煤气化过程的混合神经网络模拟.pdf

煤气化过程的混合神经网络模拟 第六图书馆 为研究循环流化床煤气-蒸汽联产炉的气化室过程,在一个以蒸汽为流化介质的批给料小型常压流化床装置上,进行了煤的气化实验。 提出了一个煤气化过程的混合神经网络模型,包括一个基本原理模型,和由一组人工神经网络组成的模型参数估值器。为研究循环流化 床煤气-蒸汽联产炉的气化室过程,在一个以蒸汽为流化介质的批给料小型常压流化床装置上,进行了煤的气化实验。提出了一个煤气 化过程的混合神经网络模型,包括一个基本原理模型,和由一组人工神经网络组成的模型参数估值器。煤气化 气化过程 过程模拟 神经网络 流化床清华大学学报自然科学版郭兵 沈幼庭清华大学热能工程系1997第六图书馆 第六图书馆 ● 清 华 大 学 学 报 自 然 科 学 版 1 9 9 7 年 第 3 7卷 J o u r n a l o f T s i n g h l l a Un i v e r s i t y S c i ＆Te c h 3 ／ 2 6 第 2期 第 1 1 ～1 5页 煤气化过程的混合神经网络模拟 I J_ 郭兵 ， 沈幼 庭 清华大学 热能工程系 ，北京 1 0 0 0 8 4 文摘为研 究循环漉化 床煤 气一 蒸汽联产 炉 的气化 室过 程， 在 一个 以蒸汽为流化 舟质 的批给料小 型常压流化床装 置 上 ． 进行 了煤 的气化实验 。提 出了一个煤 气化 过程 的混合神 经 网络模 型 ， 包括 一个基本原 理模型 ． 和 由一组 人工神 经 网 络组成 的模型参数 估值墨。 以晋城无烟煤 的实验数据对人工 种经 网络进行 了训 练， 获得 了较好 的过程模拟 结果 。提 出 了 一 个描速焦 的综合反应性 的参数 活性焦 比 ， 井用 神经网络 对晋城无烟煤 的这 一参数进行 了识别 ． 得到 了该煤 种 的这 一 参数 随温度 竟化 的情况 。 r 关键词 ． I } 业 芝 ； 芝 旦 生 ， 训 练 分 娄 号 忍f 利用循环流化床锅炉循环热灰作 为气化热源的 循环流化床煤气一蒸汽联产工艺是一种新型的煤的 综合利用方法[ 。循环流化床煤 气一蒸汽联产工艺 的实藏 ， 需要对原煤在蒸汽 流态化条件 下的气化过 程有充分的了解 ， 以获得必要的设计依据， 为此进行 了蒸汽流态化煤气化过程的实验研究。 煤在蒸汽流态化条件下 的气化过程 ， 包 含复杂 的物理变化和化学反应， 对这一过程建立机理模型 ， 需要考虑气固两相流动、 原煤的热解、 焦的气化等子 过程 。 对这些子过程己经有很多研究， 提出了不少煤 热解和焦的气化模型 。 但是单一过程模型一般是 在特定实验条件下， 针对特定煤种得到的， 将这些单 一 过程模型用于实际过程， 还需要对模型参数进行 修正。 多层前 向神经网络 ， 是一 种通用的函 数逼近工 具， 可以以任意的精度逼近 给定 的输入／ 输出关 系[ “， 在过程模拟方面 已经有很多应用 。有足够 多的实验数据， 就可以通过“ 训练” 使神经网鳍具备 一 定的。 知识 ， 从而能够模拟煤气化过程， 而不需要 收稿 日期1 9 9 6 0 6 1 0 第一作者 男，1 9 7 0年生，博士研究生 *国家 自然科学 基金资助项 目 了解复杂的过程机理 。 一 ＼ l l 舌 ’ 1 实 验 本文所 述的流化床煤 气化实验装置如 图 1所 示 。 反应器 由电加热元件加热 ， 并控制温度。 蒸汽流 率由蒸汽发生器的电加热功率调节。实验采取批给 煤方式 ， 先在反应器 内加入一定量的惰性床料 ， 待流 化床达到设定温度并保持稳定时， 以稳定的给煤率 向床内给煤 ， 实验过程中床料不排出。 给煤持续一段 时间后停止给煤， 再经过一定时间， 关闭流化蒸汽， 气化过程停止 。 气化过程中定时记录煤气产率 ， 对煤 气采 样。用 气相 色谱 法 分析气 样 中 H 、 C H。 、 C O、 C O 四种成分的份额 ， 得到 四种 主要煤气成分 的产 率／ 时间实验数据 。 实验装置 主要数据及主要实验参数 反应器内径 1 4 9 mm 反应器高度 1 2 0 0 mm 反应器最大 电加热功率 1 2 k W 蒸汽发生器最大电功率 4 k W 反应器设计最高温度 1 2 7 3 K 给煤率范围 1 ～4 k g ／ h 流化蒸汽流率 } 0 ～4 k g ／ h 惰性 床料粒径 0 ． 1 2 5 0 ． 7 1 r f l m 给煤粒径 0 ． 1 2 5 0 ． 7 1 mm 用晋城无烟煤进行了一系列实验， 实验甩煤的 工业分析和元素分析列于表 1 ， 其中 为质量分数， 为水分， 为灰分， 为挥发分， c I 为固定碳值， 寰 1 晋城无烟煤分析蠡掘 应用基 维普资讯 第六图书馆 第六图书馆 清 华 大 学 学 报 自 然 科 学 版 在各次实验中只把流化床温度作为可变条件， 其它 实验条件不变， 给煤率为 2 ． 5 k g ／ h ， 给煤时间为 0 ． 2 h ， 蒸汽流率为 2 ． 4 k g ／ h ， 惰性床料质量为6 k g ， 气化 持续时间为 1 h 。 在床温 ，， 1 0 2 3 ， 1 0 7 3 ， 1 1 2 3 ， 1 1 7 3 K下进行 了四次实验， 床温为 1 1 2 3 K， 给煤时间为 0 ． 2 h 时的 气体动态产率见图2 ， 图中点表示实验测量值， 线表 0 一 1 0 ． ● Z 、 0． 誊竺 样 图 2气 化 过 程 中 时 刻 f 的 气 体 产 率 及 剪 量 一 。 ⋯一 ⋯ ’ 一 ⋯ ⋯ ⋯ 旋风分离器 化床反应器 图 1 实验装置示意 图 示模型计算值。 从图中可以看到， 在给煤停止后的一 段时间， H 。 、 a 、 C O等气体的产率有比较明显的下 降， 然后各种气体的产率都进入一个较平稳的区间。 无烟煤的质地比较致密 ， 固定碳含量较高 ， 煤焦的气 化反应主要在颗粒的表面发生， 所以气化反应的反 应率下降较慢， 以气化为主的阶段， 产率／ 时间曲线 较为平坦。 给煤停止以后， 各种气体的产率下降幅度 各有差别， 而且产率峰出现的时间也不同 从图中还 可以看到 ， H 、 C O、 C O 的产率峰值较之 C H 。 的产 率峰值有明显的滞后。这种现象主要是由于各种热 解产物的释放速率不同造成的， 焦的气化反应与焦 中碳转化率的强烈的非线性关系对此也有一定的作 用。 2 煤气化过程的基本原理一神经网络 樟 璋I 针对前面介绍的煤气化动态实验过程， 本文建 立了一个煤气化过程的混合神经网络模型。向模型 输入流化床温度、 给煤率、 给爆持续时间、 煤的工业 分析等数据 ， 可以预测出批给煤过程中 H 。 、 C H 。 、 C O、 C O z 四种气体的动态产率。模型可分为基本原 理模型和神经网络参数估值器两部分， 见图3 。 j 图 3 模型结构示意 图 各种 气体 动态产率 2 _ 1 基本凛理模型 基本原理模型的建立基于下列假设 1 流化床温度在实验过程中保持不变； 2 不同时刻进入反应器的煤 ， 经历相同的气化 过程 ； 3 煤进入反应器后， 热解与气化同时开始} 4 热解产物与焦的气化反虚产物之间不再反 应， 各种气体的总产率 s 等于其热解产率 和气化反应产率之和I 5 单位质量的原煤中参加气化反应的碳的初 始质量不随温度等条件改变{ 6 忽略由于扬析央带离开反应器的煤 焦 质 量 。 基本原理模型又可以分成热解模型和气化模型 两部分。 1 热解模型 影响煤的热解的因素很多， 如煤的耧粒大小、 囊 粒的升温速率、 最终热解温度等， 本文只研究反应器 温度对热解过程的影响。 设流化床内的温度为，， ， 单 位质量的原煤在t 0 时刻进入反应器内， 在t 时刻 产生的热解气体 的产率为p fl t 。 煤进入反应器后 维普资讯 第六图书馆 第六图书馆 ● 郭兵 ，等 煤气化过程 的混合神经 阿络模拟 即迅速升温， 达到一定温度时挥发分开始释放 ， 颗粒 的温度继续上升， 挥发分释放速率继续增大 ， 达到热 解产率最大值， 然后热解产率下降， 直至挥发分释放 结束。不同热解产物产率曲线的陡峭程度和峰值出 现的时间各不相同。 由对热解过程的分析 ， 并参考煤 的热天平热解实验结果 ， P 取为正 态分布曲线的 形式 ， 即 P O A e x p l K， o一 ， l 1 式 中 P 为单位质量原煤热解产生的 J 气体产 率} A 为单位质量原煤热解产生 j 气体的最大产 率 ； 为反映 产物热解动 态过程快慢的参数 ；t 为 气体热解产率峰值出现的时间； J 为气体编号， 1 H 2 ， 2 C H I ， 3 C O， 4 I C O 2 下同。A ， K ， t 都 是与温度有关的参数， 这些参数由神经网络确定。 2 气化模型 煤热解形成焦， 焦中的碳与蒸汽等发生气化反 应。 影响焦的气化的因素比较复杂， 温度、 压力、 焦的 反应活性、 孔隙结构等都对反应有重要的影响。 焦的气化反应在焦表面进行， 而实际上焦的表 面积 的变化情况非常复杂， 采用通常 的基于焦的表 面积的气体生成率， 模型将变得很复杂。因此， 本文 模型不直接采用各个反应的反应率， 而是为各种气 体引入一个基于单位质量碳的“ 表观生成率 R； ， 认 为 R 只与温度有关} 同时为了反映气化过 程中焦 的表面积、 孔隙结构及焦的活性变化对表观生成率 的影响 ， 引入 一个参 数“ 活 性焦 比 ， l f r a c t i o n o f a c t iv e c h a r ， 对 R ； 进行修正。活性焦比的物理意义 是， 煤焦中能够以 R 参加气化反应的碳质量占总的 碳质量之 比。对确定的煤种， 凡是反应条件和碳转 化率的函数， 在本文 中只研 究温度的影响 ， 所 以 是温度和碳转化率 的函数}又因为碳转化率是时间 t 的函数， 为了计算上的方便， 把 作为温度 丁和 煤焦经历的气化反应时间t 的函数， 用神经网络模 拟 与 丁和 t 时间的关系 。 对于单位质量的原煤， 设其进入反应器时间为 t ， 煤焦中的碳质量为 re t ， 由以上分析， 可以写出 基于单位质量原煤的各种气体气化产率t g J ‘ re t R ， 丁 2 式中 R ， 为J 气体的表观产率} 为活性焦比l T 为反应器温度} t 为煤在反应器中经历的时间。 C H 、 C O、 C O 。 三种气体中含有碳元素， 所以， 碳 质量 ， ， I 的时间导数为 1 ‘ 一／ a n ∑R 丘 ， 丁 3 其中， 为碳的摩尔质量。 根据模型假设， m 0 与反应器中的条件无关， 取为原煤工业分析的固定碳值 q， 即 ， ， I 0 ‘ 4 由式 2 3 4 可得 c x p [ 一 客 R c 丁 出 5 由积分可得气化过程中t 时刻的 气体总产率 S 给煤开始时t O ． 当 f t F时 ， S 一 l F [ 。一f g 0一f ] d r 6 当 t ≥ t F时， S l F E p or 毋。一r ] d r 7 其 中 t 为给煤持续时 间。 S ， 可以通 过数值积 分获 得 。 2 ． 2 神经网络参数估值器 在计算煤的热解、 焦的气化反应产生的各种气 体的产率之前， 必须确定其中的模型参数， 这些模型 参数全部由神经网络参数估值器得出 模型中使用的神经网络全部为前向神经网络， 图4 所示的就是一个有 1 个输入、 1 个输出、 一个隐 层和 3 个 隐层节点的前向神经 网络 ， 常写成 1 - 3 1 圈 4 多层前向神经网络 前向网络。网络中隐层和输出层的神经节点激励函 数常用S型函数。本文的网络节点采用的激励函数 为 ， 8 使用神经网络作参数估值器， 网络的输入输出 个数由实际需要确定， 但隐层的个数和隐层节点的 个数却是由经验确定的。本文中所有的网络都只取 一 个隐层， 对单输入／ 单输出的网络， 隐层节点取 3 个； 对双输入／ 单输出的网络， 隐层节点取 5 个。 本文中用一组神经网络组成参数估值器， 其结 构见图 5 。热解模型共有 1 2 个参数 ． 每个参数都由 一 个神经网络估计， 这些参数都是反应器温度的函 维普资讯 第六图书馆 第六图书馆 清 华 大 学 学 报 自 然 科 学 版 数， 因此用于热解模型参数估计的神经网络为 1 ～ 3 1 前向网络 用于气化模型中各种气体 的表观生成率 估计 的神经 网络也采用 1 - 3 1前 向网络 ， 活性 焦 比 是温度T和时间 ￡ 的函数， 因此用一个 2 - 5 1 网 络作参数估计 。 K． 马 “ 图 5 神经网络 参数估值器示意 图 神经网络参数估值器共有 1 6 个 1 - 3 1 网络和 一 个 2 - 5 1网络 ， 共有 1 8 1 个 网络联结权重和 阈值 ， 经过“ 训练” 可以确定这些权重和阈值。 3 结果与讨论 以晋城无烟煤的四组实验数据为样本对神经嗣 络进行了训练。用模型计算出的各种气体的动态产 率， 与实验数据比较， 误差函数采用均方根相对误 差。训 练 算 法 为基 于随 机 搜 索 的 c h e mo t a x l s算 法 从图 2中可看出 ， 经过训练的模 型计算 的气体 动态产率与实测值很接近 图 6 是神经网络参数估值器给出的各种气体热 0 ， 一 0 0 ． ， K ● Ht D C 一 CO ● co2 图 6 神经网络给出的热解最太产率参数 A 解最大产率。高温时的 A 值 即单位质量煤热解 C O的最大产率 明显地高于低温时的值 ；而实际上 在床温较高阿实验中， C O的产率峰值明显高于床 温较低时的C O产率峰值 从实验数据看， C O 。 的产 率曲线没有 出现 明显的热解峰 l与此相应 ， 神经 网 络给出的C O 热解最大产率 血 也远远低于其它各 种气体， 表明C O 的产率当中， 热解所占的比重很 小 ， 神经网络给出的H 的表观生成率很大， 而C H 的表 观生成率很小 ， 这与实际情况相符 但神经网络 给出的表观生成率几乎不随温度变化。 实际上， 在本 文所提出的气化模型中“ 表观生成率 与“ 活性焦比” 的乘积， 才有真正的物理意义。从图 7 可以看出， 对 相 同的时 间， 高温 的 ， 肚 值大于低温时的值 ， 相 应地 的数值较大， 宏观上气体的反应生成率较高 图中显示在一定的反应温度下， 的值先 由低到 高 ， 然后又逐渐下降， 由低到高可以用煤 焦 中的挥 发分逐渐脱去形成有反应活性的碳来解释； ／ 的值 下降则可以解释成随碳转化率的增大反应的阻力也 ‘ 逐渐增大 ， 使得“ 活性焦比” 下降。 在以往的焦的气化 模型中， 碳转化率对气化反应的影响， 常采用经验公 ● 式来处理。用神经网络方法来模拟气化反应与碳转 化率之间的关系， 可以利用神经网络的特点， 去捕捉 其中复杂的， 目前还难以为人们所认识的非线性关 系， 这是在煤的热解气化过程模拟中运用神经网络 方法的一个重要优点 O 4 o． 2 图7 神经网络给出的不同时刻不同温度下的 。 活性 焦 比 4 结 论 在流化床煤气化动态过程实验的基础上， 本文 提出了流化床煤气化过程的混合神经网络模型， 其 中包含一个基本原理模型和一个神经网络参数估值 器， 并用晋城无烟煤的实验数据对模型进行了训练， 取得了较好模拟结果， 得到以下结论 1 基本原理一神经同络模型是一种宏观的、 灵 活的通用模拟方法 ， 适用于流化床煤气化复杂综合 过程的模拟 2 用神经网络作参数估值器， 参数有一定的物 维普资讯 第六图书馆 第六图书馆 韩兵， 等 煤气化过程的混合神经网络模拟 1 5 理意义t 易于进行分析。利用神经网络的特点， 可以 获得煤气化实际过程中存在的复杂的非线性关系。 参考文献 1 沈幼庭 ，李定凯 ， 崔琳．水 蒸汽流 态化条件 下煤 的热 解气化综合过程模型研究．工程热物理学报 ，1 9 9 3 ，1 6 1 l 0 1 ～ l 0 5 2 M e r r i k n M a t h e ma t ic mo d e l s o f t h e d e c o mp o s i t i o n o f c o a 1 ．F u e l ， 1 9 8 3 ，6 2 5 5 3 4～5 3 9 3 S r i n i v a s B， Ai n u n d s o n N R． A s i n g l e - p a r t i c l e c h a r g a s i f i c a t i o n mo d e 1 ．AI C h E J ，1 9 8 0 ，2 6 3 4 8 7 4 9 6 4 Ku r t Ho r n ik． Ap p r o x i ma t i o n c a p a b i l i t i e s o f mu h i l a y e r f e e df o r w a r d n e t wo r k s ．Ne u r a l Ne t wor k s．1 9 9 l，42 5 l ～ 2 57 5 Wmi s M J ． M a s s i mo C D，M o n t a g u e G A，e t a 1 ． Ar t i f i c i a l n e u r a l n e tw o r k i n p r o c e s s e n g i n e e r i n g ． I EE Pr o c e e d i ng s D，1 9 9 1，1 3 8 3 2 5 6 2 6 6 6 Bh a t N V．Mo d e l i ng c h e mi c a l p r o c e s s s y s t e m v ia n e u r a l c o mpo s i t i o n ．I EEE Co n t r o l S y s t e m M a g a z i n e，1 9 9 0，1 0 3 2 4 2 9 7 P s i c h o g i o ,D CUn r L H．A h y b r i d n e u r a l n e t wo r k fi r s t p r inc i p l e a p p r o a c h t o p r o c e s s mo d e l i n g ．AI Ch E J ， 1 9 9 2 ，3 8 1 0 ，1 4 9 9～ 1 5 1 1 M o de l i ng a p pr o a c h t o c o a l g a s i f i c a t i o n u s i ng h y br i d n e ur a l ne t wo r k s Gu o Bi n g，S h e n Y o u t i n g D e p a r t ree nt o f Th e r mal Eng i n e e ring ． Ts ing h u a Un i v e r s i t y ， B e i j i ng 1 0 0 0 8 4 Ab a t r a c t C o a l g a s i f i c a t i o n wa s c a r r i e d O u t i n a b e n c h s c a l e f l u i d i z e d b e d g a s i f iar ． Th e g a s i f i e r o p e r a t e d a t a t mo s p h e r i c p r e s s u r e wi t h s t e a m a s f l nid i z ing me d i u m．Th e b a c k g r o u n d o f t h i s s t u d y wa s t h e g a s s t e a m c o g e n e r a ti o n s y s t e m．A h y b r i d n e u r a l ne t wo r k mo d e l wa s s y n t h e s i z e d t o p r e d i c t t h e g a s p r o d u c t i o n r a t e s ．Th e mo d e l c on s i s t s o f a m s t p r i n c i p l e p a r t i a l mo d e l a n d a n e u r a l n e t wo r k p ara me t e r e s t i ma t o r 、 Th e mo d e l wa s t r a i n ed wi t h t h e e x perime n t a l gas i f i c a t i o n d a t a o f J i n c h e ng a n t h r a c i t e c o a 1 ．Th e rond e l h a d g o o d pe r f o r ma n c e of pr o c e s s s i mu l a t i o n ． A pa r a me t e r c all e d f r a c t i o n o f a c t i v e c h a r wa s p r o p o s ed i n t h e rond e 1 ． Ne u t a l n e t wo r k per f o r me d i da n t if ica t t o n o f t his D a r a me t e r a n d o b t a ined i t s v a r i a t i o n wi t h t e n i per a t u r e ．wi t h r e s p e c t t o J i n c I 1 e ng a n t h r a c i t e ． Ke y wo r d s c o a l g a s i f i c a t i o n}p r o c e s s mo d e l i ng } n e u r a l n e t wo r k I t r a i n 维普资讯 第六图书馆 第六图书馆