跳到主要內容

臺灣博碩士論文加值系統

(3.235.140.84) 您好!臺灣時間:2022/08/13 05:45
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:吳明峰
研究生(外文):Wu, M. F.
論文名稱:汽電共生鍋爐系統之類神經網路最佳化模式預測
論文名稱(外文):ANN Model Predictive and Optimization for Cogeneration Plant System
指導教授:鄭西顯鄭西顯引用關係
指導教授(外文):Jang, S. S.
學位類別:碩士
校院名稱:國立清華大學
系所名稱:化學工程學系
學門:工程學門
學類:化學工程學類
論文種類:學術論文
論文出版年:2002
畢業學年度:90
語文別:中文
中文關鍵詞:鍋爐類神經網路訊息理論最適化
外文關鍵詞:boilernerual networkinformation theoryoptimization
相關次數:
  • 被引用被引用:1
  • 點閱點閱:199
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
本論文主要研究汽電共生鍋爐系統,並分為2個方向進行,其一是使用軟體chemkin模擬燃煤鍋爐系統,並以模擬之結果來當做實驗之場所;其二則是使用業界之汽電共生燃油鍋爐系統來做為實驗之場所。我們的目標是以提升鍋爐的效率為主,並且為了符合現今政府的污染排放限制,所以在尋求最佳化的過程中加入限制NOx 與CO的含量在符合法規之下(因硫化物只有在燃料中存在,因此在決定使用什麼燃料後,其產生多少硫氧化物就大約可以預測了,所以如果限制其含量就沒有太大的意義)。
本研究中,在使用CHEMKIN模擬出來的燃煤鍋爐時,以直交表(L18)做初始實驗點的安排,來做為類神經網路建模的原始數據;另一方面,是直接使用汽電共生廠燃油鍋爐的實際歷史操作數據來做為類神經網路建模的依據;取得數據後,再以類神經網路(Artificial Neural Network)來建立模擬系統的模型,最後使用訊息理論(Information Theory)的預測模式找出系統的最佳化條件。經由兩個理論所結合的架構,可以在最少的實驗次數上得到系統的最佳操作條件,因此節省大量做實驗的成本與時間;由結果顯示,由使用CHEMKIN的模擬鍋爐,在有NOx 與CO含量限制下的鍋爐效率比較高;而使用實際工廠數據所建立的模型,搜尋出來的效率也比原始數據來得高。

目 錄 I
圖表目錄 III
第 1 章 緒 論 1
1.1 前 言 1
1.2 研究動機與目的 4
1.3文獻回顧 7
第 2 章 汽電共生系統簡介 11
2.1汽電共生 11
2.2鍋爐效率之計算 14
第 3 章 研究理論背景 20
3.1網路實驗設計軟體 20
3.1.1類神經網路最適化策略流程 20
3.1.2實驗點之最佳搜尋策略 21
3.1.3模糊聚類分析(Fuzzy C-Mean) 24
3.1.4 類神經網路訓練方式 26
3.2訊息理論 28
3.2.1訊息熵(Information Entropy) 28
3.2.2訊息能量(Information Energy) 30
3.2.3訊息自由能(Information Free Energy) 30
3.3利用訊息理論尋求在有限制條例下的最適化操作 32
3.4類神經網路實例應用 34
第 4 章 鍋爐之模型建立 37
4.1 CHEMKIN模擬鍋爐的最適化 37
4.1.1 CHEMKIN軟體介紹 37
4.1.2系統設定 39
4.1.3操作變數 41
4.1.4 Case 1 固定負載90t/h 下之最大化熱效率、最小化氮氧化物(NOx)與一氧化碳(CO) 42
4.1.5 Case 2固定負載90t/h 下,最大化熱效率、限制氮氧化物(NOx)與一氧化碳(CO)在一個合理範圍之最適化 44
4.2實際燃油汽電工廠數據建模 46
4.2.1鍋爐現況分析 48
4.2.2建模:固定蒸汽量建模 53
4.2.3建模結果 60
第 5 章 總 結 64
第 6 章 參考資料 66
附 錄 A 68

1.李明誼,傅孟台, 鄭耀宗,鍋爐效率改善個案分析,工研院能源所.
2.李明誼,莊山, 鄭耀宗,鍋爐效率計算方法分析,工研院能源所.
3.李伍鉦, 煙管鍋爐熱性能與氧化氮排放模式分析,國立台灣大學機械工程學系研究所碩士論文,1986
4.陳夢萍等,鍋爐效率測試及標準訂定研究計劃,工研院能源所.
5.陳丁碩,自適應共振理論在製程失誤偵測與診斷之應用,清華大學化工所博士論文,2000.
6.蘇聖凱,火力電廠與汽電共生之性能評估,國立台灣大學機械工程學系研究所碩士論文,1999.
7.蕭榮輝,汽電共生模擬程式,私立元智大學機械工程研究所碩士論文,1993.
8.Anders Nordin, NO reduction in a fluidized bed combustor with primary
measures and selective non-catalytic reduction, Fuel, Vol 74, pp.128-135, 1995.
9.Bezdek, J. C., R. Ehrlich and W. Full,FCM: The Fuzzy C-Means Clustering Algorithm, Computers and geoscience, 10, 191, 1984.
10.Bezdek, J. C., Convergence Theory for Fuzzy C-Means : Counterexamples and Repairs, IEEE. Trains. Syst. Man. Cybern, 17, 873, 1987.
11.Chen, j., Wan, D.S.H., Jang, S.S., Yang, S.L., Product and Process Development Using Artificial Neural-Network Model and Information Analysis, AICHE J., 44, 876,1998.
12.Gerry J. Hesselmann, Optimization of combustion by fuel testing in a NOx reduction test facility, Fuel, Vol 76, pp. 1269-1275, 1997.
13.Hagan, M. T. and M. B. Menhaj, Training Feedforward Networks with the Marquardt Algorithm, IEEE Trans. on Neural Network, 5, 989 (1994).
14.Hertz, J., A. Krogh and R. G. Palmer, Introduction to the Theoryof Neural Computation, Addison-Wesley, New York (1991).
15.Hornik, K., Approximation Capabilities of Multilayer Feedforward Network, Neural Network, 4, 251, 1991.
16.Jang J.-S. R., Sun C.-T., Mizutani E,,Neuro-Fuzzy and Soft Computing, Prentice-Hall, 1997.
17.Jose J. Pis, Prediction of combustion efficiency in a fluidized bed combustor by statistical experimental design, Fuel, Vol 70, pp.861-864, 1991.
18.Shannon, C. E., A Mathematical Theory of Communication, Bell Syst. Tech. J., 27, 379, 1948.
19.Zhou Hao, Combining neural network and genetic algorithms to
optimize low NOx pulverized coal combustion, Fuel , Vol 80,
pp.2163-2169, 2001.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top