多元爆炸性混合气体爆炸极限预测2.doc

老师，我看了以后主要纠结在：从配量比（也就是体积浓度）来分析对爆炸极限的影响，用什么来分析？（本文中图5以上的部分全部是文献里面的结果，建立预测模型时只考虑了混合气体中各个气体的体积浓度，这种建模方法对其他的二元、三元混合气体是不可行的。）资料里有用多元回归分析，线性回归分析，偏最小二乘法以及非线性回归分析（人工神经网络）。我该用什么来分析？（可以考虑多元非线性模型，给出H2CH4CO混合气体爆炸极限的预测公式，与文献中已有的结果比较）还有对爆炸参数中除了极限是否还可以加上最大燃爆压力？、是否可行（混合气体的爆炸极限与配比相关，其他相关的理化参数有纯物质的爆炸极限、燃烧热、临界压力、临界温度、扩散系数、热容、热导率等等，加入或者减少建立模型的理化参数要根据所建立模型的预测性能来决定。）？ps：实验数据研究生是否能够提供。谢谢（H2CH4CO混合气体爆炸极限的数据较少，可以考虑用文献中的预测模型计算出不同比例的该混合气体的爆炸极限，作为多元非线性回归模型的测试集） 多元爆炸性混合气体爆炸极限预测1 引言 在相关工业和矿井中，多元混合气体爆炸事故常有发生，严重威胁人身与财产的安全。近年来，国内外学者从实验、理论和数值模拟等多个方面对可燃性气体进行了深入细致的研究，并取得了显著的成果。但其重点主要集中在单一气体（如氢气、一氧化碳、烃类等），而对多元爆炸性混合气体（如城镇燃气、液化石油气、瓦斯等）的研究相对较少，仅有少数浓度爆炸极限数据的报道，研究的深度与广度远远不能满足安全生产的需要。所以对多元混合爆炸性气体爆炸参数的研究具有一定的现实意义和理论参考价值。多元爆炸性混合气体爆炸参数主要有爆炸极限值、最大爆炸压力、最小点火能和燃爆危险度等。爆炸极限是评价可燃气体危险性的重要参数，是制定政策、危险性评估以及货物的储存、运输生产、销售、使用方法确定的依据之一，在监测监控技术中，它是一个具有重要实用价值的爆炸指参量。近年来，随着城市与工业规模的发展，含有H2，CH4和CO的可燃混合气得到越来越广泛的应用。为了安全使用工业过程中含有H2，CH4和CO的可燃混合气，掌握混合气的爆炸极限是非常有必要的。爆炸极限：可燃物质(可燃气体、蒸气和粉尘)与空气(或氧气)必须在一定的浓度范围内均匀混合，形成预混气，遇着火源才会发生爆炸，这个浓度范围称为爆炸极限，或爆炸浓度极限。例如一氧化碳与空气混合的爆炸极限为12580。可燃性混合物能够发生爆炸的最低浓度和最高浓度，分别称为爆炸下限和爆炸上限，这两者有时亦称为着火下限和着火上限。在低于爆炸下限和高于爆炸上限浓度时，既不爆炸，也不着火。这是由于前者的可燃物浓度不够，过量空气的冷却作用，阻止了火焰的蔓延；而后者则是空气不足，导致火焰不能蔓延的缘故。当可燃物的浓度大致相当于反应当量浓度时，具有最大的爆炸威力(即根据完全燃烧反应方程式计算的浓度比例)。可燃性混合物的爆炸极限范围越宽、爆炸下限越低和爆炸上限越高时，其爆炸危险性越大。这是因为爆炸极限越宽则出现爆炸条件的机会就多；爆炸下限越低则可燃物稍有泄漏就会形成爆炸条件；爆炸上限越高则有少量空气渗入容器，就能与容器内的可燃物混合形成爆炸条件。应当指出，可燃性混合物的浓度高于爆炸上限时，虽然不会着火和爆炸，但当它从容器或管道里逸出，重新接触空气时却能燃烧，仍有发生着火的危险。 可燃性混合气体爆炸极限影响的因素很多，例如，可燃气体及氧化剂的种类；气体浓度；点火源能量大小；点火位置；爆炸空间的封闭程度,障碍物的大小，数量及现状等。这导致了对现实生活中遇到的混合气体爆炸的极限预测与理论结果有不小的出入。寻求最精确的预测极限方法成为当下研究的主流。 不少学者研究了可燃气体爆炸极限的预测方法。种种方法可以归结为以下几类：图表法（MFC图形分析）；纯经验公式计算爆炸极限；按化学浓度估算；按完全燃烧所需氧原子估算；按理查特里（Le chatlier)公式法等。理查特里公式适用于活化能、克分子燃烧热、反应速率相接近的可燃气体混合物的爆炸极限，在计算碳氢化合物混合气体时比较准确，对其他大多数可燃性混合气体的计算会出现一些偏差，对于含有乙烯、乙炔的混合气体是不适用的。而且Le Chatelier公式对混合气体的爆炸下限预测较为准确，对爆炸上限的预测存在着一定的误差。因此，对混合气体的爆炸极限进行研究，建立混合气体爆炸极限的理论预测模型，具有十分重要的现实意义。 笔者先从以H2、CH4和CO为主的多元混合气体入手进行爆炸极限的多元线性和非线性回归分析，再对其实验预测结果进行归纳与总结.2 实验部分 参考美国材料试验学会标准ASTM-E681和德国工业标准DIN-51469，结合试验目测观察爆炸火焰燃烧时的压力升高值，选择2%及以上的压力升高作为爆炸极限数据；爆炸下限为混合气体发生爆炸的工艺气的空气中的最低浓度与不发生爆炸的最高浓度的算术平均值，爆炸上限为混合气体发生爆炸的工艺气的空气中的最高浓度与不发生爆炸的最低浓度的算术平均值。实验装置由高压爆炸反应器、供气系统、点火装置和数据采集系统组成（见图1）实验过程和条件在此不加阐述。 图1 多元爆炸性混合气体爆炸试验装置系统1-高压爆炸反应器 2-精密压力表 3-压力传感器 4-电极与点火系统 5-精密数字压力计 6-精密数字微压计 7-电荷放大器与数字指示器 8-TOP4012C高速高精度数据采集卡 9-计算机 10-气体分析仪 11-气相色谱仪 12-半导体温度计 13-干燥瓶 14-真空泵 15-空压机 16-配气钢瓶群 17-窥视镜 18-防爆板 实验结果如下表: 表1 含H2，CH4和CO多元混合爆炸极限试验测量值 NO 各成分气体体积浓度（%） 爆炸极限测量值H2CH4COCO2N2O2爆炸上限爆炸下限 164.590.655.280.8128.170.50 68.28 6.08278.841.196.021.1312.30.52 71.02 4.72369.662.311.500.0526.230.25 65.00 5.83474.991.512.290.0021.010.20 69.80 5.46539.291.5030.97.2820.540.50 63.93 7.89640.951.0635.24.4518.050.31 69.73 8.08733.002.5827.19.2827.470.53 54,15 8.66836.021.8127.39.425.130.39 57.53 8.25935.081.9833.65.8422.90.62 63.66 8.791044.821.0630.15.1618.060.78 69.52 7.381139.351.8329.65.8722.410.95 62.02 7.921235.952.4727.48.8524.790.50 55.48 8.131337.992.5029.98.7220.170.75 60.24 7.811436.101.8228.99.3523.330.47 61.47 8.431539.661.7531.26.9120,020.47 65.39 7.761640.011.4730.68.0119.400.55 65.25 7.801742.281.6229.38.3518.120.36 65.55 7.461833.402.7025.09.4428.520.91 53.01 8.321935.551.5031.48.0522.930.62 60.13 8.752036.091.4927.86.5127.490.58 63.10 8.262155.961.121.6025.116.050.20 62.58 6.862255.021.331.4723.418.510.23 60.01 7.332347.172.191.9725.623,850.18 53.17 7.532453.400.911.6924.918.820.25 58.55 7.622574.451.040.000.0024.510.00 67.21 5.672676.170.970.000.0022.860.00 70.17 5.162756.525.980.000.0037.500.00 52.67 6.912857.076.120.000.0036.810.00 54,94 6.452956.635.660.000.0037.710.00 53.42 6.533043.1818.00.000.0038.790.00 32.35 7.033143.626.400.000.0049.980.00 48.80 7.893245.487.270.000.0047.250.00 48.79 7.773357.646.140.000.0036.220.00 55.12 6.693462.0015.50.000.0022.500.00 45.06 5.5423557.7914.20.000.0028.040.00 42.63 5.76 H2、CO、CH4、N2、CO2、O2混合气体可燃性组分H2、CO、CH4的含量对爆炸极起决定作用,CO含量的增加使下限值升高,CH4含量的增加使上限值下降;N2和CO2对爆炸极限的影响较小;混合气体中的O2含量很少,对爆炸极限基本无影响。3 结果与讨论 1 多元线性回归分析 相关分析结果显示 ,爆炸上限与 H2、CO产生正相关 ,与 CH4产生负相关 ,爆炸下限与 CO产生正相关 ,与 H2、CH4产生负相关，其中CH4与上限的相关性最强 ,H2与下限的相关性最强（表2），与实验事实相吻合。 表2 爆炸极限与组成因子的相关系数 H2COCH4CO2N202上限0.2290.359-0.861-0.087-0.6430.419下限-0.9480.715-0.2700.4110.0520.531 以 F 3184时对应变量进入回归方程 , F 2.71时变量被剔除为准则 ,采用 SPSS统计软件进行逐步回归分析 (表)3,上限 UEL、下限 LEL回归方程分别为 : UEL = 33.33-1.261 x(CH4) + 0.4958 x(H2) +0.4048 x (CO) LEL = 12.49-0.09386 x(H2)-0.08491 x(CH4)-0.02246 x（CO)回归方程的相关系数 R值、 R2值以及校正后的 Adj-R2值表明 ,回归方程表现高度相关 , F值、显著水平 Sig.显示 ,回归方程达到极显著水平 ,所建立的上、下限计算模型有效、合适 ,能够很好地拟合原始数据。由回归分析参数据可知 ,对于上限 ,最显著的影响因素依次为 CH4、H2和 CO ,三者和 ,可以解释上限变异的 95.3 %;对于下限 ,最显著的影响因素依次为 H2、CH4和 CO ,三者之和 ,可以解释下限变异的 96.5 %;而 CO2、N2、O2对爆炸上、下限均不具有显著影响。 表3 计算模型系数分析表RR2Adj-R2标准误差 FSig上限0.9760.953 0.9491.972 211.0 0.000下限0.9830.965 0.9620.2193 289.0 0.000 利用多元回归得到的计算模型拟合试验结果见表1 ,与实测值的平均相对标准误差,上限为2.69 % ,下限为2.91 % ,上限最大相对误差6.81 % ,下限为5.87 % ,可见回归模型能够很好地拟合实验结果。利用Chatelier经验方程和H2、CH4与N2、CO2的二元混合气体爆炸极限图,与实测值相比较,平均相对标准误差,上限为1.16 % ,下限为4.53 % ,上限最大相对误差34.0 % ,下限为9.7 % ,误差较大。该计算模型明显优于文献方法,能够很好地拟合和预测含氢量较高的H2、CO、CH4、N2、CO2、O2多元混合气体的爆炸极限。 小知识：SPSS统计软件进行逐步回归分析，SPSS（statistical product and service solution）意为统计产品与服务解决方案，统计和数据分析功能强大，界面友好，易学易用，目前是非统计专业人员应最多的统计软件。逐步回归分析过程：首先根据表1建立数据文件，在SPSS菜单栏上选择AnalyzeRegressionLinear,则出现Linear Regression（线性回归分析）的主对话框，将“爆炸极限”选入Dependent（因变量）框中，“H2”、“CO”、“CH4”、“N2”、“CO2”、"O2"在多元混合气体中的体积浓度选入Independent(自变量)框中，method框选择Stepwise(逐步回归)，Save子对话框中选择"Predicate Values"下的Unstandardized，Options子对话框选择 Use F Value；其余默认，点OK，则可得到线性逐步回归分析结果。2 多元非线性回归分析 背景：实验数据如表1.给出了不同气体组成下多元混合气体的爆炸极限，为了说明混合气中可燃气体（H2、CH4和CO）与爆炸极限见的关系，给出可燃气体含量与爆炸极限的相关系数，见表4。可以看出，除了H2含量与爆炸上限存在较高线性 (相关系数 0. 95)外 ,其他组分与爆炸极限之间相关系数都较小 ,是一种非线性关系。因此 ,建立可燃气体含量与爆炸极限间的非线性关系是必要的。笔者运用表 1中数据建立了混合气爆炸极限与混合气各成分气体之间的非线性关系。一旦模型确立后 ,给定混合气中各成分的体积浓度 ,就可以预测混合气的爆炸极限。 表4 可燃气体含量与爆炸极限的相关性爆炸极限 H2 CH4 COLEL 0.23 0.86 0.36UEL 0.95 0.25 0.72 基于多元非线性预测研究，早已有人提出了爆炸极限神经网络非线性预测模型。 人工神经网络（artifical neural network，ANN）：作为20世纪80年代中期快速发展的一门非线性科学，具有自适应性、自组织性、自容错性等特点，已在模式识别、线性拟合、数据处理及自动化控制等领域得到了广泛的应用。由于神经网络最大的优点是具有高度的非线性拟合能力，特别适用于处理QSPR(定量结构-性质相关性研究)研究中输入参数较多且输出参数与输入参数存在较复杂的非线性的情况，因此适用于对多元混合爆炸气得极限预测研究。神经网络目前应用最多的是基于误差反向传播（BP）算法的三层神经网络，分为输入层、隐含层和输出层。应用到极限预测，则输入层具有三个神经元，分别对应着混合气中H2、CO、CH4的体积浓度，输出层代表可燃混合气的爆炸极限（上限或下限）。隐层神经元个数的确定较为困难。该层主要是对输入数据进行处理和转换，可以通过试算的方法确定个数。如果神经元个数太多，容易产生过拟合现象，即对于训练样本预测误差控制的很好，但是对新输入的样本，再次进行的预测误差较大，我们通常称之为网络的推广泛化能力较差。 所以在神经网络中隐层神经元个数确定很重要。在表1中我们选取了4,5,6,7,8,9,10个隐层神经元分别进行了试算来确定最佳的网络结构。最后，选取了具有5个隐层神经元的网络结构比较合理。 图 2 爆炸极限预测神经网络结构BP算法的具体步骤是：1.初始化 即随机的设置各层权重系数的和值；2. 将训练样本数据x加到网络输入层，计算各层的输出y，将输出值与期望值相比得到误差信号；3.根据误差信号重新调整连接权重；4.如果小于预订误差，则可认为网络已收敛而停止运行。反之，继续运行至小于误差。 为了便于运算，在网络训练前，对所有的样本做了中心标准化处理，即对原始数据做出变换使其平均值为0，标准差为11，验证网络时先对验证数据预处理后输入网络，然后对网络输出做反变换。 对于样本，我们可分为几部分，分别用来达到不同的目的。目的通常有三个：优化网络权重、克服过拟合现象以及验证网络泛化能力。 网络的建立和权重的优化可在Matlab 上进行。一旦网络训练结束 ,可获得优化的网络权重 ,对于新的输入 ,网络可以给出输出。图 3左侧是非线性方法计算的爆炸下限 ,右侧是爆炸上限。从图中可以看出 ,这些离散点能够比较好地落在对角线上 ,即爆炸极限的计算值与实测值吻合较好。笔者采用相关系数 R、最小相对误差 a,最大相对误差 b来评价模型的预测好坏能力。计算结果表明 ,对于训练集 ,爆炸极限计算值与实测值的相关系数可达 0. 99,最大相对误差、最小相对误差、平均相对误差分别为 3. 76% , 0. 019%和 1. 78%;而对于测试集 , R也能达到 0. 98,最大相对误差、最小相对误差、平均相对误差分别为 3. 57%, 1. 09%和 2. 33%。从预测结果来看 ,网络对于新的输入也具有较高的预测能力 ,网络的泛化能力较好。 图 4给出了爆炸下限和上限计算值与实测值的相对误差。左侧代表爆炸下限 ,右侧代表爆炸上限。 图 3非线性方法计算的爆炸极限 图 4非线性方法计算的爆炸极限与实验测量值之间的相对误差 采用神经网络非线性方法BPNN（反向传播神经网络）计算的爆炸极限更加准确合理，模型的泛化能力更好。但是，该模型在使用过程中如需要用到临界温度、临界压力以及燃烧热等实验数据作为模型的输入参数，而这些参数的获得往往更加困难，因而限制了该模型的使用。 小知识（仅供了解）：MATLAB中BP神经网络的实现：BP网络的训练所采用的算法是反向传播法 ,可以以任意精度逼近任意的连续函数 . MATLAB软件提供了一个现成的神经网络工具箱 (Neural Network Toolbox ,简称 NNbox) ,为解决BP网络收敛速度慢 ,训练时间长等不足 提供了便利条件 .下面针对 BP网络的建立、传递函数的选择、网络的训练等 ,在介绍 NNbox相关函数的基础上 ,给出利用这些函数编程的方法 。MATLAB的NNbox提供了建立神经网络的专用函数 newff () .用 newff函数来确定网络层数、每层中的神经元数和传递函数 ,其语法为 : net =newff (PR,S1, S2 , . ,SN ,TF1 ,TF2 , . ,TFN ,BTF ,BLF ,PF)其中 PR是一个由每个输入向量的最大最小值构成的 Rx2矩阵 . Si是第 i层网络的神经元个数 . TFi是第 i层网络的传递函数 ,缺省为 tansig ,可选用的传递函数有 tansig ,logsig或 purelin. BTF 字符串变量 ,为网络的训练函数名 ,可在如下函数中选择 : traingd、traingdm、traingdx、 trainbfg、trainlm等 ,缺省为 trainlm. BLF 字符串变量 ,为网络的学习函数名 ,缺省为 learngdm. BF 字符串变量 ,为网络的性能函数 ,缺省为均方差 mse newff在确定网络结构后会自动调用 init函数用缺省参数来初始化网络中各个权重和阈值 ,产生一个可训练的前馈网络 ,即该函数的返回值为 net.由于非线性传递函数对输出具有压缩作用 ,故输出层通常采用线性传递函数 ,以保持输出范围. 初始化后的网络即可用于训练 ,即将网络的输入和输出反复作用于网络 ,不断调整其权重和阈值 ,以使网络性能函数 net. performFcn达到最小 ,从而实现输入输出间的非线性映射 .对于 newff函数产生的网络 ,其缺省的性能函数是网络输出和实际输出间的均方差 MSE. 为了便于比较 ,笔者还提出了偏最小二乘回归方法来计算爆炸极限 。 偏最小二乘回归（PLSR）集多元线性回归、典型相关分析和主成分分析的基本功能为一体，将建模预测类型的数据分析方法与非模型式的数据认识方法有机地结合起来，能较好地处理基于传统最小二乘回归方法难以解决的问题，在处理样本容量小、自变量多、变量间存在严重多重相关性问题方面具有独特的优势，从而使模型精度、稳健性、实用性得到提高。 在 PLSR中 ,前 k个主成分最大限度地提取了 X中包含的信息 ,并通过 k个主成分建立回归方程 ,没有考虑因变量 Y的作用 ,不知道 X的 k个主成分是否是 X中对 Y影响的主要成分 ,偏最小二乘法进一步分别提取 X和 Y中的主要信息 ,建立各自的主成分 ,并要求 X, Y的主成分成对出现且有最大线性相关关系。用矩阵来表示 PLSR (偏最小二乘回归 )方法的数学模型为 X = TP + E ( 1 ) Y =UQ + F ( 2 )式中, T, U X与Y的得分矩阵; P, Q X, Y的装载; E, F用偏最小二乘模型去拟合X, Y所引进的误差。对X,Y的每一对主元t，u存在如下关系： u = bt + e ( 3)式中, b表征u与t间的内在关系。PLSR相关算法由Matlab语言实现。 爆炸极限的偏最小二乘回归系数如表5所示。表6总结了神经网络与偏最小二乘回归两种模型预测含多元混合气爆炸极限的结果,从表中可以看出, BPNN (反向传播神经网络)的最小相对误差a要小于PLSR的最小相对误差, BPNN的相关系数R要大于PLSR的相关系数,由此可见BPNN的预测混合气爆炸极限的准确性要好于PLSR。 表5 偏最小二乘回归系数 NO Term LEL UEL 1 H2 -O.O964 -0.4988 2 CH4 -0.1020 -1.2534 3 CO -0.0272 0.4090 表6 BPNN和PLSR结果汇总爆炸极限 训练集 测试集 BPNNPLSR BPNN PLSRRabRabRabRab LEL0.9953. 7600.019 0. 985.840.0660.9713. 9000.0290. 973 5. 85 0. 326 UEL 0.992 3.930.0650.9785.810. 0530. 9813. 570 1.050 0. 976 6. 810. 508 图 5给出了 BPNN和 PLSR预测的爆炸极限的相对误差分布。统计结果表明 ,BPNN非线性方法计算的爆炸下限 , 37%样本的相对误差小于 1% , 60%样本的相对误差小于 2%, 86%样本的相对误差小于 3% ,对于爆炸上限 , 31. 5%样本的相对误差小于 1% , 57%样本的相对误差小于 2%, 77%样本的相对误差小于 3%;而 PLSR方法计算的爆炸下限 ,只有 43%样本的相对误差小于 3% ,对于爆炸上限 ,比例也不过 53% ,而且有相对数量的样本相对误差大于 5%。从相对误差分布来看 ,相比于 PLSR方法 , BPNN非线性方法计算的爆炸极限更加准确合理,模型的泛化能力更好。 图 5两种模型计算的爆炸极限与实测值相对误差分布的比较 以上为文献中已有的预测方法与结果4 思考 以上主要是用线性回归方程、人工神经网络模型（BPNN）和偏最小二乘回归法来通过多元混合气体中不同组分的体积浓度来对混合气的爆炸极限进行预测分析。但是影响多元混合气的爆炸极限的因素有很多。混合系的组分不同，爆炸极限也不同。同一混合系，由于初始温度、系统压力、惰性介质含量、混合系存在空间及器壁材质以及点火能量的大小等的都能使爆炸极限发生变化。一般规律是：混合系原始温度升高，则爆炸极限范围增大，即下限降低、上限升高。因为系统温度升高，分子内能增加，使原来不燃的混合物成为可燃、可爆系统。系统压力增大，爆炸极限范围也扩大，这是由于系统压力增高，使分子间距离更为接近，碰撞几率增高，使燃烧反应更易进行。压力降低，则爆炸极限范围缩小；当压力降至一定值时，其上限与下限重合，此时对应的压力称为混合系的临界压力。压力降至临界压力以下，系统便不成为爆炸系统(个别气体有反常现象)。混合系中所含惰性气体量增加，爆炸极限范围缩小，惰性气体浓度提高到某一数值，混合系就不能爆炸。容器、管子直径越小，则爆炸范围就越小。当管径(火焰通道)小到一定程度时，单位体积火焰所对应的固体冷却表面散出的热量就会大于产生的热量，火焰便会中断熄灭。火焰不能传播的最大管径称为该混合系的临界直径。点火能的强度高、热表面的面积大、点火源与混合物的接触时间不等都会使爆炸极限扩大。除上述因素外，混合系接触的封闭外壳的材质、机械杂质、光照、表面活性物质等都可能影响到爆炸极限范围。所以有必要建立一个多元非线性模型从多角度（不止体积浓度）多元成分来预测分析。由于过于复杂，本文经过筛选，采用混合气体的组成、化学计量浓度以及纯物质的爆炸上限、燃烧热和临界压力作为表征二元可燃混合气体爆炸此处采用的多元非线性模型，应该是针对上文所述的混合气体（H2CH4CO），重新建立模型，这样才有可比性。或者以所选择的理化参数、配比等作为输入参数，使用神经网络建模。上限的输入参数，仅从二元混合气角度对其爆炸上限进行预测。 表1 纯物质理化参数纯物质临界压力/bar燃烧热/kJ·mol-1爆炸上限/%甲烷45.96802.6215.8丙烷42.52043.110正丁烷37.962657.38.46乙烯50.76132331.5丙烯46.11926.211乙炔61.91125777.31 1.建立模型 多元非线性回归方法和神经网络算法相比，在小样本的条件下，具有较好的泛化能力，和神经网络得到的“黑箱”函数相比，计算得到的回归式是解析形式的，易于被理解和使用。目标函数与多变量参数之间的非线性拟合数学关系方程为：其中，a、b、c、d和ci为拟合的系数；xi表示的参数同上，i=19；x1、x2分别为混合气体中物质1和物质2所占的比例；x3为混合气体的化学计量浓度；x4、x5分别为物质1和物质2的爆炸上限，%；x6、x7分别为物质1和物质2的燃烧热（取log之后的数值），kJ/mol；x8、x9分别为物质1和物质2的临界压力，bar。本文中采用DPS数据处理系统实现多元非线性回归。小知识：DPS数据处理系统中对多元非线性模型的拟合 在DPS处理平台上，需要将实验的数据和希望建立的数学模型编辑定义成数据块和公式块，先定义公式块，后定义数据块，即可获得分析结果。拟合分析步骤： 1.在公式编辑器中输入要估计参数的数学模型，并将公式定义成公式块 2.在数据编辑器中按列将自变量和指标从左向右按列输入，并定义成矩阵块。 3.选数学模型-单因变量模型参数估计-输出分析结果 2.模型验证分别采用均方根误差（RMSE）、平均绝对误差（AAE）、平均相对误差（APE）和预测值对文献值的复相关系数R2等指标对模型的估计能力及预测性能进行评价。RMSE、AAE和APE越小，则预测结果与实验值的误差越小，校正模型的预测能力越强；相关系数R2越接近1，则校正模型所得预测值与实测值的相关性越强。 3.预测结果与分析 多元非线性回归选取的训练集和预测集采用9个变量参数作为模型的输入变量，预测模型如下：UFL=10.8846+()+27.8146()2=-28.6097x1-27.8121x2-0.0379x3-0.2903x4+0.0238x5+2.2009x6 -2.417x7+0.7896x8-0.0456x9R2=0.9434，F=140.022，p=0.0001模型具有较高的相关系数，说明模型是可靠的；显著性概率远小于0.05，表明回归方程具有统计学意义。应用所建模型分别对训练集样本和预测集样本进行预测。（H2CH4CO混合气体的爆炸极限数据太少）5 结论 笔者针对多元混合气爆炸极限与混合气各成分体积浓度之间非线性特点，先提出了采用多元线性回归分析方法列出线性回归方程,后发现其预测误差较大，又提出了采用神经网络非线性方法BPNN和偏最小二乘回归PLSR两种方法，建立了混合气爆炸极限神经网络非线性预测模型。评价了这两种方法预测爆炸极限的适用性及优劣性。最后，联系到多元组分的体积浓度并不是影响多元混合气的唯一因素，从而建立了多元非线性模型从多角度（不止体积浓度）多元成分来预测分析。并取得了显著的成果。得出以下结论：1. 多元混合气中可燃气体含量与爆炸极限存在非线性关系，建立的神经网络非线性模型和多元回归模型是有根据的。2. 神经网络非线性模型的预测结果要好于偏最小二乘回归的预测结果，线性回归分析的预测结果较差。3. 多元非线性模型的建立对于多元混合气爆炸极限的预测很有意义，实现了根据多种理化参数预测的功能。可以较好地预测爆炸极限。4. 神经网络方法因其具有自适应性和自学习性的优越可以应用到QSPR的研究之中，可以针对其他爆炸特性成功地建立起相应的理论预测模型。5. 本文主要针对以H2、CH4和CO为主的多元混合气体入手进行爆炸极限的多元线性和非线性回归分析。对其它可燃气体的爆炸研究提供了方向。