第５０卷第１期２０２３年北京化工大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＣｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）Ｖｏｌ．５０，Ｎｏ．１２０２３引用格式：李清亮，林焕明，吴振宙，等．基于改进狼群算法－深度置信网络（ＩＧＷＯ－ＤＢＮ）模型的旋风分离器压降预测［Ｊ］．北京化工大学学报（自然科学版），２０２３，５０（１）：１０７－１１５．ＬＩＱｉｎｇＬｉａｎｇ，ＬＩＮＨｕａｎＭｉｎｇ，ＷＵＺｈｅｎＺｈｏｕ，ｅｔａｌ．Ｐｒｅｓｓｕｒｅｄｒｏｐｐｒｅｄｉｃｔｉｏｎｆｏｒａｃｙｃｌｏｎｅｓｅｐａｒａｔｏｒｂａｓｅｄｏｎａｎｉｍｐｒｏｖｅｄｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒ⁃ｄｅｅｐｂｅｌｉｅｆｎｅｔｗｏｒｋ（ＩＧＷＯ－ＤＢＮ）ｍｏｄｅｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＣｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ），２０２３，５０（１）：１０７－１１５．基于改进狼群算法－深度置信网络（ＩＧＷＯ－ＤＢＮ）模型的旋风分离器压降预测李清亮１林焕明１吴振宙１邓立１廖志文１王声明２何伟宏１（１．国家管网集团广东省管网有限公司，广州５１０６６５；２．成都德美机电设备有限公司，成都６１０２００）摘要：针对目前旋风分离器压降计算模型在准确性和实用性上的不足，为更好地指导旋风分离器的结构设计和性能优化，采用深度学习方法对其压降进行了预测。选取了影响压降的７个几何参数，采用深度学习中的深度置信网络（ｄｅｅｐｂｅｌｉｅｆｎｅｔｗｏｒｋ，ＤＢＮ）对旋风分离器压降数据进行预测，并利用改进的狼群算法（ｉｍｐｒｏｖｅｄｇｒｅｙｗｏｌｆｏｐｔｉ⁃ｍｉｚｅｒ，ＩＧＷＯ）对ＤＢＮ模型的初始化权重和偏置参数进行寻优，构建ＩＧＷＯ－ＤＢＮ组合模型，同时与几种传统计算模型和机器学习模型的预测结果进行对比。结果表明，ＩＧＷＯ－ＤＢＮ模型在计算精度上优于Ｓｈｅｐｈｅｒｄ－Ｌａｐｐｌｅ模型、Ｃａｓａｌ模型等传统计算模型，并优于反向传播神经网络（ｂａｃｋｐｒｏｐａｇａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ，ＢＰＮＮ）、支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ）、极限学习机（ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ，ＥＬＭ）等机器学习模型，计算效率大幅提升，且具有较好的泛化性和鲁棒性，可用于...
