本文是一篇计算机论文，本文使用不同时间窗口进行分子比的加权预测，研究结果预期可以为提高电解槽电流效率等工作提供帮助，为后续出铝量等工作提供决策支持依据。
第一章 绪论
1.1研究背景和意义
铝在自然界的分布十分广泛，是地壳中含量最高的金属元素。铝的化学性质较为活泼，易产生化学反应。故铝元素常以硅、氧化合物等形式存在。同时铝拥有很多良好特性，例如导热性好、导电性好、质量轻、耐腐蚀等，因此应用领域也非常广泛，特别是在交通、航空航天等领域。随着铝产量的不断增长以及铝质合金材料性能的不断开发，铝的应用空间还将不断扩展[1]。目前，铝已成为需求量最大的有色金属。
近些年，伴随我国电解铝工业取得的突飞猛进的发展，迫在眉睫待解决的问题也随之而来：比如矿石质量下降、能耗居高不下、“碳中和”以及“碳达峰”减排任务艰巨等[2]。
由于上述问题等相关因素的存在，导致我国铝电解质体系复杂程度逐步加深。在生产中，复杂铝电解质体系的物化性质与传统电解质有着明显差异，对电解槽热稳定性造成严重影响，同时使得基于传统电解质体系的关键参数——分子比的测定方法与预报模型开始表现出一定的局限性，严重影响生产流程中电解质组成成分的调整控制策略[2]。
传统电解质体系中冰晶石、钙冰晶石、氧化铝以及萤石为主要原材料。通常通过添加3%至5%左右的氟化钙添加剂来改善电解质的理化性质的同时满足生产操作要求。在我国，铝电解质中氟化钠和氟化铝的关系通常用!"(Cryolite Ratio)表示：指电解质成分中012和342!摩尔比，又称分子比[3][4]。不同的电解质组成成分不同，其分子比值也各不相同。分子比值的大小不仅仅直接影响生产流程中的电流效率，还与环境污染控制等影响因素有着直接关系。根据科学研究及实践表明，降低电解质中分子比值大小是提高铝电解电流效率的有效方式之一，并且随着分子比值的降低，电解质表面的张力逐渐增大，可以减少电解质对碳渣的湿润性，使得碳渣更容易地排出电解质，更加利于铝电解生产[6]。目前我国采用的强酸性电解质中通过大量添加了氟化铝降低电解质初晶温度，随之而来的是电解质中氧化铝溶解性降低，导电能力变差等问题。添加氟化钙、氟化锂等添加剂也可以使电解质初晶温度下降，因此选择合适的氟化锂、氟化铝以及氟化钠配比成为一个重要课题。通过添加相应配比的氟化盐，适当提高电解质中分子比，可以在借助当前铝电解生产工艺和设备的条件下提高电解质导电能力。
...............................
1.2国内外研究现状和趋势
铝电解质的分子比测定方法主要分为物理法、仪器分析法以及化学法，其中物理方法有PH指示剂检验法、直接观察法等方法；仪器分析法包括X衍射分析法、X荧光分析法等；常见化学法则有电导法、氟离子电极法、全元素分析法[6]。
物理法中的PH指示检验法和直接观察法常用在电解质酸碱度定性判定问题上，但无法测定精确结果。光学观察法对检测人员的专业水准要求较高，因此现阶段工业生产中基本不再使用[8][9]。化学法主要原理是在酸性电解质内添加适量甚至过量氟化钠，使得电解质体系中的氟化铝可以完全反应，再通过测定电解质中剩余氟化钠含量来反推计算分子比值。其结果相较于物理法和化学法较为准确但操作流程繁琐、效率较低、并且存在检测员职业健康风险等问题。电导法[10][11]则适用于碱性电解质中分子比的测定，存在一定的使用局限性。因此现阶段工业生产中也基本不再使用。
所以，仪器分析法中的X衍射分析法和X荧光分析法在现代企业中的应用最为广泛[12]。
上述方法各有优势,由于现代化电解铝生产中，每家企业都有数百台电解槽，分子比测定结果无法当日获得，在满足现代化工业生产批量快速检测要求方面均有待提高。针对这一难点，人们通过机器学习等方式开始对分子比进行研究与预测。其中，2005年任凤莲提出BP神经网络在分子比预报中的应用[13]：因为BP神经网络网络模型可以对多个变量的系统进行分析，不需要建立确定的数学模型且其拟合度与预报精度都满足实际应用需求；2010年高钢等人提出了基于神经网络的铝电解温度与分子比的预测研究[14]：该文献中把前两日氟化物添加量、前一日温度和分子比值看作自变量，使用径向基函数神经网络进行预测并通过聚类法优化神经网络，但是随着槽龄和环境等因素的变化还缺乏在线学习模型来更新网络参数进而提高模型适应能力；
...............................
第二章 铝电解工艺分子比影响因素分析
2.1铝电解相关工艺
2.1.1铝电解生产过程
在铝工业的实际生产应用中，大多数情况下使用冰晶石-氧化铝电解法：即采用冰晶石-氧化铝熔体为电解质，将氧化铝当原材料，使用碳材料、氟化盐作双极和熔剂，把直流电通入阳极，再经过电解质、铝液层自阴极导出。直流电可以利用热能在熔融状态下熔融冰晶石，让电解液温度得以维持稳定，并且实现电化学反应。随着时间的积累，阴极液态铝不断形成，定期提炼和运输到铸造车间，然后浇铸为商品铝锭。铝电解工艺流程相关图示如图2-1所示。
电解铝总反应表达式(2-1)为：
计算机论文怎么写
...............................
2.2影响分子比的相关因素分析
铝电解生产过程中，分子比是用于描述电解质酸碱度的词汇，根据各地区不同的分类方法能够分为三种形式[24][26]：
我国一般将电解质中的氟化钠的摩尔数与氟化铝的摩尔数之比定义为分子比[40]，用CR表示；
北美洲多数默认电解质中氟化钠与氟化铝重量占比表示分子比[40]，用R表示；
而西欧一般使用组成冰晶石中过剩氟化铝含量的占比表示分子比[40]，用f表示。
将电解质按照酸碱性划分为：酸性电解质（!"<3）；中性电解质（!"=3）；和碱性电解质（!">3）。绝大多数情况下国内主流采用酸性电解质[27]。原因是酸性电解质中，由于分子比小铝电解质初晶温度也会跟随适当调整，充分利用资源的同时降低节能环保成本。
人们不断研究铝电解质构成，并证实了各种复杂添加剂与电解质理化性质之间的关系。结果表明，复杂添加剂的使用可以优化电解质的理化性质进而调整电解过程。以此人们以降低电解质的初晶温度为目的，尝试引入不同的添加剂，例如氟化镁、氟化锂、氟化钠等。
氟化锂对降低初晶温度具有十分重要的意义：随着氟化铝含量添加1%，不仅仅可以降低8摄氏度初晶温度，还具有提升电解质导电率、降低铝电解质密度等作用。更重要的是，氟化锂对表面性质的影响可以忽略不计，能减缓电解质挥发性、氧化铝在电解质中电解度等。但锂盐价格高昂，因此在实际中的应用受到一定约束。
.....................................
第三章 数据分析及预处理......................10
3.1 原始数据分析及可视化 .................. 10
3.2 数据预处理 ...................... 11
第四章 基于改进人工蜂群算法的最小二乘支持向量机在铝电解分子比预测的应用...........................18
4.1 人工蜂群算法 ............................................ 18
4.1.1 传统人工蜂群算法 ........................... 18
4.1.2 人工蜂群算法的改进 ............................... 20
第五章 自回归循环神经网络在铝电解分子比预测中的应用............................28
5.1 循环神经网络 .............................. 28
5.1.1循环神经网络（RNN） ............................ 28
5.1.2长短时神经网络（LSTM） ....................... 30
第八章 铝电解分子比预测系统设计与实现
8.1开发环境及相关技术
本系统使用Python语言进行编写。运用django框架搭建如图8-1所示的铝电解分子比预测平台。相关环境配置见表8-1：
计算机论文参考
....................................
第九章 结论与展望
9.1研究总结
本文主要研究了铝电解分子比预测算法及相关应用。为解决电解铝生产工艺中，分子比参数值难以直接采集并且与电解槽中数十种参数关系复杂且彼此影响的问题，通过预测分子比来检测和控制电解质组成成分使得电解槽正常、高效稳定运行。
在整个课题研究中，首先将原始数据进行可视化展示；然后对数据进行异常值处理，将处理后数据与原始数据做对比展示；其次由于后续三种分子比预测模型分为普通预测模型和时间序列预测模型两种，故在不同的模型版块选择不同的特征选择方式进行特征筛选；最后将三种分子比预测模型结果放入线性回归模型中得到最终预测结果。
出于考虑最小二乘支持向量机模型满足动态学习的算法特点，使用人工蜂群算法进行超参数动态寻优。传统的人工蜂群算法搜索效率较低，为实现提高搜索效率的需求，引入类似禁忌搜索列表的思维方式进行改进。最终将改进的人工蜂群算法优化的最小二乘支持向量机模型成为铝电解分子比第一个预测模型。此外，自回归循环神经网络是基于时间序列的预测模型。想要更加贴近铝电解中分子比数据生产规律，对每一个单元的隐藏层状态进行七日移动平滑处理。最终使得改进的自回归循环神经网络成为铝电解分子比第二个预测模型。高斯过程回归模型针对时间间隔为7日的特征序列进行分子比预测。经过实验比较以及工艺流程分析，选择高斯过程回归作为第三个预测模型。最后，将三个模型的预测结果输入到多元线性回归模型中，相互融合得到最终分子比预测结果。
参考文献（略）