基于混沌自适应粒子群人工神经网络的气体在聚合物中的溶解模型

为提高溶解预测模型的效率和关联度, 建立基于混沌理论、自适应粒子群优化(PSO)算法和反向传播(BP)算法的混沌自适应PSO-BP神经网络模型, 并对二氧化碳(CO₂)在聚苯乙烯(PS)和聚丙烯(PP)中、氮气(N₂)在PS中的溶解度进行预测试验. 模型选用压力和温度作为输入参数, 使用试探法确定隐含层结点个数为8, 输出为预测的溶解度. 模型融合混沌理论、自适应PSO和BP算法各自的优势, 提高了训练速度和预测精度. 结果表明, 混沌自适应PSO-BP神经网络有很好的预测能力, 预测值与实验值相当吻合, 通过与传统BP神经网络和PSO-BP神经网络的比较可知, 其预测精度和相关性均明显较优, 预测平均绝对误差(AAD), 标准偏差(SD)和平方相关系数(R²)分别为0.0058, 0.0198和0.9914.     

超临界CO2在聚合物中的溶解计算研究进展

本文以超临界CO2在聚合物中的溶解计算模型为例,综述了状态方程、经验方程和人工神经网络计算方法的实现原理、研究现状和优缺点;依据人工神经网络预测方法存在的问题,重点阐述基于混合智能方法的神经网络溶解计算模型;并对溶解计算研究进行了总结和展望。