基于数据增强和模型迁移的生物质气化产物分布预测方法OA北大核心CSTPCD

生物质气化产物预测对于实现气化炉精准调控具有重要意义。机器学习方法计算速度快、拟合精度高,但由于实验样本不足,难以构建高可信预测模型。为此,该文提出基于数据增强和模型迁移的生物质气化产物分布预测方法。首先,构建生物质气化动力学模型并生成充足仿真数据来实现样本增强;然后,建立基于仿真数据的神经网络预训练模型,并在预训练模型基础上增加线性和非线性校准网络,利用实验数据对校准网络进行更新,将预训练模型迁移至与实验数据适配的特征空间。最后,采用该方法构建某木质生物质的气化预测模型,结果表明,该方法仅用4组训练样本就能够准确预测5组测试样本,其中决定性系数R~2为0.98,均方根误差为0.64%。与现有方法相比,该文方法在模型泛化和可解释方面均表现出一定优势。