基于机器学习的乙烯裂解过程模型比较与集成

作者：赵祺铭; 毕可鑫; 邱彤^*

来源：清华大学学报, 2022, 62(09): 1450-1457.

DOI：10.16511/j.cnki.qhdxxb.2022.22.028

• 机器学习
• 支持向量回归
• k-近邻回归
• 极限梯度提升(XGBoost)
• 集成学习
• 乙烯裂解

乙烯是石油化工的重要产品，蒸汽裂解生产乙烯的工艺十分复杂。构建精确的石脑油裂解模型，可以实现石脑油裂解制乙烯过程的裂解深度快速、准确预测。该文比较了支持向量回归、k-近邻回归和极限梯度提升3种机器学习模型。通过具有噪声的基于密度的聚类算法(DBSCAN)和局部异常因子检测算法，对工业数据集进行重要变量和样本筛选，训练3个子模型，并构建集成模型以提高预测效果。集成模型结合各子模型的优势，减轻过拟合、对噪声敏感等不足，加强稳定性与泛化能力。实测集成模型的预测值R2为0.955,平均绝对百分比误差约为0.23%,满足过程研究和工业应用的实际需求。

• 单位
  四川大学; 清华大学