摘 要

近年来，随着技术的发展和进步，在仿真计算中，甲烷热物性的计算模型对仿真结果的精确度影响很大。目前对甲烷热物性参数计算主要有试验法，状态方程法，隐式多项式拟合法等^[1]，在这些方法的基础之上，开发了精度颇高的物性计算软件，但是在实际操作过程中，软件由于各种因素难以与程序相结合，不能满足仿真和研究优化的需求。所以采用BP神经网络计算甲烷热物性参数，建立甲烷的BP网络的热物性参数模型，根据该模型，由已知温度、压力下求甲烷密度、定压比热容、动力粘度和导热系数等热物性参数值，将计算结果与REFPROP软件计算结果进行对比，证明BP神经网络计算模型具有较高的精度，可以用于甲烷热物性参数的计算。

关键字：人工神经网络；Python；甲烷；热物性参数

Abstract

In recent years, with the development and progress of technology, in the simulation calculation,the calculation model of methane thermal properties has a great influence on the accuracy of the simulation results. At present, there are mainly experimental methods, state equation methods, and hermit polynomials for the calculation of methane thermal properties parameters. Fitting methods, etc., based on these methods,highly accurate physical property calculation software is developed, but in the actual operation process, the software is difficult to combine with the program due to various factors and cannot meet the needs of simulation and research optimization. Therefore, the BP neural network is used to calculate the thermal physical parameters of methane, and the thermal physical parameter model of the BP network of methane is established. Comparing the calculation results with the calculation results of REFPROP software, it is proved that the BP neural network calculation model has high accuracy and can be used for the calculation of methane thermophysical parameters.

Key words: artificial neural network；Python；methane；therophysical parameters

目 录

第1章 绪论 1

1.1研究背景及其意义 1

1.2研究方法及技术手段 3

1.3国内外研究现状 4

1.4 本论文主要结构 5

第2章 主要概念及常用技术介绍 6

2.1 Python语言介绍 6

2.2 与MATLAB的对比 6

2.3 神经网络概念及其介绍 7

2.3.1 生物神经元和人工神经网络的概念 7

2.3.2 神经网络基本结构与特点 8

2.3.3 激活函数 9

2.3.4 BP神经网络的拓扑结构 10

2.3.5 BP神经网络的不足 11

2.3.6 模型评估方法 12

2.3.7 神经网络的学习 14

2.3.8本章小结 14

第3章 基于BP神经网络的甲烷热物性模型 15

3.1甲烷介绍 15

3.2 BP神经网络搭建 15

3.3 数据来源 16

3.4 测试数据结果及其分析 16

第4章 结论与展望 20

参考文献 21

附录A 24

致 谢 27

第1章 绪论

1.1研究背景及其意义

众所周知，甲烷在自然界中是一种十分重要的燃料，也是天然气的主要成分。天然气作为一个新兴产业发展迅猛，其应用必须解决储存、运输问题。其应用技术不仅用于解决储存运输问题，而且广泛应用于调峰、冷能利用等各个领域，并且由于目前石油产量下降，替代能源中LNG（液化天然气）是一个最佳的选择。天然气作为清洁能源，其临界温度为190.58K，在常温下不能仅仅依靠加压而使甲烷由气态变为液态，所以通常在低温条件下将天然气液化为LNG，提高其储存和运输的效率，这对天然气液化流程与装置设计的要求也会更高，这些都是以精确的热物性计算为基础，所以有必要对甲烷的热物性参数计算进行研究。

计算热力学性质，主要有活度系数法和状态方程法两种，到目前为止，没有任何一个单独的热力学模型可以匹配所有的物系和过程。同时，人们基于这些方法开发了诸如EES和Refprop等热物性计算软件，但是在实际仿真过程中均具有一定的局限性，比如误差较大，效率较低，或者使用过程异常繁琐等缺点。因此选择研究新的计算方法来计算甲烷的热物性参数，本文研究建立神经网络模型来计算甲烷的热物性参数，这就涉及到计算机的智能化了。

计算机的智能化自其诞生之初就是人们一直关注的课题。随着科技的进步，人工智能（artificial intelligence）已经迎来了蓬勃的发展，取得了许多关键性的进步。人工智能领域目前的发展速度正以指数式爆发上升，并且可以预见其未来也将持续健康发展，其影响力基本覆盖率现代科技发展的方方面面。借助人工智能，人们希望对一些主观的，非规范性的事物，如识别图像等实现自动处理。
在人工智能刚刚起步的时期，对于某些复杂的问题，人类并不具备解决其的能力，而计算机就可以轻松并且高效地解决这些问题，因为这些问题通常可以被描述为某种可以被计算机识别分析的数学规律。但是对于某些人类可以轻松执行的任务，比如语音识别，图像识别等问题，我们人类是可以轻松执行的，但是因为这种类似的问题很难被描述为形式化的数学规律，因此这些问题对于计算机来说反而是一个模糊的概念，难以对其作出自己的判断。
抽象和形式化的问题对于人类来说，需要高强度的脑力劳动，往往会受制于人类的大脑，但是这些对于计算机而言，却是其极其擅长处理的领域。早在上个世纪，计算机对于国际象棋的分析处理就已经十分深入，并战胜了人类国际象棋选手中的佼佼者。但与之形成鲜明对比的是，直到最近几年，计算机在语音识别和图像处理任务中的能力才刚刚达到人类的一般水平。这是因为一个人的思维发育与构建需要海量的相关外界的知识作为支撑。在这之中，存在着很大一部分领域的知识是很难用形式化的结构表示清楚的主观知识，它们往往是对于经验的总结于归纳，并无定式。对于计算机，要想拥有同人类一样的能力，计算机也要获得同样数量级，且包含大量无固定结构的知识才能表现得智能化。因此，对于人工智能领域来说，要想取得重大突破，其关键的挑战就是如何教会计算机学习这些主观的、非形式化的知识。
早期的人工智能研究项目有一种基于知识库方法，这种方法为实现对一些原本结构模糊的知识进行结构构建，采用了近似于穷举的方式，并以结构化的符号作为载体。然后，为使计算机理解这些符号的声明，需要设计出一套相应的逻辑规则。但是，这样的工程消耗大量的人力物力，时间成本也成倍增加，因此其失败的结局也就在所难免。深入分析其原因，这些构建好的结构化符号和声明，其本质上还是是由人类主观选取的，只是对人类的主观意识做了一些结构化处理，但并没有从根本上解决问题，人类想要利用计算机精确地描绘主观世界，暂时还无法实现。
在近代，一些研究人员开始探讨某种解决方案，能够解决这些比较主观的问题。其中，通过海量的数据让计算机去学习，从而构建层次化的结构来对事物进行拟合，且层次结构之间能够用较为简单的数学关系来进行定义。该方案让计算机从海量数据中获得经验，其优点在于避免了人类去控制计算机获得某种特定的经验，因为人类无法提前得知要学习的所有特征内容。科学界提出的这种层次化概念，该模型借助了人脑神经系统的工作方式，进行数学建模，使得计算机能通过构建简易的模型去学习数据中复杂的特征。这种方法被称为深度学习是因为计算机构建了一张“深层次”的网络，层与层之间通过简易的规则而相互连接。因为计算机构建了深层次的网络，各层之间可以通过简单的规则而产生互相之间的联系。人工智能系统具备自主学习的能力，即它能够自发的从给定的海量原始数据中进行学习然后改善其算法，通常将这种能力称为机器学习。机器学习可以通过给定的原始数据训练出神经网络模型来逼近真实，并且可以通过训练数据来对该模型进行评估。当下机器学习比较流行的方法包括两个流程，首先人为选取某个特征集合，搭建神经网络，然后将选取特征集合中的原始数据作为输入，通过数据的训练修改模型的参数拟合出最终的决策模型。但是，现实中的事物往往具有非常复杂的特征，作为人类不容易看清事物的内在本质或这些本质之间的联系，也不清楚某些特征的重要性，甚至无法辨别出事物的真正特征。对于生物神经网络的研究所得到的启示是让机器自主去寻找在知识中的规律，而不是简单的对数据进行输入。人工神经网络在上世纪50年代就被提出，且证明了其可行性，但直到近年才被深入的研究，这是因为随着时代的发展，大量优质的数据集被提出且存储，专门用于对神经网络的训练。人类迫切希望某种算法能够从巨大的数据中自主寻找问题的本质。并且大量的网络模型被研究人员所提出，模型中的神经元的数量发展到了数十亿量级，逼近了人脑神经元连接数。科学家对这种增长趋势较为看好。
最后人工神经网络模型的决策能力一直在提高，且各大数据集上的识别准确率一直被刷新。深度学习方法在当今发展越来越迅猛，但更多的领域以及实际应用都还没使用深度学习方法进行探索，仍需科学家及企业研究人员去发掘。

神经网络模型是一种信息处理系统，它是基于模仿生物大脑神经网络结构和功能而建立的，多层神经网络可以无限逼近任何非线性问题，它具有很强的学习能力、容错能力、适应性，能够更好地处理具有时变性、复杂性和高度非线性的问题，因此人工神经网络在许多方面都取得了广泛的应用，在本文中将其运用于甲烷热物性的计算，可以通过已知参数成功地得出某一状态下的其余各热物性参数，与常用的关联式方法只能针对单个目标物性参数拟合相比，使用起来更加方便，并且计算精度也可以满足要求。

1.2研究方法及技术手段

早先的研究手段主要有状态方程法、拟合法、经验公式法。状态方程法：首先通过相平衡计算来确定混合物的相态和组分，然后进一步计算其他热力学参数，目前广泛采取的方法是通过逸度系数的方法来求解相平衡，而具体的逸度系数表达式是有状态方程推导得到，称为状态方程法。