2020年数学建模大赛华为杯B题优秀论文6.pdfVIP

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 数学建模竞赛 学 校 浙江大学 参赛队号 20103350031 1. 郭亦宗 队员姓名 2. 冯斌 3. 杨梓锋 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 数学建模竞赛 题 目 基于数据挖掘技术的汽油辛烷值优化研究 摘 要： 辛烷值（RON ）是反映汽油燃烧性能的最重要指标。然而，现有技术在对催化裂化汽 油进行脱硫和降烯烃过程中，普遍降低了汽油辛烷值，造成了经济损失和环境压力。随着 信息技术的发展，数据挖掘技术已逐步应用于化工过程，亟需探索数据挖掘技术下的辛烷 值模型和优化方法。围绕如何建立辛烷值模型和优化方法这一问题，本文串联起每一子问 题，提出了考虑工艺实际、创新性的解决方案并验证可行。首先，对附件3 的285 和313 号两个样本按照整定方法进行预处理，并将处理后的数据放入附件 1 供后续研究。然后， 设计了两阶段整定算法对附件1 的325 个样本367 个变量预处理，提出4 种代表性的特征 选择和降维方法并求解，进而提出综合筛选模型以融合各方法的优点。进一步改进综合筛 选模型，将非操作变量和操作变量分开单独建立与辛烷值之间的关系模型，并求解自变量 之间的相关度，满足代表性和独立性的需求，最终得到30 个主要影响变量。在预处理和求 解主要影响变量后，建立改进的长短期记忆网络（LSTM ）预测模型预测产品辛烷值，从而 预测辛烷值损失。利用遗传 （GA ）算法改进LSTM 的参数选择，并对比了其他3 种典型 的预测方法，确定了该模型在辛烷值损失预测方面的优势。建立脱硫率的预测模型标准含 硫量，采用GA 和PSO 两种算法对325 个样本进行优化，得到操作条件。最终，依据前一 步的优化模型和操作变量调整幅度限制，针对133 号样本采用均匀步长调整策略以保证生 产的稳定性。结合辛烷值、硫含量预测模型以及t 分布随机邻域嵌入（t-SNE）的非线性降 维方法，绘制了二维和三维的辛烷值和硫含量的变化轨迹实现了模型的可视化展示。 在问题一中，先只针对附件3 的285 和313 号两个样本按照所给的5 种方法进行整定， 求解发现只有产品辛烷值和辛烷值损失与附件1 给定的数据略有差别，考虑到化工采样方 法可能不同，这一微小差别能够满足工程需要，因此采用附件1 数据进行后续研究。 在问题二中，在问题一的基础上首先对附件 1 的样本数据进行整定，设计了两阶段整 定算法，迭代7 次后将325 个样本、367 个变量筛选为252 个样本、230 个变量。然后，提 出综合筛选模型，将特征选择和降维方法中代表性的相关系数矩阵法、距离相关系数法、 递归特征消除 （RFE ）、主成分分析（PCA ）这4 种方法分别求解产品辛烷值与其余229 个 变量的相关性，并综合4 种方法的优点。进一步的，通过将非操作变量和操作变量分别单 独建立与产品辛烷值的相关性模型，得到改进的综合筛选模型，增强筛选变量的代表性； 寻找 229 个自变量之间的相关度，剔除相关度高的变量，增强筛选变量的独立性。最终， 在Python 的环境下编写程序，得到硫含量、原料辛烷值、饱和烃、烯烃、S.1、K-101B 右 1 排气温度等共30 个主要影响变量，其中5 个非操作变量，25 个操作变量。 在问题三中，将问题二得到的30 个主要影响变量作为批处理，建立LSTM 预测模型， 选取训练集：测试集 80% ：20%，分析了输入输出维度和结构，并建立了LSTM 预测模型 的评价指标。然后，采用GA