外文翻譯-鍋爐用人工神經(jīng)網(wǎng)絡(luò)模型和信息分析及外文翻譯-空氣溫度和相對濕度對豬生理健康的影響

附件二(外文文獻)Constrainedoptimizationofcombustioninasimulatedcoal-firedboilerusingartificialneuralnetworkmodelandinformationanalysisAbstractCombustioninaboileristoocomplextobeanalyticallydescribedwithmathematicalmodels.Tomeettheneedsofoperationoptimization,on-siteexperimentsguidedbythestatisticaloptimizationmethodsareoftennecessarytoachievetheoptimumoperatingconditions.Thisstudyproposesanewconstrainedoptimizationprocedureusingartificialneuralnetworksasmodelsfortargetprocesses.Informationanalysisbasedonrandomsearch,fuzzyc-meanclustering,andminimizationofinformationfreeenergyisperformediterativelyintheproceduretosuggestthelocationoffutureexperiments,whichcangreatlyreducethenumberofexperimentsneeded.Theeffectivenessoftheproposedprocedureinsearchingoptimaisdemonstratedbythreecasestudies:(1)abench-markproblem,namelyminimizationofthemodifiedHimmelblaufunctionunderacircleconstraint;(2)bothminimizationofNOxandCOemissionsandmaximizationofthermalefficiencyforasimulatedcombustionprocessofaboiler;(3)maximizationofthermalefficiencywithinNOxandCOemissionlimitsforthesamecombustionprocess.ThesimulatedcombustionprocessisbasedonacommercialsoftwarepackageCHEMKIN,where78chemicalspeciesand467chemicalreactionsrelatedtothecombustionmechanismareincorporatedandaplug-flowmodelandaload-correlatedtemperaturedistributionforthecombustiontunnelofaboilerareused.IntroductionAlthoughtherehavebeenalotofexperimentalandtheoreticalstudiesonthebasicphysicalandchemicalprinciplesofaboiler’soperation,andgreatadvancehasbeenmadeinunderstandingvariousaspectsoftheoperation,itisstillimpracticable,asCaravelleandcoworkers[1]havejustpointedout,tocoupledetailedfluiddynamicsandkineticsinthecombustionsystemdesignevenwiththecontinuousincreaseofcomputerpower,nottomentiontosimulateaboileranditsvariousauxiliarysubsystemsasawhole.Iffuelandenvironmentconditionsarespecified,thethermalefficiencyofagivenboilerdependsmainlyontheairtofuelratio,andonthedistributionofairandfueltoburnersatdifferentlocationsiftwoormoreburnersareused.Fordifferentfuelsanddifferentfurnaceconfigurations,thebestairtofuelratioandthebestairandfueldistributionsaresurelydifferent,whichmayberoughlyestimatedbyanalysisbutcanonlybedeterminedaccuratelybytestingruns.Asforthecontroloftracepollutantemissions(intermsofppmorppdNOx,SO2,etc.)ofaboiler,allofsuchuncertainfactorsasfuelcompositions,complexityofflowandtemperaturefieldsintheburningchamber,andthecomplicatedmechanismofchemicalreactionsmakemodelpredictionhighlyunreliable.Theinabilityoftheoreticalanalysismakesempiricalapproachesnecessarytoexploretheoptimumoperationconditionsofaboiler.Nardinetal.[2]usedfractionalfactorialdesignprocedureandidentifiedtheimportantfactorsofNOxreductioninafluidizedbedcombustor(FBC)withprimarymeasuresandselectivenon-catalytic-reduction.Henrytonetal.[3]performedanoptimizingcontrolofNOxandSO2emissionsintheFBCprocessbasedonstaticmodelswhichwereregressedfromexperimentaldata.George[4]suggestedaboilertestsysteminordertomonitorNOxemissionsthroughoptimizingvariousoperationconditionsinacomprehensiveandsystematicalmanner,andclaimedthatachievingNOxemissionreductiontargetsdoesnotnecessarilymeanequipmentretrofitsorpoorboilerperformance.Thecapabilityofartificialneuralnetworks(ANNS)asauniversalmodelingtoolhasbeenwidelyrecognizedinthelast20years,andCyberpunk[5]showedthatANNScouldapproximateanyarbitrarynon-linearfunctions.ANNSofferanalternativeapproachtomodelprocessbehavior,astheydonotrequireaprioriknowledgeoftheprocessphenomena.Theylearnbyextractingimpedepatternsfromdatathatdescribetherelationshipbetweentheinputsandtheoutputsinanygivenprocessphenomenon.WhenappropriateinputsareappliedtoanANN,theANNacquires‘knowledge’fromtheenvironmentinaprocessknownas‘learning’.Asaresult,theANNassimilatesinformationthatcanberecalledlater.ANNSarecapableofhandlingcomplexandnon-linearproblems,processinginformationrapidlyandreducingtheengineeringeffortrequiredinmodeldevelopment.ANNShavebeensuccessfullyappliedtoavarietyofproblemssuchasprocessfaultdiagnosis,systemidentification,patternrecognition,processmodelingandcontrol,andstatisticaltimeseriesmodeling.Karyological[6]gaveareviewontheapplicationofANNSinenergysystems.Reifmanetal.[7]developedanintelligentemissionscontrollerforfuelgasre-burningincoal-firedpowerplant,andintheirstudy,afeed-forwardneuralnetwork(FFN)wasusedtomodelthestaticnon-linearrelationshipsbetweenthedistributionofinjectednaturalgasintotheupperregionofthefurnaceofacoal-firedboilerandthecorrespondingoxidesofnitrogenemissionsexitingthefurnace.ZHOUetal.[8]usedanANNmodelandgeneticalgorithmstooptimizelowNOxpulverizedcoalcombustion.OtherinstancesofANNSappliedinsolvingcombustionproblemsinclude:modelingthetemporalevolutionofareducedcombustionsystem[9],predictingcoalashfusiontemperature[10],predictingcoal/charcombustionrate[11],conductingmodelpredictivecontrolinthermalpowerplant[12],etc.Itisobviousthatoptimizationofcomplexsystemssuchasthecombustionprocessofaboilerisatrial-and-errorprocess.Insuchaniterativeprocess,experimentaltestisperformed,andthetestdataareanalyzed,andfurthertestissuggestedbasedontheanalysis,andsuchiterationscontinueuntilsatisfactoryperformanceisachieved.Inthisstudy,anoveloptimizationprocedureisproposedbyextendingtheexperimentaldesignmethoddevelopedbytheauthors[13]toconstrainedcases,andisusedtosearchforthebestoperationconditionsofasimulatedcoal-firedcombustionprocess.TheproposedoptimizationprocedureusesANNstomodeltherelationshipoftheperformanceindexwithvariousoperatingvariables,searchesthebuiltresponsesurfaceunderconstraintstoproducecandidatepointsofnextbatchoftest,determinesthetestpointsofnextbatchthroughinformationanalysis.Thisprocedureworksiterativelyandoptimumconditionsareexpectedafterseveralbatchesoftest.Themajoradvantagesoftheproposedprocedureareitsabilitiestodealwithmultivariables,topreciselydeterminethenumberandlocationoffuturetestexperiments,toconsiderthenon-catalyticalconstraints,andtolocatemultipleoptima.Theobjectiveofthisstudyistodemonstratetheeffectivenessoftheproposedoptimizationprocedureinsearchingfortheoptimumoperationconditionsofaboiler.Inthefollowingcontext,asimplifiedmodelforthecombustionprocessofacoal-firedboilerisbuilt,andtheoptimizationprocedureisintroducedandisappliedtooptimizetheoperationconditionsofthesimulatedcombustionprocess.Itshouldbenotedthattheintentofthispaperistodescribetheproposedoptimizationprocedureandtoshowitspowerinimprovingtheoverallperformanceofaboiler’scombustionprocesstoachieveashighthermalefficiencyandaslowpollutantemissionsaspossibleandnottoprovideanin-depthanalysisofaboiler’scombustionbehavior.Itshouldbenotedthattheabovemodelforcombustionisroughlyestimatedinthefollowingaspects.(a)Plug-flowisassumedthroughthecombustiontunnel.(b)HomogeneousreactionisusedinthecombustionprocessandthecontributionofunburntcharintheashtoNOxandCOformationisnotincluded.(c)Temperatureprofileusedinthisstudyisjustanestimatebecauseitiscorrelatedtocomplexheattransfer,flowfieldandotherfactors.(d)ThermalefficiencydefinedinEq.(4)isincomplete,sinceheatlosscausedbyashandwaterdischarge,byincompletelyburntcoalparticles,andbysurfaceconvectionwithandradiationtotheatmosphere,etc.isneglected.(e)Theincludedchemicalspeciesandreactionsareapproximatetothetruemechanismofchemicalchangeinthecombustionprocess.(f)Compositionsofcoalandairaresimplifiedwithoutconsideringashandwater.Theaboveconsiderationsandassumptionsinmodelbuildingwillsurelyproducesomeshiftanddistortiontothetruerelationshipamongallthevariablesofthecombustionprocess.Asaprimaryapproximation,however,themodelisbasedonthefundamentalmaterialandenergybalanceequationsandincludesallthemainaspectsofthecombustionprocess,anditisourbeliefthatthemodelisqualitativelycorrectandiscomplicatedenoughtoserveasanexampletodemonstratetheeffectivenessofanoptimizationprocedure.2.ProductionofcandidateoptimumpointsThisstepistogetanoverallunderstandingoftheresponsesurfacerepresentedbythesecondarymodelinthewholerangeofdesign/operationvariableswitharandomsearchmethod.Theresultofthisstepistheproductionofanear-optimumpopulationofpoints,orcandidateoptimumpoints,fulfillingalltheconstraints.Inproductandprocessdevelopmentthefeatureofinterestistheoptimaloperatingcondition.Multiplelocaloptimaarefrequentlyencountered.Itisoftennecessarytoratealternativelocaloptimabasedonsecondaryobjectivessuchassafety,robustness,andsoon.Thereforeanongradedsearchtechniqueisadoptedhere.Implementationofrandomsearchinthisstepisstatedindetailelsewhere[13].Randomsearchconvergestheoreticallytotheglobaloptimum,andseveralnon-gradientoptimizationmethodsaredetailedbyJANGetal.[19].3.DiscussionandconclusionIthasbeenknownthatdelayingthemixingofthecombustionairwiththefuel(i.e.airstaging)isaneffectivemeanstoreduceproductionofNOxinthecombustionprocess[22].Alsoweknowthatthereexistsabestairratioatwhichthermalefficiencyachievesthemaximumforagivenfuelandagivencombustionequipment.Fromthesebasicprinciplesofcombustion,theoptimumconditionsfortheabovetwocasesarejustified.Theimprovementofthermalefficiencyfrom72.4%inCase1to73.8%inCase2showsthegreatsignificanceinoptimizingtheoperationofboilers.Itshouldbenotedthattheresultsofoptimizationdependonvariousboundaryconditionssuchascoaltypes,furnaceconfigurations,seasonalatmosphericconditions,etc.Theabovecasestudiesonlyserveasexamplestodemonstrateouroptimizationstrategy.References[1]FARAVELLIT,BUAL,FRASSOLDATIA,ANTIFORAA,TogliattiL,RANZIE.AnewprocedureforpredictingNOxemissionsfromfurnaces.COMPUTChemENGNG2001;25:613.[2]NORDINA,ERIKSSONL,OHMANM.NOreductioninafluidizedbedcombustorwithprimarymeasuresandselectivenon-catalyticreduction.Fuel1993;74(1):128.[3]HenttonenJ,KojoIV,KortelaU.OptimizingcontrolofNOxandSO2emissionsintheFBCprocess.JInstEnergy1992;65:118.[4]GeorgeEM.NOxcontrolthroughboileroptimization.PowerEngng1994;Feburary:29.[5]CybenkoG.Approximationbysuperpositionsofasigmoidalfunction.MathControlSignSyst1989;2:303.[6]KalogirouSA.Applicationsofartificialneuralnetworksinenergysystems:areview.EnergyConversionMgmt1999;40:1073.[7]ReifmanJ,FeldmanEE,WeiTYC,GlickertRW.Anintelligentemissionscontrollerforfuelleangasre-burnincoal-firedpowerplants.JAirWasteMgmtAssoc2000;50:204–51.[8]ZhouH,CenK,MaoJ.CombiningneuralnetworkandgeneticalgorithmstooptimizelowNOxpulverizedcoalcombustion.Fuel2001;80:2163.[9]BlascoJA,FueyoN,DopazoC,BallesterJ.Modelingthetemporalevolutionofareducedcombustionchemicalsystemwithanartificialneuralnetwork.CombustFlame1998;113:38.[10]YinC,LuoZ,NiM,CenK.Predictingcoalashfusiontemperaturewithaback-propagationneuralnetworkmodel.Fuel1998;77:1777.[11]ZhuQ,JonesJM,WilliamsA,ThomasKM.Thepredictionsofcoal/charcombustionrateusinganartificialneuralnetworkapproach.Fuel1999;78:1755.[12]PrasadG,SwidenbankE,HoggBW.Alocalmodelnetworksbasedmultivariablelong-rangepredictivecontrolstrategyforthermalpowerplant.Automatica1998;34(10):1185.[13]ChenJ,WongDSH,JangS-S,YangS-L.Productandprocessdevelopmentusingartificialneural-networkmodelandinformationanalysis.AIChEJ1998;44(4):876[14]ChienCI.Operationoptimizationoftheboilerofacogenerationplant:higherthermalefficiencyandlowerNOxemissions.ThesisofMasterDegree,NationalTsinghuaUniversity,Taiwan;2001.[15]KalmanBL,KwasnySC.WhyTanh?Choosingasigmoidalfunction.IntJointConfNeuralNetworks,Baltimore,MD1992;.[16]HertzJ,KroghA,PalmerRG.Introductiontothetheoryofneuralcomputation.NewYork:Addison-Wesley;1991.[17]GorodkinJ,HansenLK,KroghA,SavrerC,WintherO.Aquantitativestudypruningbyoptimalbraindamage.IntJNeuralSyst1993;4:159.(中文翻譯)鍋爐用人工神經(jīng)網(wǎng)絡(luò)模型和信息分析摘要在鍋爐的燃燒是一種非常復(fù)雜的數(shù)學(xué)模型進行的分析和描述。為了滿足優(yōu)化操作，現(xiàn)場實驗的統(tǒng)計優(yōu)化方法指導(dǎo)往往是必要的，以達到最佳的工作條件下。本研究提出了一種新的約束優(yōu)化程序，利用人工神經(jīng)網(wǎng)絡(luò)模型的目標processes.Information分析的基礎(chǔ)上隨機搜索，模糊C-均值聚類，信息的自由能最小化執(zhí)行過程中的迭代建議未來的實驗中的位置，從而可以大大減少所需的實驗的數(shù)目。在搜索最優(yōu)解所提出的方法的有效性，證明了三個案例研究：（1）基準標記的問題，即一個圓約束下的的改性希梅爾布勞功能的最小化，（2）兩者的NOx和CO排放量和一個模擬的鍋爐的燃燒過程的熱效率最大化的最小化，（3）最大化熱效率在相同的燃燒過程中氮氧化物和一氧化碳的排放限值。模擬燃燒過程的基礎(chǔ)上，其中化學(xué)物種和有關(guān)的化學(xué)反應(yīng)的燃燒機制引入一個商業(yè)軟件包CHEMKIN和一個活塞式流動模型和一個負載關(guān)聯(lián)使用的鍋爐的燃燒隧道的溫度分布。介紹雖然已經(jīng)出現(xiàn)了大量的實驗和理論研究，對鍋爐的操作，物理和化學(xué)的基本原則和巨大的進步已經(jīng)取得了各方面的理解操作，它仍然是行不通的，為Faravelli和他的同事剛才指出的，他們利用詳細的流體動力學(xué)和動力學(xué)的燃燒系統(tǒng)設(shè)計的不斷增加的計算能力，更遑論模擬鍋爐和它的各種形態(tài)輔作為一個整體的子系統(tǒng)。如果燃料和環(huán)境條件被指定，一個給定的鍋爐的熱效率取決于主要強奎的空氣燃料比，和到燃燒器的空氣和燃料的分布在不同的位置上，如果使用兩個或多個燃燒器。對于不同的燃料，不同爐配置，最佳的空氣燃料比和最佳的空氣和燃料的分布一定的不同，可通過分析粗略估計，但是只能精確地確定通過測試運行。至于鍋爐痕量污染物的排放的控制（在ppm或ppb氧化氮，二氧化硫等方面），所有的作為燃料組合物，在燃燒腔室的流動和溫度場的復(fù)雜性，和復(fù)雜的機構(gòu)等不確定因素化學(xué)反應(yīng)使模型的預(yù)測非常不可靠。無力的理論分析進行了實證的方法，有必要探討鍋爐的最佳運行條件。使用分數(shù)因子設(shè)計程序確定原發(fā)性措施和選擇性非catalyticreduction一個流化床燃燒器（FBC）中的NOx還原是重要因素。進行優(yōu)化控制FBC靜態(tài)模型，從實驗數(shù)據(jù)進行回歸分析的基礎(chǔ)上的氮氧化物和二氧化硫的排放量。喬治提出了鍋爐的測試系統(tǒng)，以監(jiān)測在全面而系統(tǒng)的方式，通過優(yōu)化各種操作條件下氮氧化物的排放，他并聲稱，實現(xiàn)氮氧化物減排目標并不一定意味著設(shè)備翻新或鍋爐性能差。人工神經(jīng)網(wǎng)絡(luò)（人工神經(jīng)網(wǎng)絡(luò)）作為一種通用的建模工具的能力已經(jīng)得到了廣泛的認可，在過去的20年里，CYBENKO表明，人工神經(jīng)網(wǎng)絡(luò)可以近似任意非線性函數(shù)。人工神經(jīng)網(wǎng)絡(luò)模型的過程行為提供一種替代方法，因為它們不需要先驗知識的過程現(xiàn)象。他們學(xué)習(xí)和描述在任何給定的過程中的現(xiàn)象的輸入和輸出之間的關(guān)系的數(shù)據(jù)，通過提取嵌入的圖案。在適當(dāng)?shù)臅r候輸入施加到人工神經(jīng)網(wǎng)絡(luò)，“ANN收購”知識“的環(huán)境，被稱為”學(xué)習(xí)“的過程中。其結(jié)果是，將ANN同化的信息，可以購買回顧。人工神經(jīng)網(wǎng)絡(luò)能夠處理復(fù)雜的和非線性的問題，迅速的處理信息和減少模型開發(fā)所需的工程努力。人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成功地應(yīng)用于過程故障診斷，系統(tǒng)辨識，模式識別，過程建模與控制，統(tǒng)計時間序列建模的各種問題，如KALOGIROU回顧了人工神經(jīng)網(wǎng)絡(luò)能源系統(tǒng)的應(yīng)用。他開發(fā)了一種智能的排放量控制器，氣體燃料燃燒的燃煤電廠，并在他們的研究中，前饋神經(jīng)網(wǎng)絡(luò)（FFN）來模擬靜態(tài)非線性分布之間的關(guān)系注入天然氣轉(zhuǎn)化成的上部區(qū)域的燃煤鍋爐的爐中，和相應(yīng)的氧化物的排出爐內(nèi)的氮排放。ZHOU等人利用人工神經(jīng)網(wǎng)絡(luò)模型和遺傳算法優(yōu)化的低NOx煤粉燃燒。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于解決燃燒問題的其他實例包括：減少燃燒的時間演化建模，并系統(tǒng)預(yù)測煤灰熔融溫度，預(yù)測煤炭/焦炭燃燒速率，進行的模型預(yù)測控制在火電廠。復(fù)雜的優(yōu)化系統(tǒng)，如鍋爐的燃燒過程是一個反復(fù)試驗和錯誤的過程，這是顯而易見的。在這樣一個迭代的過程中，進行了實驗測試，以及測試數(shù)據(jù)進行分析，并建議進一步測試分析的基礎(chǔ)上，和與該迭代繼續(xù)，直到實現(xiàn)令人滿意的性能。在這項研究中，提出一種新的優(yōu)化過程通過延伸作者開發(fā)的實驗設(shè)計方法，他在約束的情況下，用于搜索一個模擬的燃煤燃燒過程的最佳的操作條件。建議的優(yōu)化過程使用的人工神經(jīng)網(wǎng)絡(luò)，以與各種操作變量的性能指標的關(guān)系建模，搜索內(nèi)置的響應(yīng)面產(chǎn)生測試的下一批的候選點的約束條件下，通過信息分析確定下次批次的測試點。這個過程是迭代的，最佳的條件，預(yù)計后幾批的測試。所提出的方法的主要優(yōu)點是它的處理多變量，精確地確定的數(shù)量和位置，未來的測試實驗中，考慮非分析的限制，并找到多個最優(yōu)解的能力。本研究的目的是為了演示的建議的優(yōu)化過程的有效性，在搜索的鍋爐的最佳的操作條件。在以下的情況下，內(nèi)置的燃煤鍋爐的燃燒過程的簡化模型和優(yōu)化程序，被引入和被施加到優(yōu)化的模擬燃燒過程的操作條件。它應(yīng)該被指出的，本文的意圖是來描述的建議優(yōu)化程序和以顯示它的力量在改善的整體性能的一個鍋爐的燃燒過程中實現(xiàn)熱效率高和低污染物排放量盡可能降低，且不提供一個在鍋爐的燃燒行為的深入分析。應(yīng)當(dāng)指出，在以下幾個方面粗略估計上述模型用于燃燒。（一）假設(shè)插件流通過燃燒隧道。（二）均相反應(yīng)在燃燒過程中使用，飛灰中的未燃燒的炭，NOx和CO的貢獻的形成是不包括在內(nèi)。（三）溫度更新本研究中使用的僅僅是一個估計值，因為它是復(fù)雜的傳熱，流場和其他因素相關(guān)。（四）不完整性，由于熱損失引起的灰分和水排出，由不完全燒的煤顆粒，并通過表面對流與輻射到大氣中等被忽略。（五）在包含的化學(xué)物種和反應(yīng)在燃燒過程中的化學(xué)變化的真正機理是近似的。（六）煤和空氣的組合物不考慮灰分和水的情況下簡化。上述考慮和建立模型的假設(shè)，一定會產(chǎn)生一些移位和失真的真實的燃燒過程中的所有的變量之間的關(guān)系。然而，作為一個主要的近似模擬，該模型的基礎(chǔ)上的基本材料和能量平衡方程，并包括所有在燃燒過程中的主要方面，這是我們的信念，該模型定性是正確的，已經(jīng)夠復(fù)雜了，作為一個例子來說明優(yōu)化過程的有效性。生產(chǎn)的候選最佳點這一步是為了得到一個全面的了解，在整個范圍內(nèi)的一個隨機搜索方法的設(shè)計/操作變量的二次模型為代表的響應(yīng)面。這一步的結(jié)果是一個人口接近最佳點，或候選人的最佳生產(chǎn)點，滿足所有的約束條件。模擬特征是在產(chǎn)品和工藝開發(fā)的最佳工作條件。多個局部最優(yōu)解中經(jīng)常遇到的問題。率替代基于局部最優(yōu)的次要目標，如安全性，耐用性，所以它往往是必要的。因此，一個nongradient搜索技術(shù)在這里通過。在此步驟中的隨機搜索實現(xiàn)按的詳細文獻[13]。理論上，隨機搜索收斂到全局最優(yōu)。3.討論與結(jié)論總所周知的延遲的燃燒，用空氣與燃料的混合（即空氣分期）是一種有效的手段，以減少在燃燒過程中的NOx的生產(chǎn)。此外，我們知道，存在一個最佳的空氣比熱效率達到最大，對于給定的燃料和一個給定的燃燒設(shè)備。從這些基本原則燃燒，上述兩種情況的最佳條件是有道理的。提高熱效率鍋爐優(yōu)化運行具有十分重要的意義。應(yīng)該指出的是優(yōu)化的結(jié)果依賴于不同的邊界條件，如煤的類型，爐配置，季節(jié)性的大氣條件下，等以上的情況下研究只作為例子，以說明我們的優(yōu)化策略。參考文獻[1]T，布阿L，F(xiàn)rassoldati一個，Antifora一個，Tognotti?，RanziE.AFaravelli從爐的氮氧化物排放量預(yù)測的新程序。COMPUT化學(xué)Engng2001年，25:613。[2]諾丁甲，埃里克森L，奧曼M.在流化床中進行NO還原的燃燒室與主措施和選擇性非催化減少。燃料1993年，74（1）：128。[3]HenttonenJ，科喬IV，Kortela的U.優(yōu)化控制NOx和SO2FBC過程中的排放量。?研究所能源1992;65:118。[4]喬治·EM。鍋爐氮氧化物控制通過優(yōu)化。電源Engng1994年二月29。[5]CybenkoG.逼近疊加的S形曲線功能。數(shù)學(xué)控制標志SYST1989;2:303.[6]KalogirouSA。人工神經(jīng)網(wǎng)絡(luò)在能源的應(yīng)用系統(tǒng)：檢討。能源轉(zhuǎn)換MGMT1999;40:1073。[7]ReifmanJ，費爾德曼EE，魏TYCRWGlickert。智能燃料的排放量控制器重新燒燃煤電廠植物。J空氣廢物MGMT副教授2000;50:204-51。[8]周H，岑K表，毛J.結(jié)合神經(jīng)網(wǎng)絡(luò)和遺傳低NOx煤粉燃燒優(yōu)化算法。燃料2001年80:2163。[9]布拉斯科JA，F(xiàn)ueyo?，Dopazo?，BallesterJ.建模的時間減少燃燒化學(xué)系統(tǒng)與人工演化神經(jīng)網(wǎng)絡(luò)。1998年燃燒的火焰;113:38。[10]尹C，羅?，NIM，岑K.預(yù)測煤灰熔融溫度與BP神經(jīng)網(wǎng)絡(luò)模型。燃料1998年，77:1777。[11]朱Q，瓊斯JM，威廉姆斯，托馬斯KM。預(yù)測的煤/中焦炭燃燒率，采用人工神經(jīng)網(wǎng)絡(luò)方法。燃料1999年，78:1755。[12]·普拉薩德·SwidenbankE，G，：霍格體重。一個局部模型網(wǎng)絡(luò)火電的多變量預(yù)測控制遠程戰(zhàn)略廠。自動化，1998，34（10）：1185。[13]陳炯，黃DSH，張S-S，：楊S-L。產(chǎn)品和工藝利用人工神經(jīng)網(wǎng)絡(luò)模型和信息分析的發(fā)展。AICHE1998，44（4）：876[14]簡CI。熱電聯(lián)產(chǎn)的鍋爐運行優(yōu)化廠：更高的熱效率，降低氮氧化物的排放。臺灣國立清華大學(xué)，碩士，論文;2001年。[15]卡爾曼BL，KwasnySC。為什么雙曲正切？選擇的S形曲線的功能。詮釋聯(lián)合CONF神經(jīng)網(wǎng)絡(luò)，1992年馬里蘭州巴爾的摩市。[16]赫茲克羅A，J，帕爾默RG。簡介理論，神經(jīng)計算。紐約：Addison-Wesley出版社，1991。[17]GorodkinJ，漢森LK，克羅一個，Savrer?，溫德O.一個修剪的最佳腦損傷的定量研究。研究神經(jīng)SYST1993;4:159。空氣溫度和相對濕度對豬生理健康的影響介紹這項研究是關(guān)注在環(huán)境溫度和濕度變化的影響，體溫，呼吸頻率，脈搏，和豬的其他因素。也有人希望知道在什么溫度和濕度下豬是飼料轉(zhuǎn)化是最高的。一些研究者已經(jīng)研究，在極端的環(huán)境溫度的影響下的豬的體溫和呼吸頻率較高。同樣，幾個工人研究高溫和低溫的飼料利用率的效果，臨界溫度也得到了重視。早在1883年謝爾頓（1883）報道，在冬季在無保護的開放環(huán)境下的豬比住在地下室的一個溫暖的谷倉里的相似的豬需要更多的飼料大約25％。在加拿大的渥太華，在冬季的幾個月在小單育雛的母豬小屋的成本比常規(guī)育雛的母豬的房子要高出25％（Grisdale，1904）。在一個相似幼豬的測試中，那些美聯(lián)儲內(nèi)部獲得更為迅速，所需飼料轉(zhuǎn)化率較高，收益也是較低的。帕爾默（1917）曾報道過，由于太陽直射使大氣溫度和相對濕度百分比增加。加上處理和鍛煉使豬的體溫增加。Tangl（1912）報道，禁食豬體重大約100磅的臨界溫度為20-23攝氏度（68-74華氏度）。他還表明，體重超過200磅的豬的臨界溫度低于17攝氏度（63華氏度）?？ㄆ账沟倏撕湍静模?922）報道，300磅禁食豬的臨界溫度是21攝氏度（70華氏度）。戴頓（1929年）的工作證實了這些早期的發(fā)現(xiàn)，他的結(jié)果表明，臨界溫度為16攝氏度（61華氏度）左右。杰克遜（1938年）的一份報告表明，當(dāng)大氣溫度平均為83度，豬會吃更多的飼料，它們還會一起打滾，比同類飼料豬投入的更經(jīng)濟，體重增加的更迅速。實驗結(jié)果與討論在我們的研究中使用的是絕緣測量9個由14英尺乘7英尺高的空調(diào)房間濕度的房間。通過腔室的空氣運動是相對恒定的（每分鐘20至30英尺）的空氣溫度和相對濕度可以控制在這些實驗中的極限。純種杜洛克新澤西州或波蘭中國豬，或他們的第一代交叉，在這些試驗中使用。他們在一個開放的環(huán)境下用口糧喂養(yǎng)，每天要進行兩次這樣的飼喂，如果他們有了的排泄物將會被清理：水會提供讓他們進行自由的采食。在第一次試驗中，它通過提供一個標準的澆水杯和一個普通水表。隨后，它被發(fā)現(xiàn)更理想的使用在右手遠角圖1所示的澆水裝置。這可以防止水飛濺。供給一個加侖的水箱，通過重力讓水流從油箱進入（上可見，圖1的后壁）。馴化的豬（一組兩個，三個或四個）在70華氏度，通常至少有一個星期，而他們被訓(xùn)練的越來越習(xí)慣于周圍的環(huán)境以及空氣的溫度，然后改變隨意測試。整個測試期間空氣溫度盡可能恒定在一個固定的溫度。測試期間，通常長為七天，偶爾會出現(xiàn)變化。直腸體溫讀數(shù)，脈沖使用聽診器和呼吸速率（每分鐘呼吸），每天服用兩次，在早晨喂奶前，或者在下午晚些時候。我們已經(jīng)進行了六個不同的試驗。一直在關(guān)注這四個變化溫度和相對濕度的變化?？諝鉁囟鹊挠绊懮醿?nèi)的下限溫度是華氏40度。在這些實驗中使用的是由我們的冷卻設(shè)備制冷來提供一個溫度值，由同樣的能夠承受熱環(huán)境相同的豬來進行試驗。體溫，呼吸和脈搏率。由于空氣的溫度上升至華氏40度，體溫和呼吸速率（每分鐘呼吸次數(shù)）增加（圖2）。兩個試驗的結(jié)果（有代表性的）在圖2中給出。他們說明了影響反應(yīng)的豬體重的差異，在一個給定的高溫度比重量超過150磅的豬體重在150磅的豬更舒適。重量更輕的動物可以保持在約115華氏度的溫度下，而這是不可能的超過100華氏度采取較重的豬飼料消費，日增重，飼料利用率，和水的消耗。在圖3中示出的增加飼料消耗上的空氣的溫度的效果。減少飼料消耗的空氣的溫度上升至40?100華氏度，出現(xiàn)這種減少是在較高的溫度下更快速。平均日增重也隨氣溫的變化（圖3）體重166至260磅的豬在60華氏度附近的上漲最為迅速，而重量更輕的動物，體重70至144英鎊，上漲最為迅速的約75華氏度產(chǎn)生100磅的增益所需的飼料量是在最小增益的速率時，在最大（圖3）。低于和高于這些溫度下，約60華氏度的重量較重的豬和大約75華氏度為較輕的豬，飼料的利用率下降。耗水量是可變的。體重超過150斤的豬進行試驗，水耗下降耗料類似的方式增加空氣溫度。在試驗中，具有重量輕的豬，耗水量下降為空氣的溫度上升至40至90華氏度然而，從90至115°F。耗水量增加。相對濕度的影響實驗中，濕度是變量已經(jīng)運行在90和96華氏度90華氏度，我們的數(shù)據(jù)表明，有沒有太大的區(qū)別的響應(yīng)豬體重超過200磅，相對濕度30％和94％的呼吸速率，不同的是在較高的濕度增加。應(yīng)該提到的是在較高的濕度，這是不可能保持地板干燥。在華氏96度，相對濕度30％，體重超過200磅的豬失去了重量，但長時間存活。當(dāng)相對濕度提高到94％，他們立即越來越心疼。在一個實驗中在96華氏度的溫度下，相對濕度逐漸折痕英寸8小時期間從30％到94％，和體溫英寸折痕2.5華氏度，呼吸速率增加了一倍以上。這是不被視為建議持有的生豬在這些條件下，和相對濕度降低。在兩小時內(nèi)，相對濕度降低到58％，在實驗開始時，呼吸率和體溫回到那個。水和空氣運動蒸發(fā)冷卻豬水的蒸發(fā)。在我們的第一次審判，重約250磅的豬被保存期限在90華氏度，在干燥的地板，相對濕度35％。然后將溫度保持不變，7天期間，一滴滴的水在地板上運行。用濕地板（約4.5加侖的水每小時流經(jīng)地板）期內(nèi)，收益率顯著升高，呼吸率是大約30％的干樓期間，體溫的?華氏度低。同樣的比較，在100華氏度類似的差別。這是可能的空氣溫度提高到華氏115度與前地板上的水嚴重令人痛心的動物。在干燥的地板相同的動物在100華氏度心疼嚴重。由于水的蒸發(fā)的冷卻效果是非常迅速的。運行與三個240磅豬一個實驗在室溫下100度F.所有106.8華氏度和150次每分鐘的平均呼吸速率的平均體溫困擾。四公升的水，在100華氏度，傾在地板上，使潮濕的區(qū)域。豬在水中立刻開始滾動。在20分鐘內(nèi)身體的溫度分別平均降低1.0華氏度和呼吸率降低了50％的。在90分鐘的身體溫度降低2.0華氏度和80％的呼吸頻率。在豬的皮膚溫度比空氣溫度低的溫度下，空氣運動的影響是很有意義的。據(jù)推測由保迪（1945），扇是沒有好處，在這些條件下的非出汗物種。凱利和聯(lián)營公司（1948年）是由豬和環(huán)境溫度的表面溫度之間的關(guān)系。增加空氣運動，潮濕的地板。在一個實驗中，三個重周圍250磅的豬潮濕的地板上，在約119華氏度的空氣運動變化范圍為每分鐘20至30英尺，在生豬一級在腔室。風(fēng)扇打開，增加空氣運動估計平均每分鐘175英尺，但是從100到250英尺不等。在30分鐘內(nèi)，降低了大約60％的呼吸，體溫平均減少大約2.5華氏度。在80分鐘內(nèi)，體溫降低平均為3.0華氏度，當(dāng)豬與空氣運動以加速的速率上的濕地板。增加空氣運動與干地板。相比之下，四頭豬平均100斤左右干燥的地板上，在華氏113度開啟風(fēng)扇，增加空氣流速和以前一樣。首先，呼吸率和體溫略有下降，因為它是不可能有地板完全干燥后，和豬略微潮濕的。隨著干燥的地板和豬，呼吸率和體溫再次升高，在啟動時。經(jīng)過5個小時的加速空氣運動和干燥的地板，舒適的動物沒有明顯的好處。這種類型的實驗已經(jīng)重復(fù)了四平均187斤的豬，在華氏99度和四個平均236斤的豬沒有明顯的影響在100華氏度。豬的行為。由于空氣的溫度上升80華氏度以上的動物變得越來越懶惰，平躺在地板上，如圖4所示。豬體重大約100磅重量輕仍然相當(dāng)活躍，在80華氏度在高溫，一個生豬撒尿時，一些其他的豬通常耽溺中的水分。這是真實的，糞便中的水分在一定程度上。豬上繳不時暴露自己潮濕的一面。在高溫潮濕的地板上，豬的反應(yīng)完全不同。躺在匍匐在其兩側(cè)，而是從一側(cè)到另一側(cè)，他們?nèi)印胺浅；钴S，他們給人的印象是試圖保持他們的濕表面暴露。尸檢結(jié)果。它需要具備尸檢動物死于高溫。因此，在第一個實驗的第5天在100華氏度干燥的地板上，一手推車重達228磅死亡。在5天在100華氏度，此豬已經(jīng)失去了18磅。期間死亡前，他的呼吸率一直適度的高，他的體溫變化，從106.5到109.0度F.其他豬有體溫高達108.7華氏度存活。不久后死亡，直腸溫度為110.0華氏度在所有組織中不同程度的充血，尤其是在肋骨和肺部區(qū)域。擠塞肺血。討論類似的工作已經(jīng)報道由里根及聯(lián)營公司（1938年，1939年），與奶牛。增加體溫和呼吸頻率（每分鐘呼吸）和脈率增加空氣溫度下降非常相似奶牛（Regan和理查??德森，1938），本文報告我們的條件下，豬。我們呼吸和體溫的數(shù)據(jù)也印證了羅賓遜和李（1940年豬的工作，但在后期的工作中，他們報告心率增加，越來越多的環(huán)境溫度。我們已經(jīng)注意到在一些實驗中有關(guān)冷卻水臨時增加脈率時，先放入水窮奢極侈，然后體溫下降，由于水分蒸發(fā)，脈率下降。羅賓遜和Lee（1941）報道，在106華氏度豬的直腸溫度是坐立不安。已經(jīng)發(fā)現(xiàn)這僅是真實的時，潮濕的地板上的生豬的可能性表明，羅賓遜和李的工作和上述所報告的動物的皮膚的干燥度的差異所造成的差異。這將導(dǎo)致在皮膚溫度的差異（Kelly和聯(lián)營公司，1948）。此外，使用由Robinson和李（重約130磅的伯克郡）的豬被引入到一個房間已經(jīng)在測試條件下為7個小時，而那些與我們的工作在房間平均約7天的期間和被馴化前的試驗期間。Regan和米德（1939）報告說，奶牛減少水的消耗，提高空氣的溫度，在大多數(shù)情況下，我們的數(shù)據(jù)證實這些發(fā)現(xiàn)與豬。羅賓遜和李（1941）報告上偉大的冷卻效果與水sousing的。我們的數(shù)據(jù)證實，并延長他們的研究結(jié)果。按照與羅賓遜和李（1941）華氏96度在提高我們的實驗條件下，豬的體溫在相對濕度高的效果觀察。我們的數(shù)據(jù)表明這些實驗豬的體重大約100磅的條件下，在更大程度上利用飼料和發(fā)胖，更迅速地在附近的75華氏度，而較重的豬，體重約200磅在60附近做的更好華氏度同意這些發(fā)現(xiàn)與文獻報道的臨界溫度數(shù)據(jù)。據(jù)報道，空腹100磅的豬的臨界溫度由Tangl（1912）報道，以68-74華氏度，較重的豬是70華氏度（的卡普斯蒂克和木材，1922），6I華氏度（戴頓，1929年）和小于63華氏度（Tangl，1912）。總結(jié)不同的權(quán)重的豬被保存在溫濕的時間平均為7天，溫度范圍從40到115華氏度相對恒定的相對濕度和空氣流動的空間。由于空氣的溫度增加的體溫和呼吸速率（每分鐘呼吸次數(shù)）增加，脈率下降。由于空氣的溫度升高體溫，呼吸頻率和脈率的變化率增加。飼料消耗降低空氣溫度上升。這些實驗的條件下，增益率是最大和產(chǎn)生100磅增益至少在平均溫度約75華氏度豬體重166重量70至144磅，約60華氏度所需的飼料量至260磅。由于空氣的溫度超出這些平均值的增加或減少，增益率下降，降低利用食物。在96華氏度，相對濕度30％至94％的上升產(chǎn)生超過200磅重的豬較為窘迫，呼吸率和體溫升高較快。水的蒸發(fā)冷卻效果的深刻證明。在濕的豬增加空氣運動的進一步的冷卻效果已被證明有增加空氣運動時，他們的皮膚溫度低于環(huán)境的溫度，在干燥的地板上生豬的效果缺乏。在這些條件下的豬的行為的一個動物在華氏100度死亡的尸檢結(jié)果的討論。

THEEFFECTSOFAIRTEMPERATUREANDRELATIVEHUMIDITYONTHEPHYSIOLOGICALWELLBEINGOFSWINEIntroductionTHISstudyisconcernedwiththeeffectofchangesinenvironmentaltemperatureandhumidityonthebodytemperature,respirationrate,pulserate,andotherfactorsinswine.Itwasalsodesiredtoknowatwhattemperatureandatwhathumiditythepigwasmostefficientinutilizingthefeedconsumed.Theeffectofextremeenvironmentaltemperaturesonthebodytemperatureandrespiratoryrateofthepighasbeenstudiedbyseveralinvestigators.Likewise,afewworkershavestudiedtheeffectofhighandlowtemperaturesonrateofgainandutilizationoffeed.Thecriticaltemperaturehasalsoreceivedsomeattention.Shelton(1883)reportedasearlyas1883thatitrequiredabout25percentmorefeedinwinterforpigskeptintheopenwithoutprotectionthanforsimilarpigshousedinthebasementofawarmbarn.InOttawa,Canada,itcost25percentmoretohousebroodsowsduringthewintermonthsinsmallsinglebroodcabinsthanintheregularbroodsowhouse(Grisdale,1904).Inasimilartestwithyoungpigs,thosefedinsidegainedmorerapidly,andthefeedrequiredfortheirgainswaslower.Bodytemperatureincreasesduetothedirectraysofthesun,tohandlingandexercise,andtoincreasedatmospherictemperatureandincreasedpercentagerelativehumidityhavebeenreportedbyPalmer(1917).Tangl(1912)reportedthatthecriticaltemperatureoffastingpigsweighingaround100poundswas20-23degreesC.(68-74degreesF.).Healsoshowedthatforhogsweighingover200poundsthecriticaltemperaturewaslessthan17degreesC.(63degreesF.).CapstickandWood(1922)reportedthatthecriticaltemperatureofa300poundfastinghogwas21degreesC.(70degreesF.).Deighton's(1929)workconfirmstheseearlierfindings,andhisresultsindicatethatthecriticaltemperatureisintheneighborhoodof16degreesC.(61degreesF.).AreportbyJackson(1938)indicatesthathogshavingaccesstoahogwallowwhentheatmospherictemperatureaveraged83degreesF.atemorefeed,gainedmorerapidly,andweremoreeconomicalusersoffeedthansimilarpigswithoutaccesstowallows.ExperimentalResultsandDiscussionThepsychrometricroomusedinourstudiesisaninsulatedairconditionedroommeasuringninebyfourteenfeetbysevenfeethigh.Airmotionthroughthechamberisrelativelyconstant(twentytothirtyfeetperminute)andtheairtemperatureandrelativehumiditycanhecontrolledwithinthelimitsoftheseexperiments.Figure1isaphotographofthepsychrometricroomwhileinoperation.PurebredDurocJerseyorPolandChinaswine,ortheirfirstgenerationcross,wereusedinthesetrials.Theywerefedthefollowingrationinanopentroughtwicedailyinsuchamountsastheywouldcleanupwithoutexcessivewastage:Waterwassuppliedadlibitum.Inthefirsttrialitwassuppliedinastandardcattlewateringcupthroughanordinarywatermeter.Subsequentlyitwasfoundmoresatisfactorytouseawateringdeviceshownintherighthandfarcorneroffigure1.Thispreventedsplashing.Itwassuppliedfromatank(visibleonrearwall,figure1)graduatedingallons,bygravityflow.Thepigs(ingroupsoftwo,threeorfour)wereacclimatedat70degreesF.,usuallyforatleastoneweekwhiletheywerebeinggentledandbecomingaccustomedtothesurroundings.Theairtemperaturewasthenchangedtothatdesiredforthetest.Theairtemperaturewasheldasconstantaspossiblethroughoutthetestperiod.Testperiods,usually7daysinlength,wereoccasionallyvaried.Rectalbodytemperaturereadings,pulse(withtheuseofastethoscope)andrespirationrates(breathsperminute)weretakentwicedaily,beforefeedinginthemorningandbeforefeedinginthelateafternoon.Wehavecarriedonsixdifferenttrials.Fourofthesehavebeenconcernedwithvariationintemperatureandtwowithvariationinrelativehumidity.TheEffectofAirTemperatureThelowerlimitoftemperature,40degreesF.,usedintheseexperimentswasdeterminedbythecoolingcapacityofourequipment;theupperlimit,bytheabilityofthehogstowithstandheat.Bodytemperature,respirationandpulserates.Astheairtemperatureincreasedfrom40degreesF.,thebodytemperatureandrespirationrate(breathsperminute)increased(figure2).Theresultsoftwotrials(whicharerepresentative)aregiveninfigure2.Theyillustratetheeffectofdifferenceinbodyweightonthereactionofthepigs;pigsweighingunder150poundsweremorecomfortableatagivenhightemperaturethanthepigsweighingmorethan150pounds.Thelighterweightanimalscouldbekeptatatemperatureofapproximately115degreesF.,whereasitwasnotpossibletotaketheheavierhogsmuchbeyond100degreesF.Pulseratedecreasedwithincreasedroomtemperature(figure2).Feedconsumption,averagedailygain,feedutilization,andwaterconsumption.Infigure3theeffectofincreasingairtemperatureonfeedconsumptionisillustrated.Feedconsumptiondecreasedastheairtemp