论文标题：A comparative study among machine learning and numerical models for simulating groundwater dynamics in the Heihe River Basin, northwestern China

作者列表：

1) 何  为 中国石油大学（北京） 信息科学与工程学院 博16

2) 李巨峰 中国石油集团安全环保技术研究院有限公司

3) 唐智和 中国石油集团安全环保技术研究院有限公司

4) 吴  甭 中国石油大学（北京） 信息科学与工程学院 硕17

5) 栾  辉 中国石油集团安全环保技术研究院有限公司

6) 陈  冲 中国石油大学（北京） 信息科学与工程学院

7) 梁华庆 中国石油大学（北京） 信息科学与工程学院

论文录用时间：2020年07月28日

发表期刊：Mathematical Problems in Engineering (JCR Q1)

原文DOI链接：https://doi.org/10.1155/2020/8071810

背景与动机：

随着原油质量的逐渐劣质化，在采用催化裂化进行重油轻质化的过程中，硫氮等杂质含量越来越高，在催化装置再生后将以SO2和NOx的形式排出。2017 年7 月1 日起执行的《石油炼制工业污染物排放标准》，将催化裂化再生烟气氮氧化物排放浓度限定值由之前400 mg /m3调低至200 mg /m3。通过对3家石油炼化企业催化装置2016~2018 年生产运行数据和污染源自动监控数据综合分析，发现催化裂化装置生产工艺的调整与末端NOx污染排放有一定关系。由于催化裂化装置是一种多参数多变量相互耦合的复杂系统，难以用一个简单的过程来描述，很难在燃烧阶段有效控制污染物排放，现阶段主要通过在末端增加脱硝设施，以实现NOx排放浓度的控制。对催化裂化装置NOx排放浓度的预测，是控制污染物排放的有效途径之一。由于催化裂化过程本身的复杂性，传统的集总模型无法对NOx排放浓度进行有效预测。随着计算机科学的发展，数据驱动的人工智能分析方法得到了广泛的应用，一些学者在环保领域也进行了初步的探索。

主要方法：

在本文中，基于中国石油某350 万吨重油催化裂化装置的生产运行和污染排放数据，提出了一种结合CNN和LSTM的深度学习网络结构，对提出的网络进行超参数调试，并与单独使用CNN与LSTM进行污染外排预测的效果与性能进行了对比。算法结构如下：

图1 CNN-LSTM 网络结构示意图

主要结果：

CNN超参数的优化过程中以RMSE和R2为评价指标，优化卷积核的大小和数量以及卷积层数，图2显示了调试超参数的结果。

图2 CNN超参数优化过程（(a) 卷积层个数；(b) 卷积核个数；(c) 卷积核大小）

LSTM超参数的优化过程如图3。

图3 LSTM超参数优化过程（(a) 隐藏层节点数；(b) batch-size大小）

CNN-LSTM超参数的优化过程如图4。

图4 CNN-LSTM超参数优化过程（(a) 卷积核大小；(b) batch-size大小；(c) 卷积核个数；(d) 卷积层数；(e) dropout概率）

图5 不同网络的预测结果（(a) CNN的预测结果；(b) LSTM神经网络的预测结果；(c) CNN-LSTM神经网络的预测结果）

作者简介

陈冲，博士，中国石油大学（北京），信息科学与工程学院电子信息工程系，硕士生导师，中共党员。研究方向：数值模拟、参数反演、机器学习、信息融合、不确定性分析。联系方式：Email: chenchong@cup.edu.cn。