吸收法捕集二氧化碳过程的离子浓度软测量

化工学报 ›› 2010, Vol. 61 ›› Issue (5): 1169-1175.

吸收法捕集二氧化碳过程的离子浓度软测量

颜立伟，余云松，李云，卢红芳，张早校

西安交通大学动力工程多相流国家重点实验室; 西安交通大学能源与动力工程学院

出版日期:2010-05-05 发布日期:2010-05-05

Soft-sensing study of ion concentration in process of carbon dioxide capture by absorption

YAN Liwei, YU Yunsong, LI Yun, LU Hongfang, ZHANG Zaoxiao

Online:2010-05-05 Published:2010-05-05

摘要/Abstract

摘要：

针对采用吸收法捕集CO₂的过程中存在着成分难以准确在线测量的问题，设计了工业化应用最广泛的乙醇胺(MEA)化学吸收过程的软测量系统。系统使用红外传感器，通过基于改进Powell鲁棒支持向量机(IP-RSVM)的方法对吸收溶液的离子组分分布进行了软测量，其结果与核磁共振（NMR）测量所得的数据符合较好，均方误差为3.1692×10^-7，最大绝对误差绝对值为0.0010，最大相对误差为3.54%。研究结果表明，在CO₂回收的软测量系统中，使用基于IP-RSVM的红外软测量具有良好应用前景。

关键词:

二氧化碳, 软测量, 小样本, 改进Powell鲁棒支持向量机

Abstract:

In order to overcome the difficulty of online measuring the main components in the process of capturing CO₂ from the flue gas of a power plant based on absorption method, a soft-sensing system was designed for the process of recovering CO₂ by MEA chemical absorption.Based on the principle of improved Powell robust support vector machine (IP-RSVM), the soft measurement of ionic species distribution in the absorption solution was carried out by using infrared sensors, and the results agreed well with the data obtained by nuclear magnetic resonance (NMR) measurement.The mean square error was 3.1692×10^-7, the maximum value of absolute error was 0.0010, and the maximum value of relative error was 3.54%.It showed that the infrared soft measurement based on IP-RSVM could be used in the soft-sensing system of capturing CO₂effectively.

Key words:

二氧化碳, 软测量, 小样本, 改进Powell鲁棒支持向量机

颜立伟, 余云松, 李云, 卢红芳, 张早校. 吸收法捕集二氧化碳过程的离子浓度软测量 [J]. 化工学报, 2010, 61(5): 1169-1175.

YAN Liwei, YU Yunsong, LI Yun, LU Hongfang, ZHANG Zaoxiao. Soft-sensing study of ion concentration in process of carbon dioxide capture by absorption[J]. CIESC Journal, 2010, 61(5): 1169-1175.

[1]	闫琳琦, 王振雷. 基于STA-BiLSTM-LightGBM组合模型的多步预测软测量建模[J]. 化工学报, 2023, 74(8): 3407-3418.
[2]	邵伟明, 韩文学, 宋伟, 杨勇, 陈灿, 赵东亚. 基于分布式贝叶斯隐马尔可夫回归的动态软测量建模方法[J]. 化工学报, 2023, 74(6): 2495-2502.
[3]	罗顺桦, 王振雷, 王昕. 基于二子空间协同训练算法的半监督软测量建模[J]. 化工学报, 2022, 73(3): 1270-1279.
[4]	刘聪, 谢莉, 杨慧中. 基于改进DPC的青霉素发酵过程多模型软测量建模[J]. 化工学报, 2021, 72(3): 1606-1615.
[5]	陈忠圣, 朱梅玉, 贺彦林, 徐圆, 朱群雄. 基于分位数回归CGAN的虚拟样本生成方法及其过程建模应用[J]. 化工学报, 2021, 72(3): 1529-1538.
[6]	李东, 黄道平, 刘乙奇. 基于协同训练的半监督异构自适应软测量建模方法的研究[J]. 化工学报, 2020, 71(5): 2128-2138.
[7]	杜宇浩, 阎高伟, 李荣, 王芳. 基于局部线性嵌入的测地线流式核多工况软测量建模方法[J]. 化工学报, 2020, 71(3): 1278-1287.
[8]	杨逸俊,王振雷,王昕. 基于最近邻与神经网络融合模型的软测量建模方法[J]. 化工学报, 2020, 71(12): 5696-5705.
[9]	代学志,熊伟丽. 基于核极限学习机的快速主动学习方法及其软测量应用[J]. 化工学报, 2020, 71(11): 5226-5236.
[10]	侯延彬,高宪文,李翔宇. 采油过程多尺度状态特征生成的有杆泵动态液面预测[J]. 化工学报, 2019, 70(S2): 311-321.
[11]	秦美华, 朱红求, 李勇刚, 陈俊名, 张凤雪, 李文婷. 基于STA-K均值聚类的电化学废水处理过程离子浓度软测量[J]. 化工学报, 2019, 70(9): 3458-3464.
[12]	廉小亲, 王俐伟, 安飒, 魏伟, 刘载文. 基于SOM-RBF神经网络的COD软测量方法[J]. 化工学报, 2019, 70(9): 3465-3472.
[13]	吴菁, 刘乙奇, 刘坚, 黄道平, 邱禹, 于广平. 基于动态多核相关向量机的软测量建模研究[J]. 化工学报, 2019, 70(4): 1472-1484.
[14]	吉文鹏, 杨慧中. 基于改进扩张搜索聚类算法的多流形软测量建模[J]. 化工学报, 2019, 70(2): 723-729.
[15]	朱宝, 乔俊飞. 基于自编码神经网络特征提取的回声状态网络研究及过程建模应用[J]. 化工学报, 2019, 70(12): 4770-4776.