[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114117954A - 一种反应器内部三维反应场动态实时可视化方法 - Google Patents

一种反应器内部三维反应场动态实时可视化方法 Download PDF

Info

Publication number
CN114117954A
CN114117954A CN202111316547.9A CN202111316547A CN114117954A CN 114117954 A CN114117954 A CN 114117954A CN 202111316547 A CN202111316547 A CN 202111316547A CN 114117954 A CN114117954 A CN 114117954A
Authority
CN
China
Prior art keywords
reactor
data
dimensional
reaction
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111316547.9A
Other languages
English (en)
Other versions
CN114117954B (zh
Inventor
杨宏燕
韩华云
韩红桂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongxiang Huachuang Santong Technology Development Co ltd
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202111316547.9A priority Critical patent/CN114117954B/zh
Publication of CN114117954A publication Critical patent/CN114117954A/zh
Application granted granted Critical
Publication of CN114117954B publication Critical patent/CN114117954B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Physical Or Chemical Processes And Apparatus (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种反应器内部三维反应场动态实时可视化方法。基于运行数据库存取模块，构建反应器的历史运行数据及实时运行数据库；基于典型工况分析模块，确定反应器典型基准工况；基于数值仿真模块，进行基准运行工况下的反应器内部反应场离线三维CFD数值仿真计算；基于数据聚类及标准化模块，对建立的反应器CFD三维仿真数据库，采用数据挖掘与主成分分析法进行数据集划分，参数处理，整合冗余，降低维数，经处理后得到8‑10个主成分；基于深度学习预测模块，采用回归预测算法及神经网络模型计算得到反应器全运行工况下的三维反应场数据。本发明解决石油化工领域的反应器内部“黑箱子”问题，对反应器运行过程的精准优化运行及智能调控。

Description

一种反应器内部三维反应场动态实时可视化方法
技术领域
本发明涉及一种反应器内部三维反应场动态实时可视化方法，适用于石油化工反应器三维可视化与过程控制交叉领域。
背景技术
石油化工等领域的反应器是一种复杂的非线性化学反应系统，常服务于合成材料、医药试剂、染料等诸多需求。由于反应器内部反应状况直接决定着反应产物的质量及性能，但由于反应过程复杂，多数在高温高压环境下进行，难以获得包括流场、气相反应物浓度、颗粒浓度分布等在内的三维反应场信息，更无法实现针对反应过程的智能控制及优化调节。
为了获得反应器内部的多场耦合数据，保证反应器内部的流动及反应过程在可控范围内，需要对反应器内的反应场信息进行准确了解，但由于反应器内部常存在密闭、高温高压、能见度低等复杂的运行条件，传统测量方法，如内窥镜、组分浓度测量传感器等，可测量的参数及区域范围很有限，在测量精度和效率上均有待提高，且受人为因素影响较大，难以获得精确的三维反应场信息。近年来，以各种机器学习为代表的数据驱动方法被应用于工业过程的数据预测，但常规基于神经网络的深度学习预测方法，往往高度依赖于历史运行数据集的输入，忽略了反应机理模型，在可预测数据类型、准确性方面存在先天不足。而随着三维数值仿真技术(CFD)的不断成熟，能够耦合实际反应机理，准确计算获得反应器内的流动、传热及化学反应过程，但仅仅使用CFD方法，操作步骤多，模拟速度慢，无法做到对反应器内部进行连续性、实时及高效预测。
为了解决以上问题，本发明针对石油化工领域普遍存在的反应器内部“黑箱子”问题，为满足实时获得反应器内部复杂流动及反应过程信息的需求，提出了一种反应器内部三维反应场动态实时可视化方法。
发明内容
本发明针对石油化工领域普遍存在的反应器内部“黑箱子”问题，为满足实时获得反应器内部复杂流动及反应过程信息的需求，提出了一种反应器内部三维反应场动态实时可视化方法。
一种反应器内部三维反应场动态实时可视化方法，包括如下模块：
运行数据库存取模块、典型工况分析模块、数值仿真模块、数据聚类及标准化模块、深度学习预测模块、三维可视化模块共计六个模块；
其中，运行数据库存取模块、典型工况分析模块、数值仿真模块，均为离线模块；数据聚类及标准化模块、深度学习预测模块、三维可视化模块，均为在线模块；
具体步骤如下：
步骤一：基于运行数据库存取模块，构建反应器的历史运行数据及实时运行数据库
a)从反应器的历史运行数据库中，按照一定时间间隔△t，提取反应器的历史运行数据，历史运行数据包括反应器入口参数、反应器内部监测参数、反应器出口参数；
-反应器入口参数，包括反应器入口进料的成分、入口进料的流量QI、入口进料的速度vI、入口进料的温度TI，其中，I表示不同的入口反应物种类；
-反应器内部监测参数，包括反应区域的温度值Tx,y,z、压力值Px,y,z、气体组分浓度Cx,y,z，其中，x,y,z表示笛卡尔坐标系下反应器内部的三维空间坐标位置；
-反应器出口参数，包括反应器出口处的气体流量QO、平均温度TO、平均压力PO；
b)在反应器运行过程中，按照一定时间间隔△t，提取反应器的实时运行数据，并进行工况分析；
-反应器入口参数，包括反应器入口进料的成分、入口进料的流量QI、入口进料的速度vI、入口进料的温度TI，其中，I表示不同的入口反应物类型；
-反应器内部监测参数，包括反应区域的温度值Tx、压力值Px、气体组分浓度Cx，其中，x,y,z表示笛卡尔坐标系下反应器内部的三维空间坐标位置；
-反应器出口参数，包括反应器出口处的气体流量QO、平均温度TO、平均压力PO；
c)将反应器的历史运行数据和实时运行数据存储于数据库中，构建反应器的运行数据库，并剔除数据异常点及进行数据标准化处理。具体为：
利用K-means算法进行处理，降低数据维度；判断数据中是否包含空值、0值或异常值，如果包括，则用拉格朗日插值法填充数据；而后，对数据进行标准化处理。其中，所述标准化处理公式表示为：
Figure BDA0003343843930000031
式中，
Figure BDA0003343843930000032
表示第k个样本在n维数据标准化下的生产参数，
Figure BDA0003343843930000033
表示第k个样本按时间序列排列的n维元数据，K为数据集数量，
Figure BDA0003343843930000034
表示第k个样本的n维数据，k＝1,2,…，N，N为数据集数量；
步骤二：基于典型工况分析模块，确定反应器典型基准工况
a)由于反应器实际运行中存在海量数据，使运行工况数量庞大，因此需要优选出具有代表性的反应器内基准运行工况数据。具体为，在步骤一中构建的反应器运行数据库，采用K-means均值聚类算法，计算获得反应器运行过程中基准运行工况的数据；
步骤三：基于数值仿真模块，进行基准运行工况下的反应器内部反应场离线三维CFD计算流体动力学数值仿真计算
a)根据反应器入口物料成分及化学反应条件，采用Chemkin软件计算求解各物料间的化学反应过程，获得各基元反应组成及对应的化学方程式，以及各步基元反应的反应动力学参数；
b)根据反应器的运行工艺、结构及尺寸参数，建立反应器的三维计算域物理模型；
c)采用gambit计算域网格划分软件，对反应器的三维计算域模型进行网格划分，对反应器的入口、出口及结构复杂区域，进行网格的局部加密以获得高精度的仿真结果；以及，设置反应器入口、出口及壁面的边界条件类型，设置反应器入口的边界条件为质量入口、反应器出口的边界条件为压力出口、反应器壁面的边界条件为恒温壁面；
d)根据在步骤二中获得的反应器基准工况运行数据，设置反应器三维计算域模型的入口进料成分、入口进料的流量QI、入口进料的速度vI、进料的温度TI，其中，I表示不同的入口反应物类型；
e)利用高性能计算机和CFD数值仿真平台，采用步骤三a)中获得的化学基元反应，选择湍流流动模型、多相流模型、辐射及反应机理模型，利用在步骤三c)获得的反应器计算域网格模型进行反应器内部的三维化学反应过程求解仿真，模拟得到反应器内部三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z的分布数据；其中，湍流流动模型、多相流模型、辐射模型及反应机理模型分别表示为：
在湍流流动模型中，使用可实现k–ε双方程模型模拟反应器内的湍流流动过程；
在多相流模型中，采用基于欧拉-欧拉方法的Mixture模型，其中，连续性方程和动量方程分别表示如下：
Figure BDA0003343843930000041
Figure BDA0003343843930000042
式中，ρm为密度，▽为哈密顿算子，vm为质量平均速度，
Figure BDA0003343843930000043
为质量平均速度的矢量形式，μm为混合黏性系数，T为相的温度，
Figure BDA0003343843930000044
表示温度为T情况下的质量平均速度矢量形式，F为体积力，
Figure BDA0003343843930000045
为体积力的矢量形式，B为总相数，k为第k相，gm为重力加速度，
Figure BDA0003343843930000046
为重力加速度的矢量形式，αk为第k相的体积分数，ρk为第k相的密度，vdr,k为第k相的滑移速度，
Figure BDA0003343843930000047
为第k相的滑移速度矢量形式；
在辐射模型中，使用P-1辐射模型来模拟辐射热传递，该模型中也包括了离子间的相互辐射，描述辐射通量
Figure BDA0003343843930000048
的方程可表示如下：
Figure BDA0003343843930000049
式中，β为吸收系数，Cs为散射系数，h为线性各向异性相函数系数，▽为哈密顿算子，G为入射辐射；
在反应机理模型中，化学反应速率常数遵循阿伦尼乌斯公式，表示如下：
Figure BDA0003343843930000051
式中，ka为反应速率常数，Z为摩尔气体常量，Ta为热力学温度，Za为表观活化能，A为指前因子，e为自然常数；
f)基于步骤三e)中获得的CFD三维数值仿真结果，采用步骤一中构建的反应器运行数据库进行数据验证和CFD计算模型优化，直至使CFD三维数值仿真结果的计算误差小于5％；
g)反复进行步骤三a)至步骤三f)，计算获得反应器基准运行工况中，各个工况的全部CFD三维数值仿真结果，建立反应器基准运行工况反应过程的仿真数据库；
步骤四：基于数据聚类及标准化模块，对步骤三中建立的反应器CFD三维仿真数据库，采用数据挖掘与主成分分析法进行数据集划分，参数处理，整合冗余，降低维数，经处理后得到8-10个主成分
a)针对反应器的CFD三维仿真数据库，为了减少后续的数据建模数量，每个反应器基准运行工况中随机提取的数据量为2-3万组，数据提取过程中，确保每个工况的数据提取坐标相同；
b)提取的CFD仿真数据信息包括：反应器内部的各计算节点坐标位置(x，y，z)、对应各节点的流体速度(vx，vy，vz，)、旋度φx,y,z、反应产物组分浓度Cx,y,z温度Tx,y,z及压力Tx,y,z；
c)由于每个工况的数据提取量巨大，直接分组使用会导致预测精度低及时间长的问题，因此，为了提高对反应器全运行工况的计算精度和速度，采用数据挖掘和主成分分析法，对数据进行相关性分析；具体结合K-means均值聚类算法和降维算法，进行数据集划分及参数处理，以整合冗余数据，进行数据降维，得到高效的数据集，获得影响反应器内部化学反应过程的主要参数。经数据处理后得到8到10个主成分；
步骤五：基于深度学习预测模块，采用回归预测算法及神经网络模型计算得到反应器全运行工况下的三维反应场数据
a)结合回归预测算法及神经网络模型，建立反应器内部反应过程的主要参数快速预测模型，参数包括：三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z的分布数据。其中，神经网络模型采用BP神经网络模型，回归预测算法采用lasso回归预测算法，在lasso回归预测算法中，假定lasso模型的损失函数为：
Figure BDA0003343843930000061
式中，J(β)为损失函数，βj为回归参数，s为总数据数量，L为特征变量，p为计算数据量，G为实际输出，λ为正则项系数；βj的选取，使用次梯度的方法，对第一部分求偏导，得到：
Figure BDA0003343843930000062
每次选取需进行优化并不断迭代得到最优回归系数；
在BP神经网络模型中，输出层为反应器内部的反应场参数(包括三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z)，记录每层隐含层节点个数、限定输入层节点数和迭代次数、定义输入层到隐含层权重和隐含层到输出层权重、隐含层的阀值和输出层的阀值，设置学习速率和最小误差，其中，学习率设置范围为0.1到0.6之间，最小误差为1％；
b)基于在步骤四中获得的反应器基准运行工况的数据库，将该数据库中反应器的入口参数作为输入数据集，入口参数包括：入口进料成分、入口进料的流量QI、入口进料的速度vI、入口进料的温度TI；将经过数据处理得到的8到10个主成分作为输出数据集，进行神经网络模型的训练，主成分包括三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z；
c)循环以上过程直至误差满足精度要求或学习次数大于设定的最大次数，训练过程结束；其中，精度要求为预测值误差在5％以内，拟设定的最大学习次数为1000次；
d)采用训练后的神经网络模型，开展反应器全工况下的三维反应场预测，具体将待预测的非典型工况的反应器入口参数与基准运行工况的差值，作为神经网络预测模型的输入变量。将非基准运行工况与基准运行工况的主成分差值作为预测模型的输出变量，开展反应场中主成分的预测；
步骤六：基于三维可视化模块，实现反应器全运行工况下的三维可视化
a)基于步骤五中模型预测得到的非基准运行工况下反应器三维反应场数据，获得反应器三维反应场数据库；
b)将非基准运行工况下的三维反应场数据库与基准运行工况下的三维反应场数据库进行整合，形成全运行工况下的三维反应场数据库；
c)基于全运行工况下的三维反应场数据库，使用OpenGL软件绘制三维反应场图像，构建三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z的立体分布云图及数值标尺，实时显示在电脑端软件界面上，进行三维可视化展示，供反应器的运行人员进行直观观察和查看；
根据反应器的三维可视化结果，反应器的运行人员可以实时并直观的了解反应器内部包括涡流分布、高温区位置、反应不充分区域的分布情况，便于运行人员对反应器的运行状况进行针对性调整，在实现反应器安全可靠运行的同时，获得所需的高浓度及高质量的反应产物。
通过本发明所提出的一种反应器内部三维反应场动态实时可视化方法，系统建立反应器内部的三维反应场，实现对反应器内部反应的三维实时监测，并将三维反应场实时显示在可视化界面上，破除反应器内部的“黑匣子”状态，为反应器的技术和运行人员提供反应器内状态可知、可见的技术方法，提高对反应过程的智能控制及优化运行能力。
本发明的有益效果为：
(1)基于化学反应动力学模拟，并结合计算流体动力学三维数值仿真方法，对反应器内部的三维流动、传热及化学反应过程进行数值仿真，从而获得典型基准运行工况下的反应器内部空间任意位置的三维反应场参数分布，提供基于反应机理模型的典型运行工况下三维反应场数据库；
(2)结合基于反应机理模型的数值仿真数据库、反应器的历史运行数据库和反应器的实时运行数据，实现利用神经网络算法对反应器全运行工况下的反应场进行预测，从而节省传统CFD三维数值计算产生的大量工况、操作步骤及计算时间，能够实时获得反应器全运行工况下的高精度三维反应场数据；
(3)基于获得的反应器全运行工况下的反应场数据，通过可视化软件，能够将反应器全运行工况下的反应场实时显示于电脑端显示器上，实现三维可视化，便于反应器的技术和运行人员，对反应器运行过程中已发生的问题进行原因分析，并提供解决方案，同时，对反应器运行过程中即将发生的问题进行预测，并预先提出相应的优化控制方案。
附图说明
图1为本发明的一种反应器内部三维反应场动态实时可视化方法的逻辑框架图。
图2为本发明的一种反应器内部三维反应场动态实时可视化方法的神经网络示意图。
图3为本发明的一种反应器内部三维反应场动态实时可视化方法的神经网络逻辑控制图。
图4为将本发明所述方法应用于煤气化炉预测得到改变配风入射角度工况下的炉内三维轴向速度vz分布云图。
图5为将本发明所述方法应用于煤气化炉预测得到改变配风入射角度工况下的炉内三维温度Tx,y,z分布云图。
具体实施方式
为了明确本发明的目的、技术方案及优点，通过以下实施例，对发明的一种反应器内部三维反应场动态实时可视化方法进行进一步详细说明。需要指出的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
为了说明本发明的实施方式，下文将以煤气化炉为例对本发明的具体实施方式进行叙述。
如图1所示，一种反应器内部三维反应场动态实时可视化方法，包括如下模块：
运行数据库存取模块、典型工况分析模块、数值仿真模块、数据聚类及标准化模块、深度学习预测模块、三维可视化模块共计六个模块；
其中，运行数据库存取模块、典型工况分析模块、数值仿真模块，均为离线模块；数据聚类及标准化模块、深度学习预测模块、三维可视化模块，均为在线模块；
具体步骤如下：
如图1所示，步骤一：基于运行数据库存取模块，构建煤气化炉反应器的历史运行数据及实时运行数据库
a)从煤气化炉反应器的历史运行数据库中，按照一定时间间隔△t＝10s，提取反应器的历史运行数据，历史运行数据包括煤气化炉反应器入口参数、煤气化炉反应器内部监测参数、煤气化炉反应器出口参数；
-煤气化炉反应器入口参数，包括反应器入口进料的成分(包括空气、CH4、煤粉)、入口进料的流量QI(包括空气流量、蒸汽流量、给煤粉流量)、入口进料的速度vI(包括空气入射速度、蒸汽入射速度、煤粉入射速度)、入口进料的温度TI(包括空气温度、蒸汽温度、煤粉温度)，其中，I表示不同的入口反应物种类；
-煤气化炉反应器内部监测参数，包括反应剧烈区域的温度值Tx,y,z、压力值Px,y,z、气体组分浓度Cx,y,z(包括CO、H2、CO2、N2、H2O、H2S和CH4浓度)，其中，x,y,z表示笛卡尔坐标系下反应器内部的三维空间坐标位置；
-煤气化炉反应器出口参数，包括反应器出口处的气体流量QO(主要为CO流量和H2流量)、平均温度TO、平均压力PO；
b)在煤气化炉笛反应器运行过程中，按照一定时间间隔△t＝10s，提取反应器的实时运行数据，并进行工况分析；
-煤气化炉反应器入口参数，包括反应器入口进料的成分(包括空气、CH4、煤粉)、入口进料的流量QI(包括空气流量、蒸汽流量、给煤粉流量)、入口进料的速度vI(包括空气入射速度、蒸汽入射速度、煤粉入射速度)、入口进料的温度TI(包括空气温度、蒸汽温度、煤粉温度)，其中，I表示不同的入口反应物种类；
-煤气化炉反应器内部监测参数，包括反应剧烈区域的温度值Tx,y,z、压力值Px,y,z、气体组分浓度Cx,y,z(包括CO、H2、CO2、N2、H2O、H2S和CH4浓度)，其中，x,y,z表示笛卡尔坐标系下反应器内部的三维空间坐标位置；
-煤气化炉反应器出口参数，包括反应器出口处的气体流量QO(主要为CO流量和H2流量)、平均温度TO、平均压力PO；
c)将煤气化炉反应器的历史运行数据和实时运行数据存储于数据库中，构建反应器的运行数据库，并剔除数据异常点及进行数据标准化处理。具体为：
利用K-means算法进行处理，降低数据维度；判断数据中是否存在空值、零值或异常值，如果存在，则用拉格朗日插值法补充数据；而后，对数据进行标准化处理；其中，所述标准化处理公式表示为：
Figure BDA0003343843930000101
式中，
Figure BDA0003343843930000102
表示第k个样本在n维数据标准化下的生产参数，
Figure BDA0003343843930000103
表示第k个样本按时间序列排列的n维元数据，K为数据集数量，
Figure BDA0003343843930000104
表示第k个样本的n维数据，k＝1,2,…，N，N为数据集数量；
如图1所示，步骤二：基于典型工况分析模块，确定煤气化炉反应器典型基准工况
a)由于煤气化炉反应器实际运行中存在海量数据，使运行工况数量庞大，因此需要优选出具有代表性的反应器内基准运行工况数据。具体为，基于在步骤一中构建的煤气化炉反应器运行数据库，采用K-means均值聚类算法，计算获得反应器运行过程中具有代表性的基准运行工况数据；
如图1所示，步骤三：基于数值仿真模块，进行基准运行工况下的煤气化炉反应器内部反应场离线三维CFD计算流体动力学数值仿真计算
a)根据煤气化炉反应器入口物料成分(包括空气流量、CH4流量、煤粉流量)及化学反应条件，采用Chemkin软件计算求解各物料间的化学反应过程，获得各基元反应组成及对应的化学方程式，以及各步基元反应的反应动力学参数。在该反应中，煤粉受热析出挥发分后，煤焦与气体发生异相反应，考虑具体的异相反应包括：
C(s)+0.5O2(g)＝CO(g) (2)
C(s)+H2O(g)＝CO(g)+H2(g) (3)
C(s)+CO2(g)＝2CO(g) (4)
C(s)+2H2(g)＝CH4(g) (5)
所对应的反应速率常数ka、表观活化能Za及反应级数q的值如下：
Figure BDA0003343843930000111
b)根据煤气化炉反应器的运行工艺、结构及尺寸参数，建立反应器的三维计算域物理模型；
c)采用gambit计算域网格划分软件，对煤气化炉反应器的三维计算域模型进行网格划分，对煤气化炉反应器的入口、出口及结构复杂区域，进行网格的局部加密以获得高精度的仿真结果；以及，设置反应器入口、出口及壁面的边界条件类型，设置反应器入口的边界条件为质量入口、反应器出口的边界条件为压力出口、反应器壁面的边界条件为恒温壁面；
d)根据在步骤二中获得的煤气化炉反应器基准工况运行数据，设置反应器三维计算域模型的入口进料成分、入口进料的流量QI、入口进料的速度vI、进料的温度TI，其中，I表示不同的入口反应物类型；
e)利用高性能计算机和CFD数值仿真平台，采用步骤三a)中获得的化学基元反应，选择湍流流动模型、多相流模型、辐射及反应机理模型，利用在步骤三c)获得的煤气化炉反应器计算域网格模型进行反应器内部的三维化学反应过程求解仿真，模拟得到反应器内部三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z的分布数据。其中，湍流流动模型、多相流模型、辐射模型及反应机理模型分别表示为：
在湍流流动模型中，使用可以较好模拟非旋流流动的可实现k–ε双方程模型模拟反应器内的湍流流动过程；
在多相流模型中，采用基于欧拉-欧拉方法的Mixture模型，其中，连续性方程和动量方程分别表示如下：
Figure BDA0003343843930000121
Figure BDA0003343843930000122
式中，ρm为密度，▽为哈密顿算子，vm为质量平均速度，
Figure BDA0003343843930000123
为质量平均速度的矢量形式，μm为混合黏性系数，T为相的温度，
Figure BDA0003343843930000124
表示温度为T情况下的质量平均速度矢量形式，F为体积力，
Figure BDA0003343843930000125
为体积力的矢量形式，B为总相数，k为第k相，gm为重力加速度，
Figure BDA0003343843930000126
为重力加速度的矢量形式，αk为第k相的体积分数，ρk为第k相的密度，vdr,k为第k相的滑移速度，
Figure BDA0003343843930000127
为第k相的滑移速度矢量形式；
在辐射模型中，使用P-1辐射模型来模拟辐射热传递，该模型中也包括了离子间的相互辐射，描述辐射通量
Figure BDA0003343843930000128
的方程可表示如下：
Figure BDA0003343843930000129
式中，β为吸收系数，Cs为散射系数，h为线性各向异性相函数系数，▽为哈密顿算子，G为入射辐射；
在反应机理模型中，化学反应速率常数遵循阿伦尼乌斯公式，表示如下：
Figure BDA00033438439300001210
式中，ka为反应速率常数，Z为摩尔气体常量，Ta为热力学温度，Za为表观活化能，A为指前因子，e为自然常数；
f)基于步骤三e)中获得的CFD三维数值仿真结果，采用步骤一中构建的煤气化炉反应器运行数据库进行数据验证和CFD计算模型优化，直至使CFD三维数值仿真结果的计算误差小于5％；
g)反复进行步骤三a)至步骤三f)，计算获得煤气化炉反应器基准运行工况中，各个工况的全部CFD三维数值仿真结果，建立煤气化炉反应器基准运行工况反应过程的仿真数据库；
如图1所示，步骤四：基于数据聚类及标准化模块，对步骤三中建立的煤气化炉反应器CFD三维仿真数据库，采用数据挖掘与主成分分析法进行数据集划分，参数处理，整合冗余，降低维数，经处理后得到8个主成分
a)针对煤气化炉反应器的CFD三维仿真数据库，为了减少后续的数据建模数量，每个煤气化炉反应器基准运行工况中随机提取的数据量为2万组，数据提取过程中，确保每个工况的数据提取坐标相同；
b)提取的CFD仿真数据信息包括：煤气化炉反应器内部的各计算节点坐标位置(x，y，z)、对应各节点的流体速度(vx，vy，vz，)、旋度φx,y,z、温度Tx,y,z、压力Px,y,z、CO浓度、CO2浓度、H2浓度、N2浓度、H2S浓度、H2O浓度、CH4浓度；
c)由于每个工况的数据提取量巨大，直接分组使用会导致预测精度低及时间长的问题，因此，为了提高对煤气化炉反应器全运行工况的计算精度和速度，采用数据挖掘和主成分分析法，对数据进行相关性分析；具体结合K-means均值聚类算法和降维算法，进行数据集划分及参数处理，以整合冗余数据，进行数据降维，得到高效的数据集，获得影响煤气化炉反应器内部化学反应过程的主要参数。经数据处理后得到8个主成分，包括流动速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、CO浓度、H2浓度、N2浓度、H2O浓度、CH4浓度；
如图1、图2及图3所示，步骤五：基于深度学习预测模块，采用回归预测算法及神经网络模型计算得到反应器全运行工况下的三维反应场数据
a)结合回归预测算法及神经网络模型，建立煤气化炉反应器内部反应过程的主要参数快速预测模型，参数包括：三维空间任意位置坐标(x，y，z)对应的流动速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、CO浓度、H2浓度、N2浓度、H2O浓度、CH4浓度的分布数据。其中，神经网络模型采用BP神经网络模型，回归预测算法采用lasso回归预测算法，在lasso回归预测算法中，假定lasso模型的损失函数为：
Figure BDA0003343843930000141
式中，J(β)为损失函数，βj为回归参数，s为总数据数量，L为特征变量，p为计算数据量，G为实际输出，λ为正则项系数；βj的选取，使用次梯度的方法，对第一部分RSS求偏导，得到：
Figure BDA0003343843930000142
每次选取需进行优化并不断迭代得到最优回归系数；
在BP神经网络模型中，输出层为反应器内部的反应场参数(包括三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z)，记录每层隐含层节点个数、限定输入层节点数和迭代次数、定义输入层到隐含层权重和隐含层到输出层权重、隐含层的阀值和输出层的阀值，设置学习速率和最小误差；其中，学习率设置范围为0.1到0.6之间，最小误差为1％；
b)基于在步骤四中获得的煤气化炉反应器基准运行工况的数据库，将该数据库中反应器的入口参数作为输入数据集，入口参数包括：反应器入口进料的成分(包括空气、CH4、煤粉)、入口进料的流量QI(包括空气流量、蒸汽流量、给煤粉流量)、入口进料的速度vI(包括空气入射速度、蒸汽入射速度、煤粉入射速度)、入口进料的温度TI(包括空气温度、蒸汽温度、煤粉温度)，将经过数据处理得到的8个主成分作为输出数据集，进行神经网络模型的训练，主成分包括：流动速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、CO浓度、H2浓度、N2浓度、H2O浓度、CH4浓度；
c)循环以上过程直至误差满足精度要求或学习次数大于设定的最大次数，训练过程结束；其中，精度要求为预测值误差在5％以内，拟设定的最大学习次数为1000次；
d)采用训练后的神经网络模型，开展煤气化炉反应器全工况下的三维反应场预测，具体将待预测的非典型工况的反应器入口参数与基准运行工况的差值，作为神经网络预测模型的输入变量；将非基准运行工况与基准运行工况的主成分差值作为预测模型的输出变量，开展反应场中主成分的预测；
如图1、图4和图5所示，步骤六：基于三维可视化模块，实现煤气化炉反应器全运行工况下的三维可视化
a)基于步骤五中模型预测得到的非基准运行工况下煤气化炉反应器三维反应场数据，获得反应器三维反应场数据库；
b)将非基准运行工况下的三维反应场数据库与基准运行工况下的三维反应场数据库进行整合，形成全运行工况下的煤气化炉三维反应场数据库；
c)基于全运行工况下的煤气化炉三维反应场数据库，使用OpenGL软件绘制三维反应场图像，构建三维空间任意位置坐标(x，y，z)对应的流动速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、CO浓度、H2浓度、N2浓度、H2O浓度、CH4浓度的立体分布云图及数值标尺，实时显示在电脑端软件界面上，进行三维可视化展示，供反应器的运行人员进行直观观察和查看；
根据煤气化炉反应器的三维可视化结果，反应器的运行人员可以实时并直观的了解反应器内部包括涡流分布、高温区位置、反应不充分区域的分布情况，便于运行人员对反应器的运行状况进行针对性调整，在实现反应器安全可靠运行的同时，获得所需的高浓度及高质量的反应产物。
图4为将本发明所述方法应用于煤气化炉预测得到改变配风入射角度工况下的炉内三维轴向速度vz分布云图。图5为将本发明所述方法应用于煤气化炉预测得到改变配风入射角度工况下的炉内三维温度Tx,y,z分布云图。其中，工况0°和50°为典型基准工况，图中的云图为通过步骤三得到的CFD仿真结果，工况10°、20°、30°、40°为非基准工况，图中的云图为通过步骤五得到的预测结果。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (1)

1.一种反应器内部三维反应场动态实时可视化方法，其特征在于包括如下模块：
运行数据库存取模块、典型工况分析模块、数值仿真模块、数据聚类及标准化模块、深度学习预测模块、三维可视化模块共计六个模块；
其中，运行数据库存取模块、典型工况分析模块、数值仿真模块，均为离线模块；数据聚类及标准化模块、深度学习预测模块、三维可视化模块，均为在线模块；
具体步骤如下：
步骤一：基于运行数据库存取模块，构建反应器的历史运行数据及实时运行数据库
a)从反应器的历史运行数据库中，按照一定时间间隔△t，提取反应器的历史运行数据，历史运行数据包括反应器入口参数、反应器内部监测参数、反应器出口参数；
-反应器入口参数，包括反应器入口进料的成分、入口进料的流量QI、入口进料的速度vI、入口进料的温度TI，其中，I表示不同的入口反应物种类；
-反应器内部监测参数，包括反应区域的温度值Tx,y,z、压力值Px,y,z、气体组分浓度Cx,y,z，其中，x,y,z表示笛卡尔坐标系下反应器内部的三维空间坐标位置；
-反应器出口参数，包括反应器出口处的气体流量QO、平均温度TO、平均压力PO；
b)在反应器运行过程中，按照一定时间间隔△t，提取反应器的实时运行数据，并进行工况分析；
-反应器入口参数，包括反应器入口进料的成分、入口进料的流量QI、入口进料的速度vI、入口进料的温度TI，其中，I表示不同的入口反应物类型；
-反应器内部监测参数，包括反应区域的温度值Tx、压力值Px、气体组分浓度Cx，其中，x,y,z表示笛卡尔坐标系下反应器内部的三维空间坐标位置；
-反应器出口参数，包括反应器出口处的气体流量QO、平均温度TO、平均压力PO；
c)将反应器的历史运行数据和实时运行数据存储于数据库中，构建反应器的运行数据库，并剔除数据异常点及进行数据标准化处理；具体为：
利用K-means算法进行处理，降低数据维度；判断数据中是否包含空值、0值或异常值，如果包括，则用拉格朗日插值法填充数据；而后，对数据进行标准化处理；其中，所述标准化处理公式表示为：
Figure FDA0003343843920000021
式中，
Figure FDA0003343843920000022
表示第k个样本在n维数据标准化下的生产参数，
Figure FDA0003343843920000023
表示第k个样本按时间序列排列的n维元数据，K为数据集数量，
Figure FDA0003343843920000024
表示第k个样本的n维数据，k＝1,2,…，N，N为数据集数量；
步骤二：基于典型工况分析模块，确定反应器典型基准工况
a)在步骤一中构建的反应器运行数据库，采用K-means均值聚类算法，计算获得反应器运行过程中基准运行工况的数据；
步骤三：基于数值仿真模块，进行基准运行工况下的反应器内部反应场离线三维CFD计算流体动力学数值仿真计算
a)根据反应器入口物料成分及化学反应条件，采用Chemkin软件计算求解各物料间的化学反应过程，获得各基元反应组成及对应的化学方程式，以及各步基元反应的反应动力学参数；
b)根据反应器的运行工艺、结构及尺寸参数，建立反应器的三维计算域物理模型；
c)采用gambit计算域网格划分软件，对反应器的三维计算域模型进行网格划分，对反应器的入口、出口及结构复杂区域，进行网格的局部加密以获得高精度的仿真结果；以及，设置反应器入口、出口及壁面的边界条件类型，设置反应器入口的边界条件为质量入口、反应器出口的边界条件为压力出口、反应器壁面的边界条件为恒温壁面；
d)根据在步骤二中获得的反应器基准工况运行数据，设置反应器三维计算域模型的入口进料成分、入口进料的流量QI、入口进料的速度vI、进料的温度TI，其中，I表示不同的入口反应物类型；
e)利用高性能计算机和CFD数值仿真平台，采用步骤三a)中获得的化学基元反应，选择湍流流动模型、多相流模型、辐射及反应机理模型，利用在步骤三c)获得的反应器计算域网格模型进行反应器内部的三维化学反应过程求解仿真，模拟得到反应器内部三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z的分布数据；其中，湍流流动模型、多相流模型、辐射模型及反应机理模型分别表示为：
在湍流流动模型中，使用可实现k–ε双方程模型模拟反应器内的湍流流动过程；
在多相流模型中，采用基于欧拉-欧拉方法的Mixture模型，其中，连续性方程和动量方程分别表示如下：
Figure FDA0003343843920000031
Figure FDA0003343843920000032
式中，ρm为密度，
Figure FDA0003343843920000033
为哈密顿算子，vm为质量平均速度，
Figure FDA0003343843920000034
为质量平均速度的矢量形式，μm为混合黏性系数，T为相的温度，
Figure FDA0003343843920000035
表示温度为T情况下的质量平均速度矢量形式，F为体积力，
Figure FDA0003343843920000036
为体积力的矢量形式，B为总相数，k为第k相，gm为重力加速度，
Figure FDA0003343843920000037
为重力加速度的矢量形式，αk为第k相的体积分数，ρk为第k相的密度，vdr,k为第k相的滑移速度，
Figure FDA0003343843920000038
为第k相的滑移速度矢量形式；
在辐射模型中，使用P-1辐射模型来模拟辐射热传递，该模型中也包括了离子间的相互辐射，描述辐射通量
Figure FDA0003343843920000039
的方程可表示如下：
Figure FDA00033438439200000310
式中，β为吸收系数，Cs为散射系数，h为线性各向异性相函数系数，
Figure FDA00033438439200000311
为哈密顿算子，G为入射辐射；
在反应机理模型中，化学反应速率常数遵循阿伦尼乌斯公式，表示如下：
Figure FDA0003343843920000041
式中，ka为反应速率常数，Z为摩尔气体常量，Ta为热力学温度，Za为表观活化能，A为指前因子，e为自然常数；
f)基于步骤三e)中获得的CFD三维数值仿真结果，采用步骤一中构建的反应器运行数据库进行数据验证和CFD计算模型优化，直至使CFD三维数值仿真结果的计算误差小于5％；
g)反复进行步骤三a)至步骤三f)，计算获得反应器基准运行工况中，各个工况的全部CFD三维数值仿真结果，建立反应器基准运行工况反应过程的仿真数据库；
步骤四：基于数据聚类及标准化模块，对步骤三中建立的反应器CFD三维仿真数据库，采用数据挖掘与主成分分析法进行数据集划分，参数处理，整合冗余，降低维数，经处理后得到8-10个主成分
a)针对反应器的CFD三维仿真数据库，为了减少后续的数据建模数量，每个反应器基准运行工况中随机提取的数据量为2-3万组，数据提取过程中，确保每个工况的数据提取坐标相同；
b)提取的CFD仿真数据信息包括：反应器内部的各计算节点坐标位置(x，y，z)、对应各节点的流体速度(vx，vy，vz，)、旋度φx,y,z、反应产物组分浓度Cx,y,z温度Tx,y,z及压力Tx,y,z；
c)采用数据挖掘和主成分分析法，对数据进行相关性分析；具体结合K-means均值聚类算法和降维算法，进行数据集划分及参数处理，以整合冗余数据，进行数据降维，得到8到10个主成分；
步骤五：基于深度学习预测模块，采用回归预测算法及神经网络模型计算得到反应器全运行工况下的三维反应场数据
a)结合回归预测算法及神经网络模型，建立反应器内部反应过程的主要参数快速预测模型，参数包括：三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z的分布数据；其中，神经网络模型采用BP神经网络模型，回归预测算法采用lasso回归预测算法，在lasso回归预测算法中，假定lasso模型的损失函数为：
Figure FDA0003343843920000051
式中，J(β)为损失函数，βj为回归参数，s为总数据数量，L为特征变量，p为计算数据量，G为实际输出，λ为正则项系数；βj的选取，使用次梯度的方法，对第一部分求偏导，得到：
Figure FDA0003343843920000052
每次选取需进行优化并不断迭代得到最优回归系数；
在BP神经网络模型中，输出层为反应器内部的反应场参数(包括三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z)，记录每层隐含层节点个数、限定输入层节点数和迭代次数、定义输入层到隐含层权重和隐含层到输出层权重、隐含层的阀值和输出层的阀值，设置学习速率和最小误差；其中，学习率设置范围为0.1到0.6之间，最小误差为1％；
b)基于在步骤四中获得的反应器基准运行工况的数据库，将该数据库中反应器的入口参数作为输入数据集，入口参数包括：入口进料成分、入口进料的流量QI、入口进料的速度vI、入口进料的温度TI；将经过数据处理得到的8到10个主成分作为输出数据集，进行神经网络模型的训练，主成分包括三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z；
c)循环以上过程直至误差满足精度要求或学习次数大于设定的最大次数，训练过程结束；其中，精度要求为预测值误差在5％以内，拟设定的最大学习次数为1000次；
d)采用训练后的神经网络模型，开展反应器全工况下的三维反应场预测，具体将待预测的非典型工况的反应器入口参数与基准运行工况的差值，作为神经网络预测模型的输入变量；将非基准运行工况与基准运行工况的主成分差值作为预测模型的输出变量，开展反应场中主成分的预测；
步骤六：基于三维可视化模块，实现反应器全运行工况下的三维可视化
a)基于步骤五中模型预测得到的非基准运行工况下反应器三维反应场数据，获得反应器三维反应场数据库；
b)将非基准运行工况下的三维反应场数据库与基准运行工况下的三维反应场数据库进行整合，形成全运行工况下的三维反应场数据库；
c)基于全运行工况下的三维反应场数据库，使用OpenGL软件绘制三维反应场图像，构建三维空间任意位置坐标(x，y，z)对应的速度(vx，vy，vz，)、温度Tx,y,z、压力Px,y,z、反应产物组分浓度Cx,y,z的立体分布云图及数值标尺，实时显示在电脑端软件界面上，进行三维可视化展示。
CN202111316547.9A 2021-11-08 2021-11-08 一种反应器内部三维反应场动态实时可视化方法 Active CN114117954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111316547.9A CN114117954B (zh) 2021-11-08 2021-11-08 一种反应器内部三维反应场动态实时可视化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111316547.9A CN114117954B (zh) 2021-11-08 2021-11-08 一种反应器内部三维反应场动态实时可视化方法

Publications (2)

Publication Number Publication Date
CN114117954A true CN114117954A (zh) 2022-03-01
CN114117954B CN114117954B (zh) 2023-04-18

Family

ID=80377586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111316547.9A Active CN114117954B (zh) 2021-11-08 2021-11-08 一种反应器内部三维反应场动态实时可视化方法

Country Status (1)

Country Link
CN (1) CN114117954B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358152A (zh) * 2022-08-26 2022-11-18 绍兴市再生能源发展有限公司 垃圾焚烧气体控制与反馈调节系统和方法
CN116478778A (zh) * 2023-04-18 2023-07-25 泸州老窖股份有限公司 一种空间均温式温控发酵系统
CN116486404A (zh) * 2023-06-25 2023-07-25 苏州创腾软件有限公司 基于卷积神经网络的针状焦显微图检测的方法和装置
CN118095130A (zh) * 2024-03-06 2024-05-28 西安流固动力科技有限公司 一种基于cfd的双屏标准温度传感器的数值仿真方法
CN119129451A (zh) * 2024-07-19 2024-12-13 重庆理工大学 一种基于cfd与bp神经网络的脱氨反应器优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005249418A (ja) * 2004-03-01 2005-09-15 Mazda Motor Corp エンジン性能の予測解析方法、予測解析システム及びその制御プログラム
CN111339716A (zh) * 2020-02-19 2020-06-26 浙江大学 一种锅炉高温烟气流场在线代理模型构建方法
CN112036100A (zh) * 2020-09-24 2020-12-04 哈尔滨锅炉厂有限责任公司 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法
CN112163380A (zh) * 2020-09-24 2021-01-01 哈尔滨锅炉厂有限责任公司 基于数值模拟的神经网络预测炉膛氧气浓度系统及方法
CN112216354A (zh) * 2020-09-17 2021-01-12 江苏集萃工业过程模拟与优化研究所有限公司 一种基于cfd数值模拟和机器学习的智能加药系统和方法
CN112528569A (zh) * 2020-10-17 2021-03-19 中国石油化工股份有限公司 基于数字孪生的工业加热炉温度场预测方法
CN113505440A (zh) * 2021-07-28 2021-10-15 大连理工大学 一种基于三维深度学习的汽车气动性能参数实时预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005249418A (ja) * 2004-03-01 2005-09-15 Mazda Motor Corp エンジン性能の予測解析方法、予測解析システム及びその制御プログラム
CN111339716A (zh) * 2020-02-19 2020-06-26 浙江大学 一种锅炉高温烟气流场在线代理模型构建方法
CN112216354A (zh) * 2020-09-17 2021-01-12 江苏集萃工业过程模拟与优化研究所有限公司 一种基于cfd数值模拟和机器学习的智能加药系统和方法
CN112036100A (zh) * 2020-09-24 2020-12-04 哈尔滨锅炉厂有限责任公司 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法
CN112163380A (zh) * 2020-09-24 2021-01-01 哈尔滨锅炉厂有限责任公司 基于数值模拟的神经网络预测炉膛氧气浓度系统及方法
CN112528569A (zh) * 2020-10-17 2021-03-19 中国石油化工股份有限公司 基于数字孪生的工业加热炉温度场预测方法
CN113505440A (zh) * 2021-07-28 2021-10-15 大连理工大学 一种基于三维深度学习的汽车气动性能参数实时预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周国强;: "机车散热器空气流动的数值模拟分析" *
童宝宏;尹军;: "流场分析与智能建模在机油泵CAD中的联合应用" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358152A (zh) * 2022-08-26 2022-11-18 绍兴市再生能源发展有限公司 垃圾焚烧气体控制与反馈调节系统和方法
CN116478778A (zh) * 2023-04-18 2023-07-25 泸州老窖股份有限公司 一种空间均温式温控发酵系统
CN116486404A (zh) * 2023-06-25 2023-07-25 苏州创腾软件有限公司 基于卷积神经网络的针状焦显微图检测的方法和装置
CN116486404B (zh) * 2023-06-25 2023-09-26 苏州创腾软件有限公司 基于卷积神经网络的针状焦显微图检测的方法和装置
CN118095130A (zh) * 2024-03-06 2024-05-28 西安流固动力科技有限公司 一种基于cfd的双屏标准温度传感器的数值仿真方法
CN119129451A (zh) * 2024-07-19 2024-12-13 重庆理工大学 一种基于cfd与bp神经网络的脱氨反应器优化方法

Also Published As

Publication number Publication date
CN114117954B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN114117954A (zh) 一种反应器内部三维反应场动态实时可视化方法
US11373026B2 (en) Deep learning surrogate for turbulent flow
Hummel et al. Comparative visual analysis of Lagrangian transport in CFD ensembles
Nnabuife et al. Development of gas–liquid flow regimes identification using a noninvasive ultrasonic sensor, belt-shape features, and convolutional neural network in an S-shaped riser
Li et al. A data-based soft-sensor approach to estimating raceway depth in ironmaking blast furnaces
Chen et al. A novel neural network approach for airfoil mesh quality evaluation
Xu et al. Flow pattern identification for gas-oil two-phase flow based on a virtual capacitance tomography sensor and numerical simulation
CN114186578A (zh) 一种基于信号分解的燃气轮机电动执行机构故障诊断方法
Losi et al. Gas turbine health state prognostics by means of Bayesian hierarchical models
Mallia et al. Intelligent approaches for anomaly detection in compressed air systems: a systematic review
Wang et al. Machine learning-driven high-fidelity ensemble surrogate modeling of Francis turbine unit based on data-model interactive simulation
Hussain et al. Intelligent computing technique to study heat and mass transport of Casson nanofluidic flow model on a nonlinear slanted extending sheet
CN118223828B (zh) 用于油气井作业的中性解堵剂使用控制方法及系统
Konomi et al. Bayesian Treed Calibration: an application to carbon capture with AX sorbent
CN107885914A (zh) 工业反应器运行状态可视化在线监测方法
Chen et al. An airfoil mesh quality criterion using deep neural networks
Hora et al. Physics-informed data-driven reconstruction of turbulent wall-bounded flows from planar measurements
Man et al. Non-unique machine learning mapping in data-driven Reynolds-averaged turbulence models
CN116894407A (zh) 基于数字孪生的弯头气力输送冲蚀预测方法及系统
Dave et al. Inference of Gas-liquid Flowrate using Neural Networks
Xie et al. EnvFormer: A Decomposition-based Transformer for Multi-step Burn-through Point Prediction in Sintering Process
Yu et al. Predicting unavailable parameters from existing velocity fields of turbulent flows using a GAN-based model
Roth et al. Asymmetric Flow Phenomena Affecting the Characterization of the Control Plant of an Altitude Test Facility for Aircraft Engines
Zhu et al. Spatio-Temporal Statistical Characterization of Boundary Kinematic Phenomena of Triaxial Sand Specimens
Mercy Vasan et al. Machine Learning Aided Numerical and Experimental Investigation of Hydrodynamic Performance in the Circulating Fluidized Bed Boiler

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20250424

Address after: Building 1, 5th Floor, No. 1383 Xiangxi Avenue, Zhouquan Town, Tongxiang City, Jiaxing City, Zhejiang Province 314513

Patentee after: Tongxiang Huachuang Santong Technology Development Co.,Ltd.

Country or region after: China

Address before: 100124 No. 100 Chaoyang District Ping Tian Park, Beijing

Patentee before: Beijing University of Technology

Country or region before: China