La utilización de fórmulas tradicionales para calcular las emisiones de dióxido de azufre (SO_2) en la salida de la torre de desulfuración es difícil de generalizar, y las mediciones en el terreno llevan mucho tiempo y cuestan mucho dinero, por lo que este documento propone un método de predicción de las emisiones de SO_2 en la salida de la torre de desulfuración basado en la red neuronal artificial RBF, y se compara con la corrección tradicional F-RBP y con el método de BP de gradiente variable y con el método BP LM optimizado (red LM-BP), utilizando los datos de monitoreo en línea de la torre de desulfuración de doble proceso de álcali. Los resultados mostraron que la red neuronal artificial RBF tiene una desviación máxima y un promedio igual a 0, superando a la red F-RBP y LM-BP. Sobre la base de esto, los resultados mostraron que la concentración de masa de SO_2 aumenta con el aumento de la temperatura de los gases de escape y comienza a fluctuar después de una temperatura de gases de escape por encima de 110 grados; a una temperatura de gases de escape de 101 grados Celsius, una relación líquido/gas igual a 1,130 0 L/m3, el pH óptimo para la torre de desulfuración es de 8,60; a una temperatura de 101 grados Celsius y un pH de 8,40, la concentración de masa de SO_2 en la salida de la torre de desulfuración disminuye con el aumento de la relación líquido/gas. Por lo tanto, el método de predicción de las emisiones de SO_2 en la salida de la torre de desulfuración basado en la red neuronal artificial RBF no solo es capaz de predecir eficazmente las emisiones de SO_2 para la torre de desulfuración de doble proceso de álcali, sino que también es capaz de optimizar la gestión de las emisiones de SO_2.

torre de desulfuración; desulfuración de doble proceso de álcali; red neuronal artificial RBF; red neuronal BP de gradiente variable; red neuronal LM-BP; emisiones de SO2; método de predicción; optimización de la gestión