数据挖掘技术在MIP工艺汽油收率优化中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 前言 | 第9-11页 |
| 第2章 综述 | 第11-25页 |
| 2.1 催化裂化工艺进展 | 第11页 |
| 2.2 MIP工艺 | 第11-14页 |
| 2.3 催化裂化的数学模型 | 第14页 |
| 2.4 大数据 | 第14-16页 |
| 2.5 数据挖掘 | 第16-24页 |
| 2.5.1 数据挖掘的定义 | 第16-17页 |
| 2.5.2 数据挖掘的特点 | 第17页 |
| 2.5.3 数据挖掘的流程 | 第17-18页 |
| 2.5.4 数据挖掘的技术 | 第18-21页 |
| 2.5.5 数据挖掘的任务 | 第21-22页 |
| 2.5.6 数据挖掘的工具 | 第22页 |
| 2.5.7 数据挖掘的应用 | 第22-24页 |
| 2.6 本论文研究内容 | 第24-25页 |
| 第3章 数据准备与预处理 | 第25-30页 |
| 3.1 数据采集 | 第25页 |
| 3.2 产率计算 | 第25-27页 |
| 3.2.1 催化裂化1 | 第26-27页 |
| 3.2.2 催化裂化2 | 第27页 |
| 3.3 数据预处理 | 第27-29页 |
| 3.4 小结 | 第29-30页 |
| 第4章 聚类分类 | 第30-45页 |
| 4.1 聚类方法简介 | 第30-32页 |
| 4.1.1 K-MEANS聚类 | 第30-31页 |
| 4.1.2 两步聚类 | 第31页 |
| 4.1.3 系统聚类 | 第31-32页 |
| 4.2 原料聚类结果及分析 | 第32-44页 |
| 4.2.1 K-MEANS聚类 | 第32-35页 |
| 4.2.2 两步聚类 | 第35-39页 |
| 4.2.3 系统聚类 | 第39-44页 |
| 4.3 分析与讨论 | 第44页 |
| 4.4 小结 | 第44-45页 |
| 第5章 变量筛选 | 第45-55页 |
| 5.1 Pearson相关系数分析 | 第46-50页 |
| 5.1.1 Pearson相关系数原理 | 第46页 |
| 5.1.2 Pearson相关系数结果 | 第46-50页 |
| 5.2 基于工艺生产经验的变量筛选 | 第50-54页 |
| 5.2.1 原料油性质 | 第51页 |
| 5.2.2 再生剂性质 | 第51页 |
| 5.2.3 操作变量 | 第51-52页 |
| 5.2.4 重要度变量筛选 | 第52-54页 |
| 5.3 小结 | 第54-55页 |
| 第6章 神经网络模型建立和汽油收率优化 | 第55-69页 |
| 6.1 BP神经网络 | 第55-56页 |
| 6.2 BP神经网络模型 | 第56-63页 |
| 6.2.1 1 | 第57-60页 |
| 6.2.2 2 | 第60-63页 |
| 6.3 遗传算法 | 第63-64页 |
| 6.4 遗传算法优化汽油收率 | 第64-68页 |
| 6.5 小结 | 第68-69页 |
| 第7章 结论 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |
