2024数维杯数学建模竞赛B题完整思路代码和论文分析

2024数维杯数学建模B题完整代码和成品论文已更新,获取↓↓↓↓↓

https://www.yuque.com/u42168770/qv6z0d/bgic2nbxs2h41pvt?singleDoc#

2024数维杯数学建模竞赛B题完整思路代码论文分析如下:

问题分析

问题(1):分析正己烷不溶物(INS)对热解产率的影响。这一问题旨在研究共热解过程中不同原料组分对最终产物产率的影响程度。正己烷不溶物通常代表生物质和煤中更为稳定和难以分解的部分,其比例可能会影响热解产物的种类和产率。通过分析数据,可以揭示热解原料组成与产物之间的关系,为优化原料配比和提高产物利用率提供依据。

问题(2):探究正己烷不溶物(INS)和混合比例之间是否存在交互效应。这一问题关注生物质和煤配比与原料组分之间的综合影响。不同的配比可能会引发原料组分之间的协同作用或抑制作用,从而对热解产物产生交互影响。识别出这种交互效应及其作用机制,将有助于更好地把控共热解过程,提高特定产物的收率。

问题(3):建立模型优化共热解混合比例,以提高产物利用率和能源转化效率。这是题目的核心问题,要求根据实验数据建立数学模型,找到最佳的生物质与煤的混合比例,从而获得理想的产物组成和产率。优化混合比例不仅可以提高特定产物(如焦油)的收率,还可以提高能源转化效率,减少资源浪费和环境污染。这需要综合考虑各种因素,建立合理的目标函数和约束条件。

问题(4):分析共热解产物收率实验值与理论计算值之间的差异。这一问题旨在验证之前提出的理论模型的准确性,并找出两者之间差异的来源。通过子组分析等统计方法,可以确定哪些混合比例下实验值与理论值存在显著差异,从而优化和修正模型,提高其预测能力。这对于深入理解共热解机理、指导实践操作都有重要意义。

问题(5):建立模型预测热解产物产率。这是在前几个问题的基础上,进一步要求建立一个通用的模型,能够准确预测不同条件下的热解产物产率。这种预测模型不仅可以用于指导实验,还可以应用于实际生产,提高生物质和煤共热解技术的可操作性和经济效益。模型的建立需要充分利用实验数据,并考虑各种影响因素的作用。

模型的建立与求解

问题一模型的建立与求解

问题1主要是分析正己烷不溶物(INS)对热解产率(焦油产率、水产率、焦渣产率)的影响程度,并利用图像加以解释。为了解决这一问题,我们可以采用多元线性回归模型和图像可视化的方法。

思路分析

首先,我们需要从给定的实验数据中提取相关变量,包括自变量和因变量。自变量是指可能影响热解产率的因素,这里主要考虑正己烷不溶物(INS)的含量和生物质与煤的混合比例。因变量则是我们关注的热解产物产率,包括焦油产率、水产率和焦渣产率。

其次,我们可以针对每种热解产物,分别建立多元线性回归模型,将正己烷不溶物含量和混合比例作为自变量,产物产率作为因变量,估计模型参数,并进行显著性检验。这样可以判断正己烷不溶物对各种产物产率的影响是否显著。

最后,我们可以利用回归模型对实验数据进行拟合,绘制三维散点图和回归平面,直观展示正己烷不溶物和混合比例对产物产率的综合影响。通过图像可视化,更易于发现数据中的规律和趋势。

多元线性回归模型

对于焦油产率、水产率和焦渣产率,我们可以分别建立如下多元线性回归模型:

y tar = β 0 , tar + β 1 , tar x 1 + β 2 , tar x 2 + ϵ tar y water = β 0 , water + β 1 , water x 1 + β 2 , water x 2 + ϵ water y char = β 0 , char + β 1 , char x 1 + β 2 , char x 2 + ϵ char \begin{align} y_{\text{tar}} &= \beta_{0,\text{tar}} + \beta_{1,\text{tar}}x_1 + \beta_{2,\text{tar}}x_2 + \epsilon_{\text{tar}} \\ y_{\text{water}} &= \beta_{0,\text{water}} + \beta_{1,\text{water}}x_1 + \beta_{2,\text{water}}x_2 + \epsilon_{\text{water}} \\ y_{\text{char}} &= \beta_{0,\text{char}} + \beta_{1,\text{char}}x_1 + \beta_{2,\text{char}}x_2 + \epsilon_{\text{char}} \end{align} ytarywaterychar=β0,tar+β1,tarx1+β2,tarx2+ϵtar=β0,water+β1,waterx1+β2,waterx2+ϵwater=β0,char+β1,charx1+β2,charx2+ϵchar
其中:

  • y tar y_{\text{tar}} ytar y water y_{\text{water}} ywater y char y_{\text{char}} ychar分别表示焦油产率、水产率和焦渣产率;
  • x 1 x_1 x1表示正己烷不溶物(INS)的含量;
  • x 2 x_2 x2表示生物质与煤的混合比例;
  • β 0 \beta_0 β0 β 1 \beta_1 β1 β 2 \beta_2 β2是待估计的回归系数;
  • ϵ \epsilon ϵ是随机误差项,服从正态分布。

这些回归模型的基本假设是:热解产物产率与正己烷不溶物含量和混合比例之间存在线性关系。回归系数 β 1 \beta_1 β1 β 2 \beta_2 β2的值及其显著性水平,将决定正己烷不溶物和混合比例对产物产率的影响程度。

算法步骤

  1. 数据预处理

    • 从给定数据中提取正己烷不溶物含量、混合比例以及焦油产率、水产率、焦渣产率等变量
    • 进行数据清洗和标准化处理(如有需要)
  2. 模型训练

    • 将数据分为训练集和测试集
    • 使用训练集数据,采用最小二乘法估计回归系数 β 0 \beta_0 β0 β 1 \beta_1 β1 β 2 \beta_2 β2
    • 对回归系数进行显著性检验(t检验或F检验)
  3. 模型评估

    • 在测试集上评估模型的预测性能,计算均方根误差(RMSE)等指标
    • 根据评估结果,选择最优模型
  4. 模型解释

    • 分析回归系数的值和显著性,判断正己烷不溶物和混合比例对产物产率的影响
    • 利用三维散点图和回归平面,可视化展示变量之间的关系
  5. 模型应用

    • 使用最优模型,预测新数据下的热解产物产率
    • 根据模型结果,提出优化建议,如调整正己烷不溶物含量或混合比例

详细公式与解释

  1. 最小二乘估计

为了估计回归系数 β 0 \beta_0 β0 β 1 \beta_1 β1 β 2 \beta_2 β2,我们可以使用最小二乘法,即最小化残差平方和:

S S E = ∑ i = 1 n ( y i − y ^ i ) 2 = ∑ i = 1 n ( y i − β 0 − β 1 x 1 i − β 2 x 2 i ) 2 SSE = \sum_{i=1}^{n}(y_i - \hat{y}_i)^2 = \sum_{i=1}^{n}(y_i - \beta_0 - \beta_1x_{1i} - \beta_2x_{2i})^2 SSE=i=1n(yiy^i)2=i=1n(yiβ0β1x1iβ2x2i)2

其中 n n n是样本数量, y i y_i yi是第 i i i个样本的实际产率值, y ^ i \hat{y}_i y^i是对应的预测值。

S S E SSE SSE分别对 β 0 \beta_0 β0 β 1 \beta_1 β1 β 2 \beta_2 β2求偏导数,并令其等于0,可以得到下面的正规方程组:

∑ i = 1 n ( y i − β 0 − β 1 x 1 i − β 2 x 2 i ) = 0 ∑ i = 1 n x 1 i ( y i − β 0 − β 1 x 1 i − β 2 x 2 i ) = 0 ∑ i = 1 n x 2 i ( y i − β 0 − β 1 x 1 i − β 2 x 2 i ) = 0 \begin{align} \sum_{i=1}^{n}(y_i - \beta_0 - \beta_1x_{1i} - \beta_2x_{2i}) &= 0 \\ \sum_{i=1}^{n}x_{1i}(y_i - \beta_0 - \beta_1x_{1i} - \beta_2x_{2i}) &= 0 \\ \sum_{i=1}^{n}x_{2i}(y_i - \beta_0 - \beta_1x_{1i} - \beta_2x_{2i}) &= 0 \end{align} i=1n(yiβ0β1x1iβ2x2i)i=1nx1i(yiβ0β1x1iβ2x2i)i=1nx2i(yiβ0β1x1iβ2x2i)=0=0=0
解这个方程组,就可以得到 β 0 \beta_0 β0 β 1 \beta_1 β1 β 2 \beta_2 β2的最小二乘估计值 β ^ 0 \hat{\beta}_0 β^0 β ^ 1 \hat{\beta}_1 β^1 β ^ 2 \hat{\beta}_2 β^2

  1. 显著性检验

为了判断回归系数是否显著不为0,我们可以进行t检验或F检验。

(1) t检验

对于每个回归系数 β j \beta_j βj( j = 0 , 1 , 2 j=0,1,2 j=0,1,2),可以构造如下t统计量:

t j = β ^ j s e ( β ^ j ) t_j = \frac{\hat{\beta}_j}{se(\hat{\beta}_j)} tj=se(β^j)β^j

其中 s e ( β ^ j ) se(\hat{\beta}_j) se(β^j) β ^ j \hat{\beta}_j β^j的标准误差,可由残差平方和 S S E SSE SSE计算得到。在给定的显著性水平 α \alpha α下,如果 ∣ t j ∣ |t_j| tj大于相应的临界值,则拒绝原假设 β j = 0 \beta_j=0 βj=0,认为该回归系数显著不为0。

(2) F检验

我们也可以进行整体F检验,验证自变量 组对因变量的影响是否显著。构造的F统计量为:

F = S S R / ( p − 1 ) S S E / ( n − p ) F = \frac{SSR/(p-1)}{SSE/(n-p)} F=SSE/(np)SSR/(p1)

其中 S S R SSR SSR是回归平方和, p p p是自变量(包括常数项)的个数。在给定的显著性水平 α \alpha α下,如果 F F F大于临界值,则拒绝原假设,认为至少有一个回归系数不为0,自变量组对因变量有显著影响。

  1. 图像可视化

为了更直观地展示正己烷不溶物含量和混合比例对产物产率的影响,我们可以绘制三维散点图和回归平面。

(1) 三维散点图

将实验数据中的正己烷不溶物含量、混合比例和产物产率值绘制成三维散点图,可以初步观察变量之间的关系。

(2) 回归平面

利用估计的回归系数 β ^ 0 \hat{\beta}_0 β^0 β ^ 1 \hat{\beta}_1 β^1 β ^ 2 \hat{\beta}_2 β^2,我们可以绘制回归平面方程:

y ^ = β ^ 0 + β ^ 1 x 1 + β ^ 2 x 2 \hat{y} = \hat{\beta}_0 + \hat{\beta}_1x_1 + \hat{\beta}_2x_2 y^=β^0+β^1x1+β^2x2

将回归平面与三维散点图叠加,就可以清晰地看到回归模型对实验数据的拟合程度,以及正己烷不溶物含量和混合比例对产物产率的影响趋势。

通过以上分析和建模过程,我们可以全面评估正己烷不溶物对热解产物产率的影响,为进一步优化原料配比和提高产物利用率提供参考。同时,该方法也可推广应用于其他类似的数据分析和建模问题。
2024数维杯数学建模B题完整代码和成品论文已更新,获取↓↓↓↓↓

https://www.yuque.com/u42168770/qv6z0d/bgic2nbxs2h41pvt?singleDoc#

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/9371.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

win11个性化锁屏界面怎么关闭?

win11个性化锁屏界面关闭方法对于win11用户来说,关闭个性化锁屏界面是一个常见问题。本文将由php小编苹果详细介绍如何执行此操作,分步指导并提供操作截图。继续阅读以了解具体步骤。 win11个性化锁屏界面关闭方法 第一步,点击底部Windows图…

2024数维杯数学建模竞赛A题完整思路代码论文分析

2024数维杯数学建模A题完整代码和成品论文获取↓↓↓↓↓ https://www.yuque.com/u42168770/qv6z0d/bgic2nbxs2h41pvt?singleDoc# 2024数维杯数学建模竞赛A题完整思路代码论文分析如下: 问题分析 对A题4个小问题的分析如下: 第一个小问题的分析: 这一问题要求…

知识付费 管理系统,专业技术课程讲解视频怎么制作?制作事项有几条?

现在的网络课程,分为专业和非专业的两种,专业的就是要提供硬性技术的,如果是值了的老师,要制作专业技术课程讲解视频,那需要怎么制作?因为,专业课程的要求更为的严苛,所以,老师们也…

python数据分析常用基础语法

Python语言基础——语法基础 前言一、变量的介绍与使用变量的介绍变量命名规则变量的使用拓展 二、标识符标识符命名命名规则注意事项 三、数据类型数据类型的介绍数据类型的查看示例 四、输入与输出输入和输出的介绍format格式化输出占位符 五、代码缩进与注释代码缩进 前言 …

vue3 JSX的使用与警告【JSX 元素隐式具有类型 “any“,因为不存在接口 “JSX.IntrinsicElements“】解决办法

一、安装 pnpm i vitejs/plugin-vue-jsx -D 二、配置 1、tsconfig.json "compilerOptions":{"jsx":"preserve" } 2、vite.config.ts import VueJsx from "vitejs/plugin-vue-jsx"...plugin:[vue(),VueJsx() ] 三、简单使用案例…

【TypeScript函数简介以及使用方法】

TypeScript 是一种 JavaScript 的超集,添加了静态类型系统和其他 ES6(以及更多)功能。在 TypeScript 中,函数是非常重要的构建块,它们允许你组织代码并执行特定的任务。 TypeScript 函数简介 在 TypeScript 中&#…

【论文速读】| LLM4FUZZ:利用大语言模型指导智能合约的模糊测试

本次分享论文:LLM4FUZZ: Guided Fuzzing of Smart Contracts with Large Language Models 基本信息 原文作者:Chaofan Shou, Jing Liu, Doudou Lu, Koushik Sen 作者单位:加州大学伯克利分校,加州大学欧文分校,Fuzz…

计算机网络-DHCPv6配置

DHCPv6实验配置 一、DHCPv6有状态配置 拓扑图: 请求报文 回复报文中的信息 配置: # 全局启用ipv6 ipv6 # 启用DHCP dhcp enable# 创建dhcpv6的地址池 dhcpv6 pool pool1address prefix 2001::/64excluded-address 2001::10dns-server 2001:4860:4860::8…

【新版系统架构】知识点背诵默写本

前言 系统架构考试在即,想要考试的人肯定感受到了沉甸甸的压力和紧迫感,脑海中不断闪过知识点的画面,却让人有些头昏脑胀,发现很难完全记住,这个考试很难,知识点很多。这次我在准备考试的同时,…

【全开源】Java同城预约月嫂服务上门服务本地服务源码APP+小程序+公众号+H 5

智能匹配与推荐:源码运用先进的算法和定位技术,根据用户的需求和地理位置,智能匹配并推荐附近的合适月嫂。这种匹配不仅基于地理位置,还考虑了月嫂的技能、经验、评价等因素,确保服务的质量和可靠性。 在线预约与支付…

基于Java+SpringBoot+Vue前后端分离教学资源共享平台系统

基于JavaSpringBootVue前后端分离教学资源共享平台系统 🍅 作者主页 网顺技术团队 🍅 欢迎点赞 👍 收藏 ⭐留言 📝 🍅 文末获取源码联系方式 📝 🍅 查看下方微信号获取联系方式 承接各种定制系统…

Meta最新成果:前所未有的加速Emu推理 | Imagine Flash:新型蒸馏框架发布

文章地址:https://arxiv.org/pdf/2405.05224 扩散模型是一个强大的生成框架,但推理过程非常昂贵。现有的加速方法通常会在极低步骤情况下牺牲图像质量,或者在复杂条件下失败。这项工作提出了一个新颖的蒸馏框架,旨在通过仅使用一…

系统思考—愿景领导

“如果你总是低着头,那么你永远无法看见彩虹。”这句话不仅是对个人的提醒,也极其适用于每一位企业创始人。每位创始人背后不仅有一个梦想,还有一段充满爱的故事。 在作为策略顾问的角色中,我深知聆听的重要性——需要全神贯注地…

链表第4/9题--翻转链表--双指针法

LeetCode206:给你单链表的头节点 head ,请你反转链表,并返回反转后的链表。 示例 1: 输入:head [1,2,3,4,5] 输出:[5,4,3,2,1]示例 2: 输入:head [1,2] 输出:[2,1]示例…

防火墙技术基础篇:解析防火墙应用层代理概念及功能

防火墙技术基础篇:解析防火墙应用层代理概念及功能 1 应用层代理的概念 应用层代理(Application Proxy):防火墙应用层代理是网络安全领域中的一种重要技术,工作在OSI模型的第七层,即应用层。它通过代理服…

汽车EDI:安通林Antolin EDI 项目案例

安通林(Antolin)是一家全球性的汽车零部件制造商,专注于汽车内饰系统和零部件的生产,致力于创新和采用先进的技术。近年来 安通林Antolin 推动其供应商部署EDI系统,使得双方能够通过EDI传输业务单据,极大提…

和府捞面三年累亏7亿,李学林万店计划受阻

大面积裁员、使用预制料理包,曾经的网红高端面馆连锁品牌和府捞面深陷风波。 2012年,和府捞面以一碗“书房里的养生面”打开市场,其创始人李学林在面馆赛道另辟蹊径,门店设计引入了“书房”概念,走“高端”路线&#…

代码随想录训练营Day35(贪心之区间合并问题):Leetcode435、763、56

Leetcode435: 题目描述: 给定一个区间的集合 intervals ,其中 intervals[i] [starti, endi] 。返回 需要移除区间的最小数量,使剩余区间互不重叠 。 示例 1: 输入: intervals [[1,2],[2,3],[3,4],[1,3]] 输出: 1 解释: 移除 [1,3] 后&am…

zabbix基础

监控系统基本介绍: 企业级应用中,服务器数量众多,一般情况下需要维护人员进行长时间对服务器体系、计算机或其他网络设备(包括硬件和软件)进行长时间进行性能跟踪,保证正常稳定安全的运行,于是…

安全多方计算简介

安全多方计算 安全多方计算(SecureMulti-partComputation,MPC)是80年代提出的一个概念,它已成为隐私计算的核心技术之一。在密码学和区块链技术应用中占据重要地位。 MPC数学定义: 假设存在n个参与方 P 1 , P 2 , … , P n P_1,…