A deep graph convolutional network model of <scp>NOx</scp> emission prediction for coal‐fired boiler
Notice bibliographique
Résumé
Abstract To deal with environmental problems caused by NOx production in thermal plants, it is imperative to establish a reliable model to predict NOx concentration in the combustion process. NOx formation in a coal‐fired boiler is complex, and many variables affect NOx emissions. The effective information fusion of these variables can improve the accuracy of NOx concentration prediction. However, the existing NOx prediction algorithms based on thermal parameters rarely consider the mechanical knowledge of the boiler operation, and it is not easy to incorporate the topological information of production into modelling. Therefore, a graph convolutional network is proposed for NOx emission prediction. First, the key variables affecting NOx generation are selected according to the knowledge and the random forest‐based variable importance. Then, the model structure is designed by exploring the topological information among thermal variables to capture the complex spatial dependence. The model inputs are constructed by coding different operation variables, and the adjacency matrix is generated according to the correlation information between variables, which can fuse data information and reduce redundancy. On this basis, the prediction model of NOx concentration is established. Historical data from a 660 MW coal‐fired boiler are used in the experiment. The prediction results show that the proposed model can effectively fuse the information of characteristic variables and fully exploit the non‐linear mapping relationship between process variables and NOx emission. When compared with three typical models in NOx modelling, the proposed model has better performance with a determination coefficient of 0.906.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».