[论文解读] Artificial Intelligence Techniques for Steam Generator Modelling

Sarah N. Wright, Tshilidzi Marwala|ArXiv.org|Nov 11, 2008

Oil and Gas Production Techniques参考文献 16被引用 12

一句话总结

本研究评估了人工神经网络、支持向量机和自适应神经模糊推理系统等人工智能技术在蒸汽发生器系统中预测连续变量的性能。基于真实数据集的Matlab仿真结果表明，自适应神经模糊推理系统在预测精度、训练效率和实现便捷性方面优于其他方法。

ABSTRACT

This paper investigates the use of different Artificial Intelligence methods to predict the values of several continuous variables from a Steam Generator. The objective was to determine how the different artificial intelligence methods performed in making predictions on the given dataset. The artificial intelligence methods evaluated were Neural Networks, Support Vector Machines, and Adaptive Neuro-Fuzzy Inference Systems. The types of neural networks investigated were Multi-Layer Perceptions, and Radial Basis Function. Bayesian and committee techniques were applied to these neural networks. Each of the AI methods considered was simulated in Matlab. The results of the simulations showed that all the AI methods were capable of predicting the Steam Generator data reasonably accurately. However, the Adaptive Neuro-Fuzzy Inference system out performed the other methods in terms of accuracy and ease of implementation, while still achieving a fast execution time as well as a reasonable training time.

研究动机与目标

• 评估不同人工智能技术在预测蒸汽发生器数据中连续变量方面的性能。
• 比较不同人工智能模型在真实工业数据集上的预测精度、训练时间及实现复杂度。
• 识别在预测性能和计算效率方面最有效的蒸汽发生器建模人工智能方法。
• 评估基于人工智能的建模在复杂热力系统中的可行性与鲁棒性，特别是在实验数据有限的条件下。

提出的方法

• 采用多层感知器和径向基函数网络作为人工神经网络的类型。
• 应用基于核函数学习的支持向量机方法，对蒸汽发生器数据集进行回归任务。
• 实现自适应神经模糊推理系统（ANFIS），结合模糊逻辑与神经网络学习，实现混合建模。
• 采用贝叶斯方法和委员会技术以增强神经网络模型的泛化能力并减少过拟合。
• 所有仿真均在Matlab中完成，使用相同的数据集和评估指标，以确保公平比较。
• 采用均方误差和决定系数（R-squared）等标准回归指标评估模型性能，尽管摘要中未报告具体数值。

实验结果

研究问题

• RQ1 不同人工智能技术在预测蒸汽发生器系统中连续运行变量方面的准确性如何？
• RQ2 哪种人工智能方法在预测精度、训练时间和实现复杂度之间达到最佳平衡？
• RQ3 混合模型如ANFIS是否能在复杂热力系统建模中优于传统神经网络和SVM？
• RQ4 正则化技术（如贝叶斯方法和委员会方法）如何提升神经网络预测的鲁棒性？
• RQ5 在蒸汽发生器数据建模背景下，各人工智能方法的相对计算效率如何？

主要发现

• 所有人工智能方法在预测蒸汽发生器变量方面均表现出合理的准确性。
• 自适应神经模糊推理系统（ANFIS）在所有测试方法中达到了最高的预测精度。
• ANFIS表现出快速的执行时间与合理的训练时长，表明其具有较强的实用性。
• ANFIS中模糊逻辑与神经网络的结合，相较于纯神经网络或基于核的方法，显著提升了可解释性与性能。
• 采用贝叶斯和委员会技术的神经网络变体表现出更好的泛化能力，但整体性能仍不及ANFIS。
• 支持向量机和标准神经网络表现良好，但在精度和实现便捷性方面均逊于ANFIS。