1 |
1
하나 이상의 촉매 베드를 포함하는 반응기 내에서 원료 중 아세틸렌의 선택적 수소화 반응을 진행시키는 방법에 있어서,상기 선택적 수소화 반응의 반응 조건과 관련된 입력 변수로서, 상기 반응기의 운전시간, 원료의 주입 유량, 촉매 베드 입구에서의 아세틸렌 몰분율, 촉매 베드 입구에서의 에탄 몰분율, 촉매 베드 입구에서의 수소 몰분율, 촉매 베드 입구에서의 일산화탄소 몰분율 및 촉매 베드 입구에서의 온도로 이루어진 군으로부터 선택된 하나 이상을 포함하는 입력 변수를 하나 이상의 뉴런을 가지는 입력층, 상기 입력층의 뉴런과 연결된 하나 이상의 뉴런을 가지는 하나 이상의 은닉층 및 상기 은닉층의 뉴런과 연결된 하나 이상의 뉴런을 가지는 출력층을 포함하고, 상기 뉴런의 관계가 하기 수학식 3으로 표시되는 전달 함수로 규정되는 인공 신경망에 도입하는 제 1 단계; 및도입된 입력 변수를 인공 신경망으로 처리하여, 상기 선택적 수소화 반응 또는 상기 반응이 수행되는 반응기의 거동과 관련된 출력 변수로서, 촉매 베드 출구에서의 아세틸렌 전환율, 촉매 베드 출구에서의 에틸렌 수율 및 촉매 베드 출구 온도로 이루어진 군으로부터 선택된 하나 이상을 포함하는 출력 변수를 산출하는 제 2 단계를 포함하는 아세틸렌의 선택적 수소화 반응의 상기 입력 변수의 최적화 방법:[수학식 3]상기 수학식 3에서, ak는 출력 변수를 나타내고, Wi,j는 가중값을 나타내며, pi는 입력 변수를 나타내고, bj는 편향값을 나타낸다
|
2 |
2
제 1 항에 있어서,인공 신경망은, (1) 아세틸렌의 선택적 수소화 반응의 반응 조건과 관련된 입력 변수 및 상기 입력 변수에 대응되는 출력 변수의 세트를 포함하는 이력 데이터 중의 입력 변수를 인공 신경망에 도입하고, 상기 인공 신경망으로 처리하여 출력 변수를 산출하는 단계; 및 (2) 상기 단계 (1)에서 도입된 입력 변수에 대응하는 이력 데이터 중의 출력 변수 및 상기 단계 (1)에서 산출된 출력 변수의 오차가 최소화되도록, 인공 신경망의 전달 함수의 가중값 및 편향값을 조절하는 단계를 포함하는 방법에 의해 구축된 것임을 특징으로 하는 방법
|
3 |
3
제 1 항에 있어서,인공 신경망은, (a) 아세틸렌의 선택적 수소화 반응의 반응 조건과 관련된 입력 변수 및 상기 입력 변수에 대응하는 출력 변수의 세트를 포함하는 이력 데이터를 학습 데이터 세트, 검증 데이터 세트 및 시험 데이터 세트로 분할하는 단계;(b) 상기 학습 데이터 중의 입력 변수를 인공 신경망으로 도입하고, 상기 인공 신경망으로 처리하여 출력 변수를 산출하는 단계;(c) 상기 단계 (b)에서 도입된 입력 변수에 대응하는 상기 학습 데이터의 출력 변수 및 상기 단계 (b)에서 산출된 출력 변수의 오차가 최소화되도록, 인공 신경망의 전달 함수의 가중값 및 편향값을 조절하는 단계; (d) 상기 단계 (c)에서 가중값 및 편향값이 조절된 인공 신경망에 상기 검증 데이터 중의 입력 변수를 도입하고, 상기 인공 신경망으로 처리하여 출력 변수를 산출하는 단계; 및(e) 상기 단계 (d)에서 도입된 입력 변수에 대응하는 상기 검증 데이터의 출력 변수 및 상기 단계 (d)에서 산출된 출력 변수를 비교하여 오차를 산출하는 단계를 포함하는 방법에 의해 구축된 것임을 특징으로 하는 방법
|
4 |
4
제 3 항에 있어서,인공 신경망은, (f) 단계 (c)에서 가중값 및 편향값이 조절된 인공 신경망에 시험 데이터 중의 입력 변수를 도입하고, 상기 인공 신경망으로 처리하여 출력 변수를 산출하는 단계;(g) 상기 단계 (f)에서 도입된 입력 변수에 대응하는 상기 시험 데이터의 출력 변수 및 상기 단계 (f)에서 산출된 출력 변수를 비교하여 오차를 산출하는 단계; 및(h) 상기 단계 (g)에서 산출된 오차 및 단계 (e)에서 산출된 오차를 비교하는 단계를 추가로 포함하는 방법에 의해서 구축된 것임을 특징으로 하는 방법
|
5 |
5
제 2 항 또는 제 3 항에 있어서,전달 함수의 가중값 및 편향값의 조절은 Levenberg-Marquardt법, BFGS quasi-Newton법, Fletcher-Reeves conjugate gradient법, Polak-Ribiere conjugate gradient법, Powell-Beale conjugate gradient법, Gradient descent법 또는 Resilient backpropagation법에 의해 수행되는 것을 특징으로 하는 방법
|
6 |
6
제 1 항에 있어서,인공 신경망은, (i) 아세틸렌의 선택적 수소화 반응의 반응 조건과 관련된 입력 변수를 인공 신경망에 도입하고, 상기 인공 신경망으로 처리하여 출력 변수를 산출하는 단계; 및(ii) 상기 단계 (i)에서 산출된 출력 변수를 수소화 반응 또는 상기 반응이 수행되는 반응기의 거동과 관련된 출력 변수의 목표값과 비교하여, 상기 양자의 오차가 최소화되도록 인공 신경망의 전달 함수의 가중값 및 편향값을 조절하는 단계를 포함하는 방법에 의해 구축된 것임을 특징으로 하는 방법
|
7 |
7
제 1 항에 있어서,입력 변수를 표준화하는 단계를 추가로 수행하는 것을 특징으로 하는 방법
|
8 |
8
제 7 항에 있어서,표준화는 각 입력 변수를 최대 입력 변수로 나누어 0 및 1의 사이의 값으로 표준화하는 방법; 하기 수학식 4에 나타난 바와 같은 연산을 수행하여, 입력 변수의 최소값이 0이고, 최대값이 1이 되도록 표준화하는 방법; 또는 입력 변수의 평균값(μ)이 0이고, 표준편차(δ)가 1이 되도록 표준화하는 방법에 의해 수행하는 것을 특징으로 하는 방법:[수학식 4]상기 수학식 4에서 Xi,n은 표준화된 각 입력 변수를 나타내고, Xi는 표준화 전의 각 입력 변수를 나타내며, Xi,min은 입력 변수의 최소값을 나타내고, Xi
|
9 |
9
제 1 항에 있어서,주성분 분석을 통하여 인공 신경망으로 도입될 입력 변수를 결정하는 단계를 추가로 수행하는 것을 특징으로 하는 방법
|
10 |
10
삭제
|
11 |
11
삭제
|
12 |
12
제 1 항에 있어서,입력층에 포함되는 뉴런 및 은닉층에 포함되는 뉴런의 연결 관계가 하이퍼볼릭 탄젠트 시그모이드 함수, 로그 시그모이드 함수, 라디얼 베이시스 함수 및 트라이앵귤러 베이시스 함수로 이루어진 군으로부터 선택된 하나 이상의 함수에 의해 규정되는 것을 특징으로 하는 방법
|
13 |
13
제 1 항에 있어서,은닉층에 포함되는 뉴런 및 출력층에 포함되는 뉴런의 연결 관계가 선형 함수에 의해 규정되는 것을 특징으로 하는 방법
|
14 |
14
삭제
|