2020年数学建模大赛华为杯B题优秀论文4.pdfVIP

中国研究生创新实践系列大赛 中国研究生创新实践系列大赛 “华为杯”第十七届中国研究生 “华为杯”第十七届中国研究生 数学建模竞赛 数学建模竞赛 学 校 河海大学 参赛队号 20102940042 1. 李 禹 队员姓名 2. 徐文强 3. 崔 威 中国研究生创新实践系列大赛 中国研究生创新实践系列大赛 “华为杯”第十七届中国研究生 “华为杯”第十七届中国研究生 数学建模竞赛 数学建模竞赛 题 目 汽油辛烷值优化建模 摘 要： 汽油燃烧产生的尾气排放对大气环境有重要影响。汽油清洁化重点是降低汽油中的 硫、烯烃含量，同时尽量保持其辛烷值。然而汽油精制工艺是一个多变量的强非线性、强 耦联性的复杂系统。为控制精制过程中产品的硫含量、建立汽油辛烷值预测模型和优化操 作变量降低辛烷值(RON)损失，本文充分利用线性、非线性相关分析、互信息理论、神经 网络、智能寻优算法等数据挖掘技术研究了如何降低汽油精制过程中辛烷值损失的问题。 针对问题一，依据附件二给出的“样本确定方法”对附件三：285 号和313 号样本原 始数据进行数据整定。经整定，两个样本原始数据中不存在残缺数据较多、全部为空值或 部分为空值的位点（操作变量），不需作数据处理；依据变量的最大最小限幅，筛选出 8 个变量，剔除4 个涉及样本数超过42.15%的变量；将整定好的样本替换附件一中的对应样 本，同时利用拉依达准则剔除4 个存在非操作变量异常值的样本。最终形成321 个样本、 364 个变量的数据文件。 针对问题二，汽油精制工艺是一个多变量的强非线性、强耦联性的复杂系统，首先模 型一利用简单线性相关分析和偏相关分析，得到产品辛烷值(RON)和原料辛烷值(RON) 的 强相关性，相关系数为 0.973。然后建立基于互信息的降维模型，将剩余变量依据与产品 辛烷值(RON)互信息值的大小排序，剔除线性相关较强的变量后，选取前14 个变量和原料 辛烷值(RON)共计 15 个主要变量。模型二基于遗传算法—BP 神经网络的降维模型利用了 神经网络对非线性问题的良好适应性，采用二进制编码形成自变量组合，通过 BP 神经网 络计算得到产品辛烷值(RON)预测值的均方误差作为该自变量组合的适应度，经遗传算法 寻优得到最优的 14 个主要变量的组合。对比两个模型，发现两组主要变量有 8 个完全相 同，但模型一的剩余主要变量之间存在更弱的相关性，符合主要变量的独立性标准。 针对问题三，基于问题二模型一所得到的15 个主要变量，建立模型三BP 神经网络模 型预测产品辛烷值(RON) 。单隐含层BP 神经网络预测误差在 （-0.36%，0.55% ）之间，双 隐含层BP 神经网络预测误差在（-0.4%，0.35% ）之间。模型四小波神经网络预测模型的 预测误差在（-0.15%，0.3% ）。对比得知，小波神经网络的预测精度最高，但对比产品辛 烷值预测值与实测值的整体趋势，发现双隐含层 BP 神经网络的预测误差分布更均匀，精 度与小波神经网络预测模型接近。因此选定双隐含层BP 神经网络作为预测模型。 针对问题四，基于问题三的产品辛烷值(RON)预测模型，同样建立产品硫含量的 BP 神经网络预测模型。建立模型五基于 BP 神经网络预测模型的粒子群寻优算法，优化主要 变量操作方