Resumen

Con la grave contaminación del entorno ecológico, hay un gran número de gases nocivos en los gases químicos emitidos por la industria. Los algoritmos químicos inteligentes pertinentes controlan la emisión de gases químicos, lo que puede reducir eficazmente las emisiones y predecir las emisiones con mayor precisión. Este trabajo propone un algoritmo de optimización del lobo gris basado en la estrategia de búsqueda caótica combinada con la máquina de aprendizaje extremo para predecir los gases químicos de emisión, tomando una caldera de carbón pulverizado de 330 MW como objeto de prueba y estableciendo las emisiones químicas de CNGWO-ELM. El modelo de predicción, utilizando los datos relevantes recogidos por DCS como muestras de entrenamiento y muestras de prueba, entrena y prueba el modelo. Los experimentos de simulación muestran que el modelo de predicción de emisiones químicas de CNGWO-ELM tiene una mayor precisión y una mayor capacidad de generalización, con un mayor valor práctico.

• Materias:Bioquímica Reacciones químicas Propiedades fisicoquímicas Química analítica Química sostenible
• Subjects:Biochemistry Chemical reactions Chemicophysical properties Analytical chemistry Sustainable chemistry
• Palabras claves:gases químicos, algoritmos químicos inteligentes pertinentes, modelo de predicción de emisiones químicas, algoritmo de optimización del lobo gris, estrategia de búsqueda caótica, gases de emisión química, mayor valor práctico, mayor capacidad de generalización, cngwo, elm
• Keywords:chemical gases, relevant intelligent chemical algorithms, chemical emission prediction model, gray wolf optimization algorithm, chaotic search strategy, chemical emission gases, higher practical value, stronger generalization ability, cngwo, elm