Dynamic <scp>NOx</scp> emission prediction in coal‐fired power plants based on joint multi‐head attention <scp>CNN</scp> ‐ <scp>GRU</scp> hybrid model
Notice bibliographique
Résumé
Abstract The flexible operation of coal‐fired power plants under deep peak‐shaving conditions imposes significant challenges on accurate NOx prediction for SCR systems. Given the inherent complexities of the SCR denitrification process, characterized by dynamic nonlinearity, temporal variability, and multivariable coupling in nitrogen oxide emissions, this study proposes a convolutional neural network‐gated recurrent unit (CNN‐GRU) hybrid model integrated with multi‐head attention (MA) mechanisms to address these system‐specific characteristics for precise NOx prediction. The model combines the local feature extraction capability of CNNs, the long‐term temporal dependency modelling strength of GRUs, and the adaptive feature weighting functionality of MA mechanisms, achieving dynamic weight allocation across feature channels and temporal scales to enhance robustness and feature representation. Furthermore, a sparrow search algorithm (SSA) is introduced to optimize model parameters adaptively, improving prediction accuracy and generalization performance. Experimental validation using real operational data demonstrates the model's superior performance, with mean absolute error (MAE) below 0.5 mg/m 3 and mean absolute percentage error (MAPE) below 2%. Ablation experiments confirm the effectiveness of the proposed architecture, showing over 28% prediction accuracy improvement compared to Transformer‐based models while maintaining enhanced generalization capability.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».