CN102629286B - 一种基于智能算法的高炉布料数值模拟方法 - Google Patents

Abstract

一种基于智能算法的高炉布料数值模拟方法，属于高炉布料数值模拟技术领域。本发明针对高炉布料数值模拟的现状，将高炉布料理论和人工智能算法相结合，能够解决高炉复杂多变布料过程的料层分布数值模拟问题，直观地给出整个炉喉区域各批料的料层分布状况。优点在于局限性小，适用性强，相比传统的布料模型，更贴近实际，能辅助高炉操作者直观了解当前炉内料层分布情况，为后续布料调整提供参考依据。

Description

一种基于智能算法的高炉布料数值模拟方法

技术领域

本发明属于高炉布料数值模拟技术领域，特别涉及一种基于智能算法的高炉布料数值模拟方法，适用于对高炉全炉喉区域复杂布料过程的料层分布状况进行仿真模拟。

背景技术

高炉煤气分布，在很大程度上受炉料分布影响，为实现准确控制炉料分布，需要了解炉内的炉料分布情况，由于高炉的密闭性，无法直观观察和检测料面形状，必须借助数学方法，开发贴近实际的炉料分布模型。关于布料的模拟模型已有许多，模拟手段多采用几何方法，大都只针对半边料层进行模拟，或认为左右两边的料层分布是对称的，对于整个炉喉区域料层分布状况研究的很少，局限性大，不能满足现场复杂布料过程的数值模拟要求。

发明内容

本发明的目的在于提供一种基于智能算法的高炉布料数值模拟方法，基于高炉布料理论、人工智能遗传算法的高炉布料数值模拟方法，该方法解决了复杂布料过程的料面数值模拟问题，能够对整个炉喉区域的料层分布状况进行在线模拟。

本发明的工艺步骤如下：

(1)读取高炉布料相关数据(炉喉直径、炉喉高度、溜槽参数、布料矩阵、料批重量、料尺深度、炉料参数等)，根据牛顿第三定律、运动方程和炉料下落时间，计算炉料运动轨迹和落点位置；

(2)依据开炉实测料面形状特点，将料面形状划分为三段，分别以直线、抛物线进行描述，料流落点位置就是料面堆尖位置，在多角度布料过程中，炉料落点位置和料面形状不断变化，每个角度对应的料面形状互相叠加，采用分段函数方程联立求交点的方法，以左右料线深度检测值，分别计算左右两边的三段法料面形状，并保存料面离散点数据；

(3)利用基于遗传算法的全炉喉区域的料面计算得到料面分布数据；

(4)根据计算得到的料面分布数据绘制料层分布图像。

所述的基于遗传算法的全炉喉区域的料面计算，将布料理论与遗传算法相结合，用于全炉喉区域料面计算，利用遗传算法的全局寻优特性，以炉料批重、左右料尺深度为目标，以三段法料面计算得到的料面特征为基础，获得全炉喉区域的料面分布数据，其主要步骤如下：

(1)炉喉区域自动划分网格，并存储网格单元的尺寸信息；

(2)以三段法料面为基础，提取矿石、焦炭的料面形状特征，作为遗传算法中染色体基因取值范围的设置基准；

(3)将料尺深度值植入遗传算法染色体中，使进化过程中每个世代的种群都具有此基因特征。

(4)计算每个染色体的适应度时，需计算炉料批重适应度和正则化适应度，综合得到染色体的适应度。

(5)最终得到的最佳染色体即可作为所求料面数据进行输出。

本发明的有益效果：

本发明是一种基于遗传算法的高炉布料数值模拟方法，针对高炉布料数值模拟的现状，将高炉布料理论和遗传算法相结合，能够解决高炉复杂多变布料过程的料层分布数值模拟问题，直观地给出整个炉喉区域各批料的料层分布状况，局限性小，适用性强，相比传统的布料模型，更贴近实际，能辅助高炉操作者直观了解当前炉内料层分布情况，为后续布料调整提供参考依据。

附图说明

图1为三段法料面示意图。

图2为本发明的高炉炉喉区域网格划分方法示意图。

图3为本发明的基于遗传算法的高炉布料数值模拟程序流程图。

图4为本发明的基于遗传算法的全炉喉区域料面计算程序流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行详细的说明。

本发明基于高炉布料理论、智能算法，提供了一种全炉喉区域料层分布数值模拟方法，如图3所示，具体实现步骤如下：

(1)读取布料相关参数、布料矩阵、料批重量、料尺深度、炉料密度等数据，根据牛顿第三定律、运动方程和炉料下落时间，计算炉料运动轨迹，求解炉料堆尖与高炉中心的间距x_n，计算落点的方程如下：

$l_x=\frac{C_1^2\·\mathrm{si}{n}^2\mathrm{\α}}{g}\·\{\sqrt{\mathrm{ct}{g}^2\mathrm{\α}+\frac{2g}{C_1^2\·\mathrm{si}{n}^2\mathrm{\α}}[l_0\·(1-\cos \mathrm{\α})-e\·\sin \mathrm{\α}+h]}-\mathrm{ctg\α}\}$

$x_n=\sqrt{[1+\frac{{4\mathrm{\π}}^2{\mathrm{\ω}}^2\·{(l_0-e\·\mathrm{ctg\α})}^2}{C_1^2}]{\·l_x^2+2\·(l_0\·\sin \mathrm{\α}-e\·\cos \mathrm{\α})\·l_x+(l_0\·\sin \mathrm{\α}-e\·\cos \mathrm{\α})}^2}$

其中，l_x——炉料落点位置在x轴方向上的分量，单位m

C₁——炉料离开溜槽的速度，单位m/s

α——溜槽倾角，也就是当前布料角度，单位°

l₀——溜槽长度，单位m

e——溜槽倾动矩，单位m

h——溜槽垂直位置末端到料面的距离，单位m

ω——溜槽转速，单位round/s

x_n——落点位置，单位m

(2)以炉料轨迹落点计算为基础，按左右料线深度值，分别计算左右两边的三段法料面形状，保存料面方程，具体实现方法如下：

依据开炉实测料面形状特点，可将料面轮廓分为三部分，如图1所示，B部分为曲线段，A、C部分为直线段，X₁，X₂为三部分料面分界点的横坐标；假设料流落点位置X_n就是料面堆尖位置；将B段曲线的宽度以堆尖为界分成W_L和W_R两部分，其中W_L由料流内侧部分形成，W_R不仅与料流外侧部分的宽度有关，还与堆尖与炉墙距离有关；A段料面坡度取决于内堆角θ₁，C段料面坡度取决于外堆角θ₂；假定在布料过程中料面不下降。

根据炉料运动物理分析、落点求解、料面形状等理论基础，动态求解炉料落点位置，在多角度布料过程中，炉料落点位置和料面形状不断变化，每个角度对应的料面形状互相交错，新旧料面交点情况复杂多样，为了满足求解要求，采用分段函数方程联立求交点的方法，能满足新旧料面相交的所有复杂情况。

(3)利用基于遗传算法的全炉喉区域的料面计算模块得到料面分布数据；

(4)根据计算得到的料面分布数据绘制料层分布图像。

本发明提出的基于遗传算法的全炉喉区域的料面计算方法，将布料理论与遗传算法相结合，用于全炉喉区域料面计算，利用遗传算法的全局寻优特性，以炉料批重、左右料尺深度为目标，以三段法料面计算得到的料面特征为基础，获得全炉喉区域的料面分布数据，如图4示，具体实现步骤如下：

(1)炉喉区域自动划分网格，并存储网格单元的尺寸信息，为后续计算做准备。其过程是这样的：首先对输入的炉喉区域的交界进行判断，参照交界进行网格整体区域的划分。根据每个划分区域的大小，自动选择网格单元的个数，节点的网格尺寸小于0.05m。网格划分过程中，同时确定每个网格单元的尺寸信息(ΔX)_e，(ΔX)_w，(ΔX)_p。如图2，根据边界的形状得到所示的网格单元。

(2)以三段法料面为基础，提取矿石、焦炭的料面形状特征，作为遗传算法中染色体基因取值范围的设置基准。

(3)将料尺位置的深度值植入遗传算法染色体中，使进化过程中每个世代的种群都具有此基因特征。

(4)计算每个染色体的适应度时，需计算炉料批重适应度和正则化适应度，综合得到染色体的适应度。具体方法如下：将料面按网格划分离散为s个特征点P₁，P₂，...，Ps，分别代表料面厚度值，由于料层重量与料面形状有关，于是确定料面形状的问题归结为一个求极小值的优化问题：

min{[W(P₁，P₂，...，Ps)-W_batch]}

为了减小料面形状的波动误差，采用正则化处理，引入正则化项R，则优化问题成为：

minJ(P₁，P₂，...，Ps)＝min{[W(P₁，P₂，...，Ps)-W_batch]+R}

其中正则化项如下：

R＝α∑(θ_i+1-θ_i)²    (i＝1，2，...，s-2)

其中θ_i是动态侵蚀边界上第i到i+1个特征点间的有向线段的倾角，而α是正则化系数。为了将上述极小化问题转化为遗传算法适用的极大化问题，我们采用将大数减去目标函数作为新的目标函数的方法。这样即可得到遗传算法中的适应度函数。

(5)最终得到的最佳染色体即可作为所求料面数据进行输出。

Claims (1)

1.一种基于智能算法的高炉布料数值模拟方法，其特征在于：计算步骤如下：

（1）读取高炉布料炉喉直径、炉喉高度、溜槽参数、布料矩阵、料批重量、料尺深度、炉料参数，根据牛顿第三定律、运动方程和炉料下落时间计算炉料运动轨迹和落点位置；

（2）依据开炉实测料面形状特点，将料面形状划分为三段，分别以直线、抛物线进行描述，料流落点位置就是料面堆尖位置，在多角度布料过程中，炉料落点位置和料面形状不断变化，每个角度对应的料面形状互相叠加，采用分段函数方程联立求交点的方法，以左右料线深度检测值，分别计算左右两边的三段法料面形状，并保存料面离散点数据；

（3）炉喉区域自动划分网格，并存储网格单元的尺寸信息；

（4）以三段法料面为基础，提取矿石、焦炭的料面形状特征，作为遗传算法中染色体基因取值范围的设置基准；

（5）将料尺深度值植入遗传算法染色体中，使进化过程中每个世代的种群都具有此基因特征；

（6）计算每个染色体的适应度时，需计算炉料批重适应度和正则化适应度，综合得到种群中各染色体的适应度；

（7）最终得到的最佳染色体即作为所求料面数据进行输出；

（8）根据计算得到的料面分布数据绘制料层分布图像。

Images