超临界水气化制氢

一种用生成对抗网络增强小样本数据、提升制氢产量预测精度的数据生成方法。

Ma, Zherui · Wang, Jiang-Jiang · Yingsong, Feng · Ruikun, Wang · Zhenghui, Zhao · 陈鸿伟

Applied Energy 2023

具体参数

平均R²

{'zh': '0.9457', 'en': '0.9457'}

平均RMSE

{'zh': '1.1737', 'en': '1.1737'} mol/kg

平均MAE

{'zh': '1.0171', 'en': '1.0171'} mol/kg

RMSE降低幅度

{'zh': '18.44', 'en': '18.44'} %

MAE降低幅度

{'zh': '15.29', 'en': '15.29'} %

技术优势

生成样本质量更高

混合策略结合交叉验证与循环迭代，降低GAN生成的随机性，使生成样本更可靠。

预测精度显著提升

相比单一GAN，平均RMSE进一步降低18.44%，平均MAE进一步降低15.29%。

降低实验成本

无需大量实验即可获得足够样本，减少数据获取的时间成本。

应用场景

• 制氢工艺优化：用预测模型指导工艺参数优化，提高氢气产量。
• 褐煤转化：针对褐煤超临界水气化建立精确模型，评估不同条件下的产氢潜力。
• 机器学习在能源应用：解决能源领域小样本机器学习难题，提升模型泛化能力。