后,通过集成极端梯度提升算法(XGB)、多层感知器(MLP)和PINN,并引入注意力机制来动态加权它们的输出,开发了一个用于报废WTBs快速热解的产物分布预测模型。在此基础上,提出了一种动态加权特征融合算法来预测报废WTBs的热解产物分布。最后,通过报废WTBs的快速热解实验验证了所提方法的优越性。实验结果表明,与现有方法相比,所提方法在预测精度上取得了显著提高,均方根误差和平均绝对误差分别降低了86%至99%。
引言
随着风力发电技术的快速发展,报废风力涡轮机叶片(WTBs)的处理变得越来越重要[1],[2]。报废WTBs主要由玻璃纤维增强热固性聚合物复合材料构成,这使得它们可以通过工业技术进行回收[3],[4]。学者们提出了多种处理报废WTBs的方法,包括填埋、机械回收[5]、化学处理[6]、[7]、焚烧[8]和热解[9]。值得注意的是,由于热解能耗较低且能更有效地回收有价值的材料[10],它逐渐成为处理报废WTBs的主流方法。热解是在厌氧条件下对碳质材料进行的热分解过程[11],[12]。热解技术可以分解聚合物基体的交联分子链,从而实现从报废WTBs中高质量分离玻璃纤维,并产生油、碳和合成气[13]。
产物预测是热解过程研究中的一个基本课题,对于优化工业热解反应器的参数至关重要[14]。预测热解产物的主要方法包括基于实验分析的方法和基于机器学习的方法[15],[16],[17]。与基于实验分析的方法相比,基于机器学习的方法能够在各种热解条件下更准确地开发产物预测模型[18]。最近,一些机器学习模型已被用于预测快速热解的产物分布,如随机森林(RF)[19]、人工神经网络(ANN)[20]、支持向量机(SVM)[21]、极端梯度提升(XGB)[22]和多层感知器(MLP)[23]。然而,报废WTBs的热解过程表现出非线性动力学特性,这可能会影响现有机器学习方法预测热解产物的准确性。此外,现有方法仅依赖数据拟合来建立系统输入和输出之间的关系,对控制热解过程的物理规律的考虑有限。因此,开发一种有效的方法来提高报废WTBs快速热解产物预测的准确性具有重要意义。
物理信息神经网络(PINN)是一种将系统运行机制整合到神经网络训练过程中的神经网络模型[24]。与仅依赖数据驱动方法的传统机器学习模型不同,PINN将物理约束和反应机制纳入神经网络中,使结果更能准确反映工业过程[25],[26]。通过结合实验数据和反应机制,PINN在模拟复杂系统的动态特性方面具有更高的准确性。PINN作为一种新兴模型,在风力发电[27]、光伏发电[28]、材料科学[29]、电力系统[30]和电池[31]等多个领域得到了广泛应用。现有结果证明了PINN相较于其他机器学习模型的优越性。据作者所知,目前尚无关于使用PINN预测快速热解产物的研究文献。
受上述讨论的启发,我们引入PINN来预测报废WTBs快速热解的产物分布。这是首次将PINN应用于报废WTBs的快速热解。我们建立了一个动态加权特征融合模型(DWFFM),其中包含XGB、MLP和PINN作为子模型来预测快速热解的产物分布。我们的主要动机是提高产物预测模型的准确性。与依赖单一机器学习方法的传统方法不同,我们的方法不仅克服了捕捉非线性动力学的局限性,还为报废WTBs的快速热解参数优化提供了新的视角。本文的贡献可以总结如下:
1)提出了一种基于PINN的新方法用于产物分布建模,以实现报废WTBs快速热解的可解释建模。通过整合反应机制,所提出的PINN方法能够确保物理一致性并提高快速热解产物分布建模的可解释性。
2)为了克服单一模型预测的局限性,提出了一种基于注意力机制的动态加权特征融合框架。通过结合XGB、MLP和PINN子模型的优势来提高预测准确性。然后,提出了一种动态加权特征融合算法。
3)提供了详细的实验对比分析,以证明所提方法的优越性。实验结果表明,所提出的基于注意力的产物预测模型有效降低了86%至99%的均方根误差和平均绝对误差。
本文的其余部分结构如下:第2节提供了用于报废WTBs快速热解的基于注意力的动态加权特征融合框架。第3节通过实验验证证明了我们方法的优越性,第4节对本文进行了总结。
研究方法
报废WTBs的热解系统示意图如图1所示。热解系统主要包括四个阶段:预处理、热解反应、产物分离以及产物处理和利用。在预处理阶段,报废WTBs被切割和破碎,然后在厌氧条件下逐渐加热。从报废WTBs热解过程中产生的三相产物通过分离装置分别回收和再利用。
结果与讨论
在本节中,我们通过对报废WTBs进行热解实验来验证所提出的DWFFM的有效性。然后,通过将我们的方法与现有结果进行比较,证明了所提出的DWFFM的优越性。
结论
本文研究了一种用于报废WTBs快速热解的产物预测模型。提出了一种基于PINN的产物分布模型,用于报废WTBs的快速热解。开发了一种使用注意力机制的DWFFM来预测报废WTBs的快速热解产物分布。提出了一种确定DWFFM输出参数的算法。与现有方法相比,所提出的DWFFM有效降低了RMSE和
作者贡献声明
张启亮:撰写 – 审稿与编辑、监督、方法论、研究。胡斌:研究。张宝鑫:研究。李晨旭:方法论、研究。姜德凯:撰写 – 审稿与编辑、初稿撰写、研究。卢强:验证、监督。李凯:研究。徐明欣:研究、数据整理
利益声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本工作部分得到了国家重点研发计划(2023YFC3906002)的支持;部分得到了河北省自然科学基金(F2024502008)的支持;以及国家自然科学基金(52436009)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号