咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于机理与数据驱动的水煤浆气化炉混合模型研究 收藏
基于机理与数据驱动的水煤浆气化炉混合模型研究

基于机理与数据驱动的水煤浆气化炉混合模型研究

作     者:王恺洲 

作者单位:华东理工大学 

学位级别:硕士

导师姓名:代正华

授予年度:2023年

学科分类:081702[工学-化学工艺] 08[工学] 0817[工学-化学工程与技术] 

主      题:水煤浆气化炉 机理模型 数据驱动模型 混合模型 

摘      要:气化炉数学模型的建立是气化过程设计优化工作中的重要一环,本文以镇海炼化SE水煤浆气流床气化炉为对象,使用面向对象的编程方法,开发了气化炉的机理模型、数据驱动模型以及混合模型,探究了各类型模型的适用场景以及局限性。建立了煤气化过程相关的物料、反应、反应器类对象,通过类间的自由组合,实现了 SE水煤浆气化炉平衡模型、n-CSTRs模型的建立,考虑了激冷过程中变换反应的影响后,平衡模型关于气化温度、水洗塔出口合成气CO、H2、CO2含量的预测误差为4.78%、5.75%、8.13%、3.47%,n-CSTRs 模型为 1.29%、2.44%、2.02%、1.17%。n-CSTRs模型虽然有着更好的预测表现,但模型复杂度、求解耗时也相应增加。BPNN、SVM、ELM三类单一数据驱动模型预测时可能出现性能波动,提出组合信息熵权重分配法与Stacking融合法,建立了气化炉的信息熵Stacking融合(SFM)模型,SFM模型对预处理后样本集进行预测时,气化温度、水洗塔出口合成气温度、流量、CO、H2含量的预测平均相对误差值(MRE)为1.89%、0.17%、0.78%、0.95%、0.71%,优于单一 BPNN数据驱动模型,拟合速度提升了近20%,能更好的应用于稳定运行状态的生产过程的实时优化指导。SFM模型对预处理过程筛选掉的样本进行预测时,气化温度、合成气CO、H2、CO2含量的MRE为2.43%、49.49%、16.94%、64.38%,存在异常,因此尝试将其与稳定性更好的机理模型进行组合。由于n-CSTRs模型求解耗时大于1h,选择求解耗时小于10s的平衡模型,与SFM模型组合建立了气化炉的并联混合模型。模型应用于预处理后样本点的预测时,气化温度、合成气CO、H2、CO2含量的MRE值为0.35%、0.18%、0.08%、0.46%,应用于预处理剔除掉的样本点的预测时,其MRE值分别为3.82%、3.83%、2.78%、1.91%,克服了数据驱动模型的应用场景局限,预测准确度逼近n-CSTRs模型的同时,求解速度更快。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分