专利名称：基于支持向量机的有机混合物燃爆特性预测方法
技术领域：
本发明涉及有机化工技术领域，尤其是一种预测有机混合物燃爆特性的方法，具体地说是一种基于支持向量机的有机混合物燃爆特性预测方法。
背景技术：
随着化学工业的不断发展及化工产品的多样化，各种化工产品在国民经济各部门中得到了广泛的应用。目前已经发现和合成的化学物质有三千万种以上，其中人类日常使用的化工产品就有八万多种，并且这个数字正以每年近千种的速度增加。在众多的化学物质中，有许多物质具有易燃易爆等危险特性，在生产、使用、贮存和运输等过程中存在着发生火灾、爆炸事故的可能性，对人民生命财产安全造成重大的威胁。因此，认识和掌握可燃物质的燃烧爆炸特性对于加强危险物质的安全管理，预防火灾、爆炸事故的发生等具有重要的意义。自燃点、爆炸极限和燃烧热是表征有机可燃物质燃爆特性的重要参数。这些参数与可燃物质发生火灾爆炸的难易程度密切相关，能够表征有机物在生产、储存和运输等过程中的危险程度，指导工程设计和风险评估等工作的开展，因此在实际化工生产中具有广泛的应用价值。对于纯组分可燃物质的燃爆特性，通过查阅文献通常就可以获得具体数值。但是随着化学工业的不断发展及化工产品的多样化，常常会遇到不同可燃物质相互混合的情况。如油漆、涂料、精细化工、制药等行业都大量使用混合有机溶剂，这些行业场所的危险等级都要根据混合溶剂的闪点来划分，而混合溶剂的闪点与其组成和配比有很大的关系，很难从文献上直接查得。类似情况造成了实际工业生产中所需的有机混合物闪点、自燃点、爆炸极限和燃烧热等燃爆特性数据的严重缺失。利用实验测定是获取有机混合物燃爆特性数据最直观有效的方法。但实验测定方法往往存在着如下的不足(I)实验方法不仅要求具备良好的实验设备，费用昂贵，而且测定过程需经过物质制备、纯度鉴定、测定方法及仪器的选择、仪器校准、实验测试、数据整理及筛选等一系列步骤，工作量巨大；(2)由于物质燃爆特性之间存在的差异，所具备的实验仪器难以对各类别物质进行评价，必须同时考虑仪器的特性和物质的燃爆特性，对它们的实验方法进行有效的组合，因此，要对它们一一进行试验是不可能的；(3)考虑到实验过程中的安全问题，一般的实验研究(尤其是爆炸极限的研究)只能是小规模、小尺寸的实验， 用一级近似的模拟实验尚无法较好地体现规模效应；(4)对于那些有毒、易挥发、爆炸性或有辐射的物质，测量上存在着一定的困难；(5)对于那些尚未合成的物质以及易分解的反应性化学物质，也无法基于实验来确定其危险性。因此，单纯地应用实验研究来确定有机混合物的燃爆特性显然是不可取的，有必要将理论研究与实验测定结合起来，把定性与定量结合起来，借助理论预测方法对已有的实验数据进行整理和概括，在此基础上建立起简便可靠的有机混合物燃爆特性理论预测模型，最大限度地扩大实验数据的应用范围和使用价值，有效地解决有机混合物燃爆特性实
3验数据缺乏的问题，为化工过程设计与安全科学研究提供理论依据与技术支持。从国内外研究现状来看，已有的有机混合物燃爆特性预测研究主要基于Le Chatelier经验方程进行理论推导或改进,或者采用Taylor多项式等进行经验公式的回归推算。前者推导过程复杂，应用不便；后者则缺乏理论基础，模型结构缺乏物理意义。同时， 已有研究所建立的预测模型往往仅适用于特定的研究对象，适用范围单一，不具有普遍的适用性。此外，已有的研究对象仅限于醇、酮、醚、酸、酯等物质在不同情况下组成的有机混合物，对于苯系物等工业常用物质的研究尚未见相关报道，对烃类物质的研究也较少。上述原因都直接限制了已有研究在实际工程中的应用。支持向量机(Support Vetor Machine, SVM)算法是Vapnik及其合作者在统计学习理论的基础上，于1995年提出的一种新型机器学习方法。其基本思想是通过事先选择的线性/非线性映射将输入向量X映射到一个高维特征空间Z，然后在这个特征空间中构造最优化的数据分类/数据回归超平面。支持向量机是一种非参数机器学习方法，以结构风险最小化为基本原则，具有严格的理论基础。它根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误的识别任意样本的能力)之间寻找最佳折中，以期获得最好的泛化能力，因此解决了困扰以往机器学习方法的许多问题，在模式识别、函数回归等多个领域得到了广泛的应用。与传统的机器学习方法相比，支持向量机方法具有如下的优点(I)专门针对有限样本情况的，其目标是得到有限信息下的最优解而不仅仅是样本数趋于无穷大时的最优值；(2)算法最终将转化成为一个二次寻优问题，从理论上说，得到的将是全局最优点，解决了神经网络等方法无法避免的局部最优问题；(3)算法将实际问题通过核函数的非线性变换转换到高维特征空间，在高维空间中构造线性判别函数来实现原有空间中的非线性判别函数，有较好的泛化能力，同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关。总之，传统机器学习方法中存在的模型选择问题、过学习与欠学习、非线性和维数灾难问题以及局部极小点等问题，都在SVM中得到了较好的解决。此外，SVM适用于解决用传统数学模型方法难以解决的、非确定性的问题，其对小样本的处理能力，恰好能够解决有机混合物燃爆特性训练样本偏少的实际问题。同传统的建模技术相比较，SVM模型只需要相关系统的参数和合理的训练数据，就可以避开有机混合物燃爆特性理论预测模型开发过程中的诸多难题，为快速预测有机混合物燃爆特性提供了一条新的途径。
发明内容
本发明针对实际工业生产中需要通过实验确定不同组分和不同配比的有机混合物的燃爆特性存在的周期长，危险性大、成本高的问题，提出了一种以现有的已知有机混合物的燃爆特性为基础，配以少量的常规物性实验，无需大型的燃烧爆炸实验即可获得其燃爆特性参数的基于支持向量机的有机混合物燃爆特性预测方法。本发明的技术方案是一种基于支持向量机的有机混合物燃爆特性的预测方法，其特征在于，以有机混合物的组分含量和常规物性以及这些混合物对应的燃爆特性实验数据为样本，建立利用回归函数估计的支持向量机模型，再利用支持向量机模型预测未知有机混合物的燃爆特性。所述预测方法包括以下步骤(I)建立样本数据收集至少100种(或组)有机混合物作为样本，将这些样本的常规物性及组分含量以及对应的燃爆特性实验数据，作为样本数据，随机选择约三分之二的样本数据作为训练样本数据，用于建立预测模型；剩余的约三分之一的样本数据作为预测样本数据，用于对所建模型进行评价和验证。(2)建立支持向量机模型针对训练样本数据，以有机混合物的组分含量和常规物性作为输入变量，对应的燃爆特性作为输出变量，应用支持向量机方法对两者之间的内在关系进行模拟，寻求两者之间存在的定量函数关系，建立相应的预测模型；决定支持向量机建模性能的相关参数主要包括核函数、核函数的参数、惩罚系数C以及ε-不敏感损失函数中ε的大小；核函数选用径向基核K(x，Xi)= exp (-Y I X-Xi I2)，因为它具有较高的学习效率和学习速率；其它参数通过“格点搜索”方法确定；参数搜索范围如下惩罚系数C—0-1024 ;核函数的参数(宽度)Y—0-1024 ； ε -不敏感损失函数中的ε——0-1024 ;搜索方向为“留1/10法”交互检验的最小均方根误差(RMSE);“留1/10法”交互验证是指从训练样本中每次筛除训练样本总数的1/10个样本，用其余的样本建模，来预测所筛除样本的性质，这样得到一个交互验证的均方根误差
(RMSE)来评价模型性能的好坏，其计算公式为
权利要求
1.一种基于支持向量机的有机混合物燃爆特性的预测方法，其特征在于，以有机混合物的组分含量和常规物性以及这些混合物对应的燃爆特性实验数据为样本，建立利用回归函数估计的支持向量机模型，再利用支持向量机模型预测未知有机混合物的燃爆特性。
2.根据权利要求I所述的基于支持向量机的有机混合物燃爆特性的预测方法，其特征在于，所述预测方法包括以下步骤(1)建立样本数据收集至少100种不同组分和含量配比的有机混合物作为样本，将这些样本的组分含量和常规物性以及燃爆特性实验数据，作为样本数据，随机选择三分之二的样本数据作为训练样本数据，用于建立预测模型；剩余的约三分之一的样本数据作为预测样本数据，用于对所建模型进行评价和验证。(2)建立支持向量机模型针对训练样本数据，以有机混合物的组分含量和常规物性作为输入变量，对应的燃爆特性作为输出变量，应用支持向量机方法对两者之间的内在关系进行模拟，寻求两者之间存在的定量函数关系，建立相应的预测模型；决定支持向量机建模性能的相关参数主要包括核函数、核函数的参数、惩罚系数C以及ε-不敏感损失函数中ε的大小；核函数选用径向基核K (X, Xi) = exp (- Y I I X-Xi | |2), 因为它具有较高的学习效率和学习速率；其它参数通过“格点搜索”方法确定；参数搜索范围如下惩罚系数C—0-1024;核函数的参数(宽度)Y—0-1024; ε-不敏感损失函数中的ε——0-1024 ;搜索方向为“留1/10法”交互检验的最小均方根误差(RMSE);“留 1/10法”交互验证是指从训练样本中每次筛除训练样本总数的1/10个样本，用其余的样本建模，来预测所筛除样本的性质，这样得到一个交互验证的均方根误差(RMSE)来评价模型性能的好坏，其计算公式为RMSE = ^(yipred-yieKvfln，其中，yi,pral为样本i的预测值，Yi, P为样本i的实验值；通过搜索，选取“留1/10法”交互检验的最小RMSE所对应的那组参数作为模型的最优输入参数；应用搜索出的最优参数作为支持向量机的输入参数，建立相应的预测模型；(3)预测有机混合物燃爆特性将预测样本数据中的组分含量和常规物性作为输入变量输入所建立的支持向量机模型中，通过支持向量机模型计算出预测样本的燃爆特性；(4)修正并确定预测模型比较步骤(3)得到的预测样本燃爆特性的预测值和实验值， 如果预测值与实验值的偏差超过可接受的范围时，对支持向量机的相关参数数值进行调节，然后再重新训练和预测，直至预测值与实验值的偏差在可接受的范围内，从而确定支持向量机预测模型；(5)预测模型的应用利用所确定的支持向量机预测模型对其它未知有机混合物的燃爆特性进行预测。
3.根据权利要求I所述的预测方法，其特征在于，所述有机混合物的常规物性包括粘度、相对密度、蒸汽压、热胀系数、沸点、分子间作用力、偏心因子、原子极化率、氧指数、范德华体积、燃烧速率、化学计量浓度、临界温度、临界压力以及扩散系数至少之一，以及它们的任意组合。
4.根据权利要求I所述的预测方法，其特征在于，所述的燃爆特性包括自燃点、爆炸极限和燃烧热。
全文摘要
一种基于支持向量机的有机混合物燃爆特性预测方法，针对工业生产中需要预测有机混合物在不同组分和不同配比下的燃爆特性和优化工业过程设计的问题，以已知的有机混合物的组分含量和常规物性实验数据为输入变量，以对应的燃爆特性实验数据为输出变量，利用强大的机器学习算法支持向量机方法，对两者之间存在的非线性、不确定性和复杂性的内在定量关系进行有效的训练和预报，从而建立稳定、高效的支持向量机预测模型。利用所建立的支持向量机模型对其他未知混合物的燃爆特性进行预测，具有预测精度高、快捷方便的优点。本发明既可以实现不同组分和配比下的有机混合物燃爆特性的预测，有效解决实际工业生产中各类混合物实验数据缺乏的问题，同时在工业过程设计与防火防爆等工作中有着良好的应用前景。
文档编号G06F19/00GK102608285SQ20121003888
公开日2012年7月25日 申请日期2012年2月21日 优先权日2012年2月21日
发明者倪磊, 崔益虎, 张尹炎, 李国梁, 潘勇, 蒋军成 申请人:南京工业大学