论文部分内容阅读
煤气化技术是煤炭高效清洁利用课题中非常重要的一环,也是我国应对“富煤、少油、贫气”的畸形能源结构以及减少煤炭燃烧带来的环境污染的重要手段。冷壁式气化炉中监测渣层厚度参数非常困难,而渣层太厚容易造成堵渣,渣层太薄会腐蚀气化炉壁面,监测渣层厚度参数至关重要。现有的工程监测数据有限,数值模拟的计算较为繁琐,本文提出通过数据驱动的方法,结合数值模拟的数据,建立简单快捷的渣层预测模型。数据驱动方法即通过对历史数据的学习,完成对新工况的预测,其优势是抛开繁琐的方程推导过程,简单高效。神经网络由于自身在高维、非线性问题中的求解优势,成为最受欢迎的数据驱动建模工具。本文的主要研究内容与结论如下:1.提出了使用神经网络求解温度场的建模方法,主要思路是学习温度场节点之间的对应关系,训练好的神经网络可用于温度场的迭代求解。通过有限差分法建立了导热模型下不同边界条件的温度场,按照节点之间的相互关系处理温度场数据。选定需要求解的温度值作为神经网络输出值,与该节点相关的节点以及热物性参数作为输入值,通过神经网络进行学习。改变边界条件,使用神经网络进行迭代计算,计算结果表明,该种方法在一维平壁导热问题、二维平壁导热问题和圆柱体导热问题均有很好的求解精度。使用相对误差的均方值来描述计算结果,误差值均小于1,说明神经网络在不同的边界条件、不同的坐标系中都具有很强的计算能力。2.提出了使用神经网络建立“温度-物理参量”预测模型的建模方法,针对空心圆柱进行分析。温度参量的预测可以使用求解温度场模型,对预测值进行修正得到最终的计算结果。在一维稳态问题中,已知一侧温度边界和内部某节点的温度值,可以预测边界温度值,计算误差在10-4数量级。在一维瞬态问题中,一侧为热流边界一侧为绝热边界,可以预测绝热边界上的温度值,均方误差最大不超过2.5,说明计算结果精度较高。在其他热物性参数的预测过程中,使用神经网络学习温度与导热系数以及边界热流的对应关系,在特定工况下完成温度对热物性参数的预测。3.在渣层预测模型中,首先建立了渣层温度值的求解模型,根据文献给定渣层的相关参数,可以求解渣层及壁面上的导热场情况,计算模型仍然选用前文中的神经网络模型。当炉膛近壁面温度值确定时,渣层的厚度不同,则水冷壁侧的温度值也不同。使用神经网络学习该对应关系,则当炉膛近壁面气体处于该温度值时,通过水侧的温度值,可以直接估算渣层的厚度,由此可以得到单温度预测渣层厚度模型。在此种工况中,若已知临界温度,还可以通过外壁面温度预测固态渣层的厚度。为了将该模型更好的应用于工程实际,使用炉膛近壁面温度和水侧温度共同确定温度场,不同的温度组合将对应不同的渣层厚度。通过神经网络学习该对应关系,可以得到炉膛近壁面温度值与外壁面温度共同计算渣厚的双温度模型。若引入临界温度值,则可以通过三温度模型预测固态、液态渣层的厚度。本文选用的神经网络模型是较为通用、稳定的BP神经网络。神经网络模型通过Matlab软件建立。