摘要: 随着人类对健康食品的质量和产量要求日益增高，以及为了减少温室气体二氧化碳的排放量，如何回收好二氧化碳资源，其意义愈来愈重大，也是贯彻我国实施科学发展观、能源再生利用、保护环境、构筑和谐社会的一项重要工作。在回收二氧化碳过程中，提纯... 展开 随着人类对健康食品的质量和产量要求日益增高，以及为了减少温室气体二氧化碳的排放量，如何回收好二氧化碳资源，其意义愈来愈重大，也是贯彻我国实施科学发展观、能源再生利用、保护环境、构筑和谐社会的一项重要工作。在回收二氧化碳过程中，提纯塔是其中一个重要装置，因而在改造提纯塔装置时，需要合理地确定各因素对二氧化碳出塔浓度的影响，以便生产出高质量的二氧化碳。 神经网络中应用最为广泛的是BP算法，但有收敛速度慢、易于陷入局部极小的缺点；而蚁群算法是一种新型的模拟进化算法，有正反馈、分布式计算、全局收敛、启发式学习等特点。在分析了蚁群算法和人工神经网络技术基本特点的基础上，本文提出了一种有效的蚁群算法和神经网络相结合的方法，即用蚁群算法优化BP神经网络各神经元的连接权值和阈值，建立了蚁群神经网络(ACO-BP)模型，根据浙江省某大型企业食品级二氧化碳生产的具体数据，利用Matlab7.0进行仿真研究，得出蚁群神经网络模型拟合误差平方和为e2ACO-BP=11.78，预测值与实际值具有良好的拟合效果，显示了ACO-BP算法的有效性。将该算法与传统BP算法以及基于主成分分析的BP算法进行了比较，ACO-BP算法预测效能明显优于传统BP算法以及基于主成分分析的BP算法。 最后通过训练好的蚁群神经网络，利用蒙特卡罗模拟方法对影响提纯塔出口二氧化碳浓度的7个可控参数进行寻优，确定最优控制点，这在一定程度上对提高CO2的输出浓度，提高产品质量提供了理论依据。 收起