详情

原文传递基于机器学习与群体智能的柴油机黑碳排放预测研究

论文题名：	基于机器学习与群体智能的柴油机黑碳排放预测研究
关键词：	柴油机;船舶黑碳;燃烧特征参数;机器学习;群体智能优化
摘要：	船舶黑碳排放使地球大气温度上升，加快了北极海冰的消融速度，同时对人体健康也带来了极大的威胁。目前国际海事组织（InternationalMaritimeOrganization，IMO）将黑碳列为了船舶排放的主要污染物之一，确定了黑碳的性质及测量方法，并正呼吁世界各国开展对黑碳排放的相关研究，以期在短时间内能够实现对黑碳排放的有效控制从而保护地球环境。船舶黑碳排放的测量不仅会耗费大量的试验成本，而且测量过程中存在的各种不确定因素可能会给测量结果带来较大的误差，因此开发一种准确率高、鲁棒性强、响应速度快的技术对船舶黑碳排放进行预测具有十分重要的意义。　　黑碳是碳基燃料在船舶柴油机气缸内不完全燃烧形成的污染物之一，缸内燃烧过程对黑碳的生成存在着重要影响，故本文首先分析了燃烧特征参数与柴油机黑碳排放的关联性，然后以燃烧特征参数为输入项建立了四种基于机器学习的柴油机黑碳排放预测模型，并对各预测模型的综合性能进行对比以选择其中较优的模型，最后使用群体智能算法对较优模型的超参数进行自动寻优，提高了模型的预测准确率。本文的主要研究内容及结论为：　　（1）燃烧特征参数与柴油机黑碳排放的关联性研究。本文首先对一台高速柴油机进行了不同稳态工况下的台架试验，并根据试验得到的缸内压力、燃烧放热率以及累计放热量曲线提取出最大缸压、最大压力升高率、最大燃烧放热率、最大燃烧放热率相位以及放热中心相位五项燃烧特征参数，然后分析了各燃烧特征参数对黑碳排放浓度的影响，最后使用互信息法量化了各特征参数与黑碳排放浓度的相关性。结果表明：各燃烧特征参数与黑碳排放浓度的标准互信息均大于0.9，而校正互信息均大于0.75，证明了提取的燃烧特征参数与黑碳排放浓度之间的相关性较强，可作为黑碳排放预测模型的输入项。　　（2）基于机器学习的柴油机黑碳排放预测研究。本文以燃烧特征参数作为模型的输入项，建立了套索回归（Lasso）、支持向量机（SupportVectorMachine，SVM）、极端梯度提升（ExtremeGradientBoosting，XGB）以及人工神经网络（ArtificialNeuronNetwork，ANN）四种柴油机黑碳排放预测模型，然后对各模型的预测性能、稳定性以及训练成本等性能指标进行对比研究，以选取其中对黑碳排放预测问题适用性较强的模型。结果表明：①线性模型Lasso对不同数据集的预测结果均较差，其对测试集与训练集的均方误差（MeanSquareError，MSE）分别为1.8325与1.6341。②SVM、XGB和ANN三种模型均取得了较好的预测效果，对测试集与训练集的MSE分别为0.1483、0.0394；0.0585、0.0017；0.0831、0.0029。③ANN的预测性能较强，但存在调参过程复杂、容易过拟合、对输入数据的变化较为敏感以及训练成本高等缺陷。④尽管SVM、XGB与ANN能够在训练集与测试集上达到较好的预测效果，但这三种模型对验证集的平均预测相对误差较大，分别为17.83%、12.36%与13.52%。　　（3）基于群体智能的柴油机黑碳排放预测模型优化研究。针对柴油机黑碳排放预测模型在验证数据集上表现不佳的问题，分别使用群体智能优化算法中的灰狼优化算法（GreyWolfOptimization，GWO）、哈里斯鹰优化算法（HarrisHawkOptimization，HHO）以及麻雀搜索算法（SparrowSearchAlgorithm，SSA）对SVM与XGB模型的超参数进行寻优，并对优化后模型的预测性能进行了验证。结果表明：三种群体智能算法中，对SVM优化效果最好的算法为HHO，优化后的SVM对训练集与测试集的MSE之和为0.1414，较优化前下降了24.66%，优化后的SVM对验证集的平均预测相对误差为9.89%；对XGB优化效果最好的算法为GWO，优化后的XGB对训练集与测试集的MSE之和为0.0487，较优化前下降了19.17%，优化后的XGB对验证集的平均预测相对误差为8.61%。　　本文的研究结果可为船舶黑碳减排以及柴油机性能优化技术的研发提供参考。
作者：	孙盈
专业：	轮机工程
导师：	吕林
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2022