• 전기학회논문지
• /
• 제60권3호
• /
• pp.639-647
• /
• 2011

In this paper, we introduce a design methodology of data-centroid Radial Basis Function neural networks with extended polynomial function. The two underlying design mechanisms of such networks involve K-means clustering method and Particle Swarm Optimization(PSO). The proposed algorithm is based on K-means clustering method for efficient processing of data and the optimization of model was carried out using PSO. In this paper, as the connection weight of RBF neural networks, we are able to use four types of polynomials such as simplified, linear, quadratic, and modified quadratic. Using K-means clustering, the center values of Gaussian function as activation function are selected. And the PSO-based RBF neural networks results in a structurally optimized structure and comes with a higher level of flexibility than the one encountered in the conventional RBF neural networks. The PSO-based design procedure being applied at each node of RBF neural networks leads to the selection of preferred parameters with specific local characteristics (such as the number of input variables, a specific set of input variables, and the distribution constant value in activation function) available within the RBF neural networks. To evaluate the performance of the proposed data-centroid RBF neural network with extended polynomial function, the model is experimented with using the nonlinear process data(2-Dimensional synthetic data and Mackey-Glass time series process data) and the Machine Learning dataset(NOx emission process data in gas turbine plant, Automobile Miles per Gallon(MPG) data, and Boston housing data). For the characteristic analysis of the given entire dataset with non-linearity as well as the efficient construction and evaluation of the dynamic network model, the partition of the given entire dataset distinguishes between two cases of Division I(training dataset and testing dataset) and Division II(training dataset, validation dataset, and testing dataset). A comparative analysis shows that the proposed RBF neural networks produces model with higher accuracy as well as more superb predictive capability than other intelligent models presented previously.

• 한국응용과학기술학회지
• /
• 제35권4호
• /
• pp.1307-1319
• /
• 2018

대기오염에 대한 관심이 증대하면서 대기오염물질의 저감에 관한 많은 연구가 진행되고 있다. 차량용 요소수(Urea solution)를 이용한 디젤 차량의 질소산화물(NOx) 제거는 큰 효과를 나타내고 있다. 요소수의 품질은 국내법으로 엄격히 규정하고 있으나 요소수 내 불순물의 증대는 질소산화물 저감 효과를 감소시키게 된다. 따라서 본 연구에서는 일정 온도와 시간동안 요소수를 가열한 후 요소수의 물성변화를 분석하였다. 또한, 요소수를 보관하는 저장용기와 저장온도의 변화에 따른 요소수 물성변화도 함께 분석하였다. 요소수를 일정시간 가열한 후 요소수 내 뷰렛함량은 증가하고 요소함량은 감소하였으며, 요소함량감소에 따라 밀도와 굴절률도 함께 감소하였다. 철제 및 PET 용기와 일정온도($30^{\circ}C$, $50^{\circ}C$)에서 실시한 저장안정성 시험에서는 물성변화가 나타나지 않았다.

• 청정기술
• /
• 제20권4호
• /
• pp.390-397
• /
• 2014

하수슬러지를 유동층 소각으로 처리할 때 유동매체가 $N_2O$ 발생에 미치는 영향을 고찰하였다. 유동매체로 zeolite 분말을 혼합하여 2 mm의 구형으로 제조하였다. 유동사의 평균크기 0.4 mm인 것을 유동매체로 사용할시 최소유동화속도($U_{mf}$)는 0.44 m/s로 나타났으나, 2 mm zeolite 유동매체를 사용하였을 경우, 최소유동화속도는 0.5 m/s로 다소 증가하는 것을 알 수 있었다. 유동층 소각로 내경에 대한 유동층 높이의 비(bed aspect ratio)를 1.4에서 3.1로 증가시켰을 때, 최소유동화속도는 0.5 m/s 에서 0.7 m/s로 다소 증가하는 것을 알 수 있었다. 과잉공기비가 1.79이고, 유동층 온도는 $909^{\circ}C$, 공탑속도는 약 1.65 m/s의 운전 조건에서, 유동매체 양의 증가에 따라 배가스 $O_2$ 농도는 다소 감소하였으며, $CO_2$의 농도는 다소 증가하는 것으로 나타났다. 유동매체의 양이 6 kg (bed aspect ratio 1.98) 이상일 때 $N_2O$의 농도가 크게 감소하였는데, 이러한 감소는 $N_2O$의 NOx로 전환이라기보다는 zeolite 유동매체에 의한 $N_2O$ 분해 반응에 의한 것으로 사료되었다. 한편, zeolite 유동매체를 유동사와 혼합하여, 유동층 높이를 일정하게 유지하고, zeolite 유동매체의 혼합 비율과 유동층 온도를 변화시켰을 때, $N_2O$의 발생농도는 혼합비율 보다 유동층 온도에 의해 크게 의존하였으며, 고온으로 갈수록 감소하는 것을 알 수 있었다. 소각 운전 온도를 고려하였을 때, zeolite 유동매체의 소성 온도는 $900^{\circ}C$에서 수행하는 것이 효과적인 것으로 판단되었다.