L'utilisation de formules traditionnelles pour calculer les émissions de dioxyde de soufre (SO_2) à la sortie de la tour de désulfuration est difficile à généraliser, et les mesures sur le terrain prennent beaucoup de temps et coûtent cher, c'est pourquoi cet article propose une méthode de prédiction des émissions de SO_2 à la sortie de la tour de désulfuration basée sur le réseau de neurones artificiels RBF, et est comparée à la correction traditionnelle F-RBP et à la méthode BP à gradient variable et à la méthode BP LM optimisée (réseau LM-BP), en utilisant des données de surveillance en ligne de la tour de désulfuration à double alcali. Les résultats ont montré que le réseau de neurones artificiels RBF a une déviation maximale et moyenne égale à 0, surpassant le réseau F-RBP et LM-BP. Sur cette base, les résultats ont montré que la concentration en masse de SO_2 augmente avec l'augmentation de la température des gaz d'échappement et commence à fluctuer après une température des gaz d'échappement supérieure à 110 degrés; à une température des gaz d'échappement de 101 degrés Celsius, un rapport liquide/gaz égal à 1,130 0 L/m3, le pH optimal pour la tour de désulfuration est de 8,60; à une température de 101 degrés Celsius et un pH de 8,40, la concentration en masse de SO_2 à la sortie de la tour de désulfuration diminue avec l'augmentation du rapport liquide/gaz. Ainsi, la méthode de prédiction des émissions de SO_2 à la sortie de la tour de désulfuration basée sur le réseau de neurones artificiels RBF est non seulement capable de prédire efficacement les émissions de SO_2 pour la tour de désulfuration à double alcali, mais également capable d'optimiser la gestion des émissions de SO_2.

tour de désulfuration; désulfuration à double alcali; réseau de neurones artificiels RBF; réseau de neurones BP à gradient variable; réseau de neurones LM-BP; émissions de SO2; méthode de prédiction; optimisation de la gestion