一種即時建模的填料塔液泛氣速預測方法
2023-06-05 21:17:41
一種即時建模的填料塔液泛氣速預測方法
【專利摘要】一種即時建模的填料塔液泛氣速預測方法，包括以下步驟：（1）將從填料塔液泛實驗中採集的相關液泛數據集作為一個樣本，根據填料塔液泛的特徵及影響因素確定液泛氣速模型的輸入變量和輸出變量；（2）對步驟（1）採集的液泛數據進行歸一化處理，將把液泛數據都轉化為[0，1]區間的數；（3）根據即時學習「相似輸入產生相似輸出」的單獨建模原則，針對每個預報新樣本採用距離角度信息構建模型新樣本；（4）應用LRRELM方法，建立液泛氣速的預測模型；（5）對模型預測值反歸一化處理得到最終的液泛氣速預測值。本發明的有益效果是：實施簡單，成本低；具有普遍性和通用性，為不同類型的散堆（亂堆）填料塔中液泛氣速提供準確預測方法。
【專利說明】一種即時建模的填料塔液泛氣速預測方法
【技術領域】
[0001]本發明涉及一種即時建模的填料塔液泛氣速預測方法。
【背景技術】
[0002]在填料塔當中，氣相和液相的速度都是受液泛所限制的。液泛是一種塔內流體流動的現象，氣液兩相在塔內作逆流流動時，當氣體或者是液體的速度不斷增加，填料頂部的積液也會不斷增加，同時壓力也會隨之下降，可供氣體通過的自由面積越來越小。最終，當氣體只能通過鼓泡的形式通過液體，同時氣體壓力急劇下降，導致了嚴重的霧沫夾帶，甚至是氣液迸發，此現象稱之為液泛，在填料塔的運行操作時要避免此現象的發生。同時，液泛氣速也是計算在給定液相負荷下塔的最大承載能力的必要參數，是填料塔設計的重要依據。因此，確定各種類型填料的液泛氣速也變得尤為重要，準確的預測液泛氣速對填料塔的設計與操作都具有重要的應用價值。
[0003]長期以來，研究人員針對各種液泛進行了大量的實驗研究，按照各種機理和操作條件建立了多種不同形式的液泛氣速模型與壓降預測模型，但迄今為止，還沒有較準確且通用的模型適合某類工業填料塔設備的應用。在實際生產操作中，考慮到傳統液泛預測模型的不準確和適用範圍窄等因素，大多數塔的操作指標都遠遠低於最大有效能力。由於所預測的液泛氣速準確度不高，為防止液泛的發生，實際操作速度一般僅為液泛氣速的50%左右，即實際工作點遠離最佳工作點。因此，這些傳統模型在工業應用中都還有較大的局限，不能滿足工程應用以及激烈的市場競爭和需求，有必要建立一種準確度較高，通用性較強的液泛氣速模型以適應工程應用。
[0004]隨著過程數據能夠及時獲得，各種數據驅動的建模方法得到廣泛研究和應用，但用於液泛氣速預測的卻很少。經文獻檢索發現，一種反向傳播神經網絡(簡記為BP-NN)曾用於液泛氣速的建模和預測(參考文獻為「Piche S，Larachi F，Grandjean B PA.Flooding capacity in packed towers: database, correlations, and analysis [J].1ndustrial&Engineering Chemistry Research, 2001, 40 (I): 476-487.」)，雖然BP-NN方法有一定的非線性建模能力，但存在學習效率低、收斂速度慢、易陷入局部極小等缺點，這使得該方法在工業過程中並不實用。此外，另一種典型的徑向基神經網絡(簡記為RBF-NN)也曾用於液泛氣速的建模和預測(楊捷.數據驅動的填料塔液泛氣速預測模型與實時監測研究[D],杭州:浙江工業大學,2011.)
[0005]另一方面，BP-NN和RBF-NN是一種全局建模的方法。全局模型在工業的應用當中，要想獲取較高的估計精度，使用者需耗時耗力來訓練並建立一個全局的模型用於描述整個非線性系統。儘管獲得了全局模型，但當新數據無法反映在模型當中時，模型則需要校正，造成了其自適應性差，不能隨時對工況的變動而調整。而在填料液泛氣速的預測應用中，由於填料類型多種多樣，獲取的填料數據之間也會存在一定的差異性。因此，僅用一個全局模型無法很準確的提取數據間的特徵信息，導致了針對某些填料預測的不準確。
[0006]局部學習的思想採用分治的策略，並非對所有樣本進行一次性建模，而是針對預報新樣本單獨建模，即將系統的非線性建模轉化成當前工作點的數值估計，模型的建立只有當預報新樣本到來時才啟動，並且模型之間的轉化也不需要人為控制，因而稱之為即時學習。與全局建模相比，局部建模基於相似輸入產生相似輸出的原則，因而模型建立和優化都是局部化的，可保證對未知樣本做出更準確的估計。並且，當獲得預測值後模型即被拋棄，這也意味著即時學習是一種實時更新的模型，能夠使預測精度有一定的改善。
[0007]最近，極限學習機(extreme learning machine, ELM)(主要參考文獻為「FengG, Huang G B, Lin Q P.Error minimized extreme learning machine with growthof hidden nodes and incremental learning[J].IEEE Transactions on NeuralNetworks, 2009, 20(8): 1352 - 1356.，，)在不少過程建模中獲得了較好的效果。本發明首先提出了 RRELM (recursive ridge extreme learning machine)建模方法,建模過程中米用了遞推和快速留一(fast leave-one-out,FL00)準則的選擇方法，以控制模型的複雜度，降低計算量，提高模型可靠性，其中，FL00方法的參考文獻為「Liu X Y，Li P, Gao C H.Fastleave one out cross validation algorithm of extreme learning machine[J].Journalof Shanghai Jiao Tong University, 2011，45 (8): 1140 - 1145.」。鑑於 RRELM 屬於全局建模方法，該方法建立的模型結構單一，當獲得的新數據無法反映在模型當中時，模型則需要校正。因此，急需一種具有更好的預測精度的建模方法。
【發明內容】
[0008]為了解決目前的填料塔中液泛氣速預測技術中還沒有較準確且通用的模型適合某類工業填料塔設備的應用的問題，提出一種可以較有效的針對液泛數據多樣化的特點，提取更相關的特徵信息，以提高液泛氣速預測的準確程度的即時建模的填料塔液泛氣速預測方法。
[0009]一種即時建模的填料塔液泛氣速預測方法，包括以下步驟:
[0010](I)將從填料塔液泛實驗中採集的相關液泛數據集作為一個樣本，根據填料塔液泛的特徵及影響因素確定液泛氣速模型的輸入和輸出:
[0011]輸入變量:液相雷諾數Ra、斯託克斯數Stp伽利略數Ga及填料層厚度校正係數Sb和填料球形度# ；
[0012]輸出變量:Lockhart-Martinelli參數(x )；
[0013]把上述的流動參數組成一個樣本，用[Xi, Yi]表示,其中Xi表示第i個樣本的輸入變量(每個樣本包含5個輸入變量)，Yi表不該樣本的輸出變量，模型的輸出和輸入變量的函數關係式可表示為:
[0014]
【權利要求】
1.一種即時建模的填料塔液泛氣速預測方法，包括以下步驟: (1)將從填料塔液泛實驗中採集的相關液泛數據集作為一個樣本，根據填料塔液泛的特徵及影響因素確定液泛氣速模型的輸入變量和輸出變量: 輸入變量:液相雷諾數Rq、斯託克斯數Stp伽利略數Ga^及填料層厚度校正係數Sb和填料球形度供； 輸出變量:Lockhart_Martinelli 參數 x ； 把上述的流動參數組成一個樣本，用[Xi，Yi]表示，其中Xi表示第i個樣本的輸入變量，其中，每個樣本包含5個輸入變量Ui表不該樣本的輸出變量，模型的輸出和輸入變量的函數關係式表示為:
【文檔編號】G06F17/50GK103745033SQ201310700687
【公開日】2014年4月23日 申請日期:2013年12月18日 優先權日:2013年12月18日
【發明者】劉毅, 靳鑫, 張明濤, 高增梁 申請人:浙江工業大學