[发明专利]基于支持向量机的有机混合物燃爆特性预测方法

说明书

技术领域

本发明涉及有机化工技术领域，尤其是一种预测有机混合物燃爆特性的方法，具体地说是一种基于支持向量机的有机混合物燃爆特性预测方法。

背景技术

随着化学工业的不断发展及化工产品的多样化，各种化工产品在国民经济各部门中得到了广泛的应用。目前已经发现和合成的化学物质有三千万种以上，其中人类日常使用的化工产品就有八万多种，并且这个数字正以每年近千种的速度增加。在众多的化学物质中，有许多物质具有易燃易爆等危险特性，在生产、使用、贮存和运输等过程中存在着发生火灾、爆炸事故的可能性，对人民生命财产安全造成重大的威胁。因此，认识和掌握可燃物质的燃烧爆炸特性对于加强危险物质的安全管理，预防火灾、爆炸事故的发生等具有重要的意义。

自燃点、爆炸极限和燃烧热是表征有机可燃物质燃爆特性的重要参数。这些参数与可燃物质发生火灾爆炸的难易程度密切相关，能够表征有机物在生产、储存和运输等过程中的危险程度，指导工程设计和风险评估等工作的开展，因此在实际化工生产中具有广泛的应用价值。

对于纯组分可燃物质的燃爆特性，通过查阅文献通常就可以获得具体数值。但是随着化学工业的不断发展及化工产品的多样化，常常会遇到不同可燃物质相互混合的情况。如油漆、涂料、精细化工、制药等行业都大量使用混合有机溶剂，这些行业场所的危险等级都要根据混合溶剂的闪点来划分，而混合溶剂的闪点与其组成和配比有很大的关系，很难从文献上直接查得。类似情况造成了实际工业生产中所需的有机混合物闪点、自燃点、爆炸极限和燃烧热等燃爆特性数据的严重缺失。

利用实验测定是获取有机混合物燃爆特性数据最直观有效的方法。但实验测定方法往往存在着如下的不足：(1)实验方法不仅要求具备良好的实验设备，费用昂贵，而且测定过程需经过物质制备、纯度鉴定、测定方法及仪器的选择、仪器校准、实验测试、数据整理及筛选等一系列步骤，工作量巨大；(2)由于物质燃爆特性之间存在的差异，所具备的实验仪器难以对各类别物质进行评价，必须同时考虑仪器的特性和物质的燃爆特性，对它们的实验方法进行有效的组合，因此，要对它们一一进行试验是不可能的；(3)考虑到实验过程中的安全问题，一般的实验研究(尤其是爆炸极限的研究)只能是小规模、小尺寸的实验，用一级近似的模拟实验尚无法较好地体现规模效应；(4)对于那些有毒、易挥发、爆炸性或有辐射的物质，测量上存在着一定的困难；(5)对于那些尚未合成的物质以及易分解的反应性化学物质，也无法基于实验来确定其危险性。

因此，单纯地应用实验研究来确定有机混合物的燃爆特性显然是不可取的，有必要将理论研究与实验测定结合起来，把定性与定量结合起来，借助理论预测方法对已有的实验数据进行整理和概括，在此基础上建立起简便可靠的有机混合物燃爆特性理论预测模型，最大限度地扩大实验数据的应用范围和使用价值，有效地解决有机混合物燃爆特性实验数据缺乏的问题，为化工过程设计与安全科学研究提供理论依据与技术支持。

从国内外研究现状来看，已有的有机混合物燃爆特性预测研究主要基于Le Chatelier经验方程进行理论推导或改进，或者采用Taylor多项式等进行经验公式的回归推算。前者推导过程复杂，应用不便；后者则缺乏理论基础，模型结构缺乏物理意义。同时，已有研究所建立的预测模型往往仅适用于特定的研究对象，适用范围单一，不具有普遍的适用性。此外，已有的研究对象仅限于醇、酮、醚、酸、酯等物质在不同情况下组成的有机混合物，对于苯系物等工业常用物质的研究尚未见相关报道，对烃类物质的研究也较少。上述原因都直接限制了已有研究在实际工程中的应用。

支持向量机(Support Vetor Machine，SVM)算法是Vapnik及其合作者在统计学习理论的基础上，于1995年提出的一种新型机器学习方法。其基本思想是通过事先选择的线性/非线性映射将输入向量X映射到一个高维特征空间Z，然后在这个特征空间中构造最优化的数据分类/数据回归超平面。支持向量机是一种非参数机器学习方法，以结构风险最小化为基本原则，具有严格的理论基础。它根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误的识别任意样本的能力)之间寻找最佳折中，以期获得最好的泛化能力，因此解决了困扰以往机器学习方法的许多问题，在模式识别、函数回归等多个领域得到了广泛的应用。与传统的机器学习方法相比，支持向量机方法具有如下的优点：

(1)专门针对有限样本情况的，其目标是得到有限信息下的最优解而不仅仅是样本数趋于无穷大时的最优值；