Prediction of <scp> SO <sub>2</sub> </scp> concentration in <scp>WFGD</scp> system based on <scp>GWO</scp> optimized <scp>CNN</scp> ‐ <scp>BiLSTM</scp> ‐attention
Notice bibliographique
Résumé
Abstract Due to external disturbances, the parameters of the desulphurization system are uncertain, and their relationships are complex, which makes it difficult to predict the concentration of SO 2 at the desulphurization system outlet. In this paper, grey wolf optimization (GWO) optimized convolutional neural network (CNN)‐bi‐directional long short‐term memory (BiLSTM)‐Attention algorithm was used for prediction, and the problem of low SO 2 concentration prediction accuracy at outlet has been resolved. First, the outliers of the thermal power plant desulphurization data were processed using the local outlier factor (LOF) algorithm. Secondly, CNN‐BiLSTM model was constructed using CNN and BiLSTM, and attention module was added to realize feature extraction and better capture the regularity of input data. Then, the CNN‐BiLSTM‐Attention model was optimized using GWO and its hyperparameters were improved. Finally, based on the Matlab R2023a platform, the prediction comparison as well as the error analysis of the desulphurization data were carried out. In the prediction of SO 2 concentration in low‐flow continuous slurry supply mode, the error of the combined model decreased by 23.2% on average compared to the CNN‐BiLSTM‐Attention model. In the prediction of SO 2 concentration in the high‐flow intermittent slurry supply mode, the error of the combined model decreased by 20.8% on average. According to the results, the combined model surpasses both the single model and several other algorithmic combination models in terms of performance metrics, and the predictions are more accurate.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».