CN111339716A - 一种锅炉高温烟气流场在线代理模型构建方法 - Google Patents
一种锅炉高温烟气流场在线代理模型构建方法 Download PDFInfo
- Publication number
- CN111339716A CN111339716A CN202010106733.9A CN202010106733A CN111339716A CN 111339716 A CN111339716 A CN 111339716A CN 202010106733 A CN202010106733 A CN 202010106733A CN 111339716 A CN111339716 A CN 111339716A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- model
- temperature
- boiler
- flow field
- 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
Links
Images
Landscapes
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种锅炉高温烟气流场在线代理模型构建方法,首先根据锅炉的结构尺寸建立CFD仿真模型;再对各种工况参数进行抽样处理,作为仿真模型的边界条件,通过多工况仿真计算获得截面烟气温度场和速度场分布;然后对截面进行离散化处理,按需划分成若干区域,统计合理的烟气温度和速度数据集;再利用少量传感器测量值对仿真结果进行修正;最后构建代理模型:构建ANN代理模型,拟合各工况参数和截面烟气流场之间的函数关系,并利用PSO算法对ANN的权值和阈值进行优化,该代理模型可以实现锅炉特定截面上(如炉膛出口截面)烟气温度场和速度场的在线预测。本发明的锅炉高温烟气流场在线代理模型构建方法,预测精度较高、可靠性和实时性较好。
Description
技术领域
本发明涉及一种锅炉高温烟气流场在线代理模型构建方法,特别涉及一种基于PSO-ANN的锅炉高温烟气流场在线代理模型构建方法。
背景技术
截至2017年7月底,我国已投产1000MW超临界机组101台。随着锅炉蒸汽参数和容量的提高,烟气流场沿烟道宽度和高度方向分布的不均匀性以及蒸汽沿各管间流量分配的不均匀性都不同程度的存在,使得水冷壁及过热器管道容易产生局部热偏差,严重时会导致水冷壁或过热器管道超温爆管而失效。
锅炉管壁温度监测一直是困扰锅炉运行的难题,其中最主要的就是如何精确预测特定截面烟气的流场,由于炉膛内高温烟气可以达到1000℃左右,并且存在多灰、腐蚀等恶劣条件,传统传感器无法进行长时间在线测量,而且炉膛体积较大,传感器布置数量有限,因此直接利用传感器进行烟气流场的测量难以实现。中国专利CN102799775B利用数值模拟方法得到屏式过热器计算区域附近的烟温和烟速分布,但是这种方法在计算烟气流场的过程中存在严重的问题。CFD数值模拟虽然准确性较高,但是本身存在计算速度慢,耗时长的缺点,因此严重影响了结果的可靠性和实时性。这就要求一种计算精度较高,可以在线预测锅炉高温烟气流场的代理模型。
发明内容
本发明的目的是提供一种锅炉高温烟气流场在线代理模型构建方法,预测精度较高、耗时短,可以实时输出特定截面(如炉膛出口截面)烟气温度场和速度场。
本发明的技术方案为:
一种锅炉高温烟气流场在线代理模型构建方法,包括以下步骤:
(1)根据锅炉的结构尺寸建立CFD仿真模型,利用Fluent对目标锅炉的流体传热、辐射传热和煤粉燃烧过程进行建模;
(2)采用一种抽样方法(如拉丁超立方抽样)给定各工况输入变量的值,即输入变量数据集,在各变量的取值范围内进行采样,将采样得到的多种工况参数作为步骤(1)模型的边界条件,进行CFD仿真计算,获得多工况下不同截面的烟气温度场和速度场分布;
(3)对所需截面进行离散化处理,按需划分成若干区域,利用步骤(2)中多工况数值仿真结果,统计合理的烟气温度和速度数据集,为烟温和烟速预测模型的建立提供充足的样本;
(4)利用传感器测量值对仿真结果进行修正,得到修正后的输出变量数据集,在所需截面的网格点布置传感器,测量其烟温和速度,用来修正烟气流场分布;
(5)构建代理模型:构建ANN(Artificial Neural Network)代理模型,拟合各工况参数和截面烟气流场之间的函数关系,并利用PSO(Particle Swarm Optimization)算法对ANN代理模型的权值和阈值进行优化,实现不同工况下锅炉所需截面烟气流场分布的在线预测。
上述技术方案中,进一步地,步骤(1)中,分别采用标准k-ε模型和拉格朗日随机轨道模型模拟气相湍流流动和气固两相流动;对于煤粉颗粒,采用DPM(Discrete PhaseModel)模型添加煤粉颗粒,模拟煤粉燃烧器内的煤粉燃烧过程;采用混合分数-概率密度函数(Probability Density Function,PDF)模型模拟气相湍流流动中中间产物的形成、化学反应和组分输运情况,从而进行流体传热计算;用DO模型进行气固两相流动中的辐射传热计算,DO模型能够求解所有光学深度区间的辐射问题,能求解燃烧问题中的面对面辐射问题;对上述模型采用二阶迎风格式和SIMPLE算法进行求解以保证计算精度。
进一步地,步骤(2)中,输入变量包括:一次风速、内二次风速、外二次风速、一次风温、二次风温、给煤量、燃尽风速、燃尽风温;将上述参数作为步骤(1)中模型的边界条件,具体为:燃烧器一次风、内二次风采用垂直边界直流射入,外二次风采用旋流射入,燃尽风垂直边界直流射入;空气入口条件为速度入口;煤粉入口条件为质量流量入口;出口为微负压出口;壁面采用无滑移无厚度边界,不同位置的壁面均设置为恒温壁面,并考虑壁面辐射。
利用单个测量点数据对截面烟气温度和速度进行修正,公式如下:
其中,Tc为测量点烟气温度值,ηc为测量点所对应的温度偏差系数;Vc为测量点烟气速度值,ηc为测量点所对应的速度偏差系数。
最后对每个网格点得到的所有修正值求平均,即得到截面烟气温度和速度最终的修正结果:
所有测量点数据对截面烟气速度修正的结果:
其中,d为传感器测量点总数。
进一步地,步骤(5)中,构建ANN代理模型的步骤为:
利用步骤(2)中确定的输入变量数据集和步骤(4)中修正后的输出变量数据集,划分训练集和测试集,建立初始神经网络模型,确定神经网络的输入层数n、隐藏层数m、输出层数k以及激活函数。
进一步地,步骤(5)中,利用PSO算法对ANN代理模型的权值和阈值进行优化的步骤为:
2)评价每个粒子的适应度,以神经网络输出层的均方误差(Mean Squared Error,MSE)最小作为寻优目标,目标函数如下:
3)对每个粒子,记录其历史最优适应度值pbestn;
4)记录全部粒子的最优适应度值gbest;
5)更新粒子速度和位置;
t表示迭代次数;i表示第i个粒子,i=1,2,...,N;为第t次迭代后,目前为止发现的每个粒子的最好位置;gbestt为第t次迭代后,目前为止整个粒子群发现的最好位置(gbestt为中的最优值);为第t次迭代,第i个粒子的位置;为第t次迭代,第i个粒子的速度;ω是保持原来速度的系数,称为惯性权重;c1是粒子跟踪自己历史最优值的权重系数,通常设置为2;c2是粒子跟踪群体最优值的权重系数,通常设置为2;ξ,η是[0,1]区间内均匀分布的随机数;r是约束因子,通常设置为1;
6)未达到结束条件:MSE小于设定误差,则转第2)步。
本发明的有益效果在于:
本发明是在CFD数值模拟的基础上,构建ANN代理模型,拟合一次风速、内二次风速、外二次风速、一次风温、二次风温、给煤量、燃尽风速、燃尽风温等参数和截面烟气流场之间的函数关系,并利用PSO对神经网络的权值和阈值进行优化,最终建立一个可以在线预测特定截面(如炉膛出口截面)烟气温度场和速度场的ANN代理模型。该模型可以实时输出特定截面上的烟气温度场和速度场,既可以用于分析烟气侧热偏差,又可以进行锅炉壁温在线计算,避免超温爆管事故影响机组的正常运行,减少锅炉运行的安全隐患。
附图说明
图1为本发明的锅炉高温烟气流场在线代理模型构建方法的主流程图;
图2为实施例炉膛出口截面处烟气温度场网格划分图;
图3为实施例炉膛出口截面处烟气速度场网格划分图;
图4为本发明烟温或速度预测的ANN代理模型结构图;
图5为本发明PSO-ANN代理模型训练流程图。
具体实施方式
如图1为本发明提供的一种锅炉高温烟气流场在线代理模型构建方法的主流程图。该方法包括以下步骤:
(1)根据锅炉的结构尺寸建立CFD仿真模型,利用Fluent对目标锅炉的流体传热、辐射传热和煤粉燃烧过程进行建模;
(2)采用拉丁超立方抽样给定各工况输入变量的值,根据表1,在各输入变量的取值范围内进行采样,将采样得到的多种工况参数作为步骤(1)模型的边界条件,进行CFD仿真计算,获得多种工况下炉膛出口截面的烟气温度场(图2)和速度场(图3)分布;
表1各运行参数抽样范围
(3)对特定截面进行离散化处理,如图2和图3,按需划分成若干区域,利用步骤(2)中多工况数值仿真结果,统计合理的烟气温度和速度数据集,为烟温和烟速预测模型的建立提供充足的样本;
(4)利用少量传感器测量值对仿真结果进行修正,在所需截面的部分网格点布置传感器,测量其烟温和速度,用来修正烟气流场分布;网格点即为图2、图3中的网格分布,任意选取部分网格点利用传感器进行测量;
(5)构建代理模型:按照图4所示ANN代理模型结构,拟合各工况参数和截面烟气流场之间的函数关系,并利用PSO算法对ANN代理模型的权值和阈值进行优化,实现不同工况下锅炉特定截面上烟气流场分布的在线预测。
步骤(1)中,采用标准k-ε模型和拉格朗日随机轨道模型模拟气相湍流流动和气固两相流动;对于煤粉颗粒,采用DPM(Discrete Phase Model)模型添加煤粉颗粒,模拟煤粉燃烧器内的煤粉燃烧过程;采用混合分数-概率密度函数(Probability DensityFunction,PDF)模型模拟气相湍流流动中中间产物的形成、化学反应和组分输运情况,从而进行流体传热计算;考虑气体与颗粒之间的辐射换热,用DO模型进行气固两相流动中的辐射传热计算,DO模型能够求解所有光学深度区间的辐射问题,能求解燃烧问题中的面对面辐射问题;对上述模型采用二阶迎风格式和SIMPLE算法进行求解以保证计算精度。
步骤(2)中,输入变量包括:一次风速、内二次风速、外二次风速、一次风温、二次风温、给煤量、燃尽风速、燃尽风温;将上述参数作为步骤(1)中模型的边界条件,具体为:燃烧器一次风、内二次风采用垂直边界直流射入,外二次风采用旋流射入,燃尽风垂直边界直流射入;空气入口条件为速度入口;煤粉入口条件为质量流量入口;出口为微负压出口;壁面采用无滑移无厚度边界,不同位置的壁面均设置为恒温壁面,并考虑壁面辐射。
利用单个测量点数据对截面烟气温度和速度进行修正,公式如下:
其中,Tc为测量点烟气温度值,ηc为测量点所对应的温度偏差系数;Vc为测量点烟气速度值,ηc为测量点所对应的速度偏差系数。
最后对每个网格点得到的所有修正值求平均,即得到截面烟气温度和速度最终的修正结果:
所有测量点数据对截面烟气速度修正的结果:
其中,d为传感器测量点总数。
步骤(5)中,构建ANN代理模型的步骤为:
利用步骤(2)中确定的输入变量数据集和步骤(4)中修正后的输出变量数据集,划分训练集和测试集,建立初始神经网络模型,确定神经网络的输入层数n、隐藏层数m、输出层数κ以及激活函数。
步骤(5)中,如图5所示,利用PSO算法对ANN代理模型的权值和阈值进行优化的步骤为:
2)评价每个粒子的适应度,以神经网络输出层的均方误差(Mean Squared Error,MSE)最小作为寻优目标,目标函数如下:
3)对每个粒子,记录自己搜索到的历史最优适应度值pbestn;
4)记录全部粒子搜索到的最优适应度值gbest;
5)根据下述公式更新粒子速度和位置;
t表示迭代次数;i表示第i个粒子,i=1,2,...,N;为第t次迭代后,目前为止发现的每个粒子的最好位置;gbestt为第t次迭代后,目前为止整个粒子群发现的最好位置(gbestt为中的最优值);为第t次迭代,第i个粒子的位置;为第t次迭代,第i个粒子的速度;ω是保持原来速度的系数,称为惯性权重;c1是粒子跟踪自己历史最优值的权重系数,通常设置为2;c2是粒子跟踪群体最优值的权重系数,通常设置为2;ξ,η是[0,1]区间内均匀分布的随机数;r是约束因子,通常设置为1;
6)未达到结束条件:MSE小于设定误差,则转第2)步。
Claims (6)
1.一种锅炉高温烟气流场在线代理模型构建方法,其特征在于,包括以下步骤:
(1)根据锅炉的结构尺寸建立CFD仿真模型,利用Fluent软件对目标锅炉的流体传热、辐射传热和煤粉燃烧过程进行建模;
(2)抽样给定各工况输入变量的值,即输入变量数据集,在各变量的取值范围内进行采样,将采样得到的多种工况参数作为步骤(1)模型的边界条件,进行CFD仿真计算,获得多工况下不同截面的烟气温度场和速度场分布;
(3)对所需截面进行离散化处理,按需划分成若干区域,利用步骤(2)中多工况数值仿真结果,统计合理的烟气温度和速度数据集,为烟温和烟速预测模型的建立提供充足的样本;
(4)利用传感器测量值对仿真结果进行修正,得到修正后的输出变量数据集,在所需截面的网格点布置传感器,测量其烟温和速度,用来修正烟气流场分布;
(5)构建代理模型:构建ANN代理模型,拟合各工况参数和截面烟气流场之间的函数关系,并利用PSO算法对ANN代理模型的权值和阈值进行优化,实现不同工况下锅炉所需截面烟气流场分布的在线预测。
2.根据权利要求1所述的一种锅炉高温烟气流场在线代理模型构建方法,其特征在于,所述步骤(1)中,分别采用标准k-ε模型和拉格朗日随机轨道模型模拟气相湍流流动和气固两相流动;采用DPM模型添加煤粉颗粒,模拟煤粉燃烧器内的燃烧过程;采用混合分数-概率密度函数模型模拟气相湍流流动中中间产物的形成、化学反应和组分输运情况,从而进行流体传热计算;用DO模型进行气固两相流动中的辐射传热计算;对上述模型采用二阶迎风格式和SIMPLE算法进行求解以保证计算精度。
3.根据权利要求1所述的一种锅炉高温烟气流场在线代理模型构建方法,其特征在于,所述步骤(2)中,所述的输入变量包括:一次风速、内二次风速、外二次风速、一次风温、二次风温、给煤量、燃尽风速、燃尽风温;将上述参数作为步骤(1)中模型的边界条件,具体为:燃烧器一次风、内二次风采用垂直边界直流射入,外二次风采用旋流射入,燃尽风垂直边界直流射入;空气入口条件为速度入口;煤粉入口条件为质量流量入口;出口为微负压出口;壁面采用无滑移无厚度边界,不同位置的壁面均设置为恒温壁面,并考虑壁面辐射。
利用单个测量点数据对截面烟气温度和速度进行修正,公式如下:
其中,Tc为测量点烟气温度值,ηc为测量点所对应的温度偏差系数;Vc为测量点烟气速度值,ηc为测量点所对应的速度偏差系数;
最后对每个网格点得到的所有修正值求平均,即得到截面烟气温度和速度最终的修正结果:
所有测量点数据对截面烟气速度修正的结果:
其中,d为传感器测量点总数。
5.根据权利要求1所述的一种锅炉高温烟气流场在线代理模型构建方法,其特征在于,所述步骤(5)中,构建ANN代理模型的步骤为:
利用步骤(2)中确定的输入变量数据集和步骤(4)中修正后的输出变量数据集,划分训练集和测试集,建立初始神经网络模型,确定神经网络的输入层数n、隐藏层数m、输出层数k以及激活函数。
6.根据权利要求1所述的一种锅炉高温烟气流场在线代理模型构建方法,其特征在于,所述步骤(5)中,利用PSO算法对ANN代理模型的权值和阈值进行优化的步骤为:
2)评价每个粒子的适应度,以神经网络输出层的均方误差MSE最小作为寻优目标,目标函数如下:
3)对每个粒子,记录其历史最优适应度值pbestn;
4)记录全部粒子的最优适应度值gbest;
5)更新粒子速度和位置;
t表示迭代次数;i表示第i个粒子,i=1,2,...,N;为第t次迭代后,目前为止发现的每个粒子的最好位置;gbestt为第t次迭代后,目前为止整个粒子群发现的最好位置,gbestt为中的最优值;为第t次迭代,第i个粒子的位置;为第t次迭代,第i个粒子的速度;ω是保持原来速度的系数,称为惯性权重;c1是粒子跟踪自己历史最优值的权重系数,通常设置为2;c2是粒子跟踪群体最优值的权重系数,通常设置为2;ξ,η是[0,1]区间内均匀分布的随机数;r是约束因子,通常设置为1;
6)未达到结束条件:MSE小于设定误差,则转第2)步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106733.9A CN111339716B (zh) | 2020-02-19 | 2020-02-19 | 一种锅炉高温烟气流场在线代理模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106733.9A CN111339716B (zh) | 2020-02-19 | 2020-02-19 | 一种锅炉高温烟气流场在线代理模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339716A true CN111339716A (zh) | 2020-06-26 |
CN111339716B CN111339716B (zh) | 2022-07-22 |
Family
ID=71181734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010106733.9A Active CN111339716B (zh) | 2020-02-19 | 2020-02-19 | 一种锅炉高温烟气流场在线代理模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339716B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898794A (zh) * | 2020-06-10 | 2020-11-06 | 山东科技大学 | 一种大型燃煤锅炉热效率的异常监测方法 |
CN113361192A (zh) * | 2021-05-31 | 2021-09-07 | 浙江大学 | 一种锅炉内受热面壁温安全监测评估系统 |
CN113446598A (zh) * | 2021-05-26 | 2021-09-28 | 山西河坡发电有限责任公司 | 一种cfb锅炉全负荷下低氮燃烧分区控制方法 |
CN113569476A (zh) * | 2021-07-23 | 2021-10-29 | 西安中锐创联科技有限公司 | 一种利用动态参数混合实现混合维联合仿真的方法 |
CN114117954A (zh) * | 2021-11-08 | 2022-03-01 | 北京工业大学 | 一种反应器内部三维反应场动态实时可视化方法 |
CN115034138A (zh) * | 2022-06-24 | 2022-09-09 | 华北电力大学 | 以计算流体力学与深度学习结合的锅炉温度场预测方法 |
CN116776770A (zh) * | 2023-06-13 | 2023-09-19 | 天津国能津能滨海热电有限公司 | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 |
CN118070713A (zh) * | 2024-04-18 | 2024-05-24 | 苏州工业园区蒙纳士科学技术研究院 | 数值模拟与人工神经网络相耦合的焦化过程实时模拟方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101251873B1 (ko) * | 2012-12-20 | 2013-04-10 | 동국대학교 산학협력단 | 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법 |
CN103400015A (zh) * | 2013-08-15 | 2013-11-20 | 华北电力大学 | 基于数值模拟与试验运行数据的燃烧系统复合建模方法 |
CN106339551A (zh) * | 2016-08-29 | 2017-01-18 | 广东电网有限责任公司电力科学研究院 | 一种电站锅炉煤粉燃烧特性生成数值的模拟方法及装置 |
CN109086531A (zh) * | 2018-08-07 | 2018-12-25 | 中南大学 | 基于神经网络的天线设计方法 |
CN109146121A (zh) * | 2018-06-25 | 2019-01-04 | 华北电力大学 | 基于pso-bp模型的停限产情况下的电量预测方法 |
CN110472274A (zh) * | 2019-07-03 | 2019-11-19 | 浙江大学 | 一种锅炉内流场热偏差模型实时预测方法 |
CN110530684A (zh) * | 2019-08-20 | 2019-12-03 | 山东中实易通集团有限公司 | 一种电厂锅炉烟气成份取样装置、测量系统及方法 |
-
2020
- 2020-02-19 CN CN202010106733.9A patent/CN111339716B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101251873B1 (ko) * | 2012-12-20 | 2013-04-10 | 동국대학교 산학협력단 | 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법 |
CN103400015A (zh) * | 2013-08-15 | 2013-11-20 | 华北电力大学 | 基于数值模拟与试验运行数据的燃烧系统复合建模方法 |
CN106339551A (zh) * | 2016-08-29 | 2017-01-18 | 广东电网有限责任公司电力科学研究院 | 一种电站锅炉煤粉燃烧特性生成数值的模拟方法及装置 |
CN109146121A (zh) * | 2018-06-25 | 2019-01-04 | 华北电力大学 | 基于pso-bp模型的停限产情况下的电量预测方法 |
CN109086531A (zh) * | 2018-08-07 | 2018-12-25 | 中南大学 | 基于神经网络的天线设计方法 |
CN110472274A (zh) * | 2019-07-03 | 2019-11-19 | 浙江大学 | 一种锅炉内流场热偏差模型实时预测方法 |
CN110530684A (zh) * | 2019-08-20 | 2019-12-03 | 山东中实易通集团有限公司 | 一种电厂锅炉烟气成份取样装置、测量系统及方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898794B (zh) * | 2020-06-10 | 2022-04-29 | 山东科技大学 | 一种大型燃煤锅炉热效率的异常监测方法 |
CN111898794A (zh) * | 2020-06-10 | 2020-11-06 | 山东科技大学 | 一种大型燃煤锅炉热效率的异常监测方法 |
CN113446598A (zh) * | 2021-05-26 | 2021-09-28 | 山西河坡发电有限责任公司 | 一种cfb锅炉全负荷下低氮燃烧分区控制方法 |
CN113446598B (zh) * | 2021-05-26 | 2022-10-04 | 山西河坡发电有限责任公司 | 一种cfb锅炉全负荷下低氮燃烧分区控制方法 |
CN113361192A (zh) * | 2021-05-31 | 2021-09-07 | 浙江大学 | 一种锅炉内受热面壁温安全监测评估系统 |
CN113569476B (zh) * | 2021-07-23 | 2023-12-01 | 西安中锐创联科技有限公司 | 一种利用动态参数混合实现混合维联合仿真的方法 |
CN113569476A (zh) * | 2021-07-23 | 2021-10-29 | 西安中锐创联科技有限公司 | 一种利用动态参数混合实现混合维联合仿真的方法 |
CN114117954A (zh) * | 2021-11-08 | 2022-03-01 | 北京工业大学 | 一种反应器内部三维反应场动态实时可视化方法 |
CN114117954B (zh) * | 2021-11-08 | 2023-04-18 | 北京工业大学 | 一种反应器内部三维反应场动态实时可视化方法 |
CN115034138A (zh) * | 2022-06-24 | 2022-09-09 | 华北电力大学 | 以计算流体力学与深度学习结合的锅炉温度场预测方法 |
CN116776770A (zh) * | 2023-06-13 | 2023-09-19 | 天津国能津能滨海热电有限公司 | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 |
CN116776770B (zh) * | 2023-06-13 | 2024-03-19 | 天津国能津能滨海热电有限公司 | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 |
CN118070713A (zh) * | 2024-04-18 | 2024-05-24 | 苏州工业园区蒙纳士科学技术研究院 | 数值模拟与人工神经网络相耦合的焦化过程实时模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111339716B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339716B (zh) | 一种锅炉高温烟气流场在线代理模型构建方法 | |
WO2023065719A1 (zh) | 一种锅炉炉膛数值模拟与水动力协同集成计算方法 | |
CN111695249B (zh) | 一种燃气锅炉热效率的预测方法 | |
CN113361192A (zh) | 一种锅炉内受热面壁温安全监测评估系统 | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
Romeo et al. | Neural network for evaluating boiler behaviour | |
CN112989694B (zh) | 受热面灰污区段化监测系统及方法 | |
CN115374636B (zh) | 一种锅炉数值模拟与性能计算耦合的壁温预测方法 | |
CN109695892B (zh) | 一种锅炉受热面壁温保护方法及装置 | |
Zeng et al. | Investigation on pressure drop and heat transfer performances of plate-fin iron air preheater unit with experimental and Genetic Algorithm methods | |
CN109829189B (zh) | 一种基于数值模拟的炉膛结渣厚度判断方法 | |
CN110207094B (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
CN110472274A (zh) | 一种锅炉内流场热偏差模型实时预测方法 | |
CN113074459A (zh) | 锅炉控制优化方法及系统 | |
CN114239430A (zh) | 一种基于数值模拟的炉膛出口NOx预测方法及系统 | |
CN110929446B (zh) | 锅炉屏式受热面的热流密度和蒸汽流量分配的预测方法 | |
CN115510904A (zh) | 基于时序预测的锅炉受热面积灰监测方法 | |
CN103440390B (zh) | 工业蒸汽裂解炉辐射段的耦合模拟方法 | |
CN116776770B (zh) | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 | |
Modliński | Computational modelling of a tangentially fired boiler with deposit formation phenomena | |
CN114675607A (zh) | 结合火焰温度的入炉煤热值预测与校正控制方法 | |
CN106838979B (zh) | 基于锅炉炉膛网格检测co和o2浓度的分布场构建方法 | |
CN113239612A (zh) | 一种锅炉燃烧状态诊断方法、系统及存储介质 | |
CN104102842A (zh) | 基于经济性指标参数的氮氧化物排放预测方法和装置 | |
Saini et al. | Nonlinear state estimation of a power plant superheater by using the extended Kalman filter for differential algebraic equation systems |
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 |