CN111931417B - 一种辊道窑工艺参数的分析与优化方法 - Google Patents

一种辊道窑工艺参数的分析与优化方法 Download PDF

Info

Publication number
CN111931417B
CN111931417B CN202010705040.1A CN202010705040A CN111931417B CN 111931417 B CN111931417 B CN 111931417B CN 202010705040 A CN202010705040 A CN 202010705040A CN 111931417 B CN111931417 B CN 111931417B
Authority
CN
China
Prior art keywords
roller kiln
combustion
analyzing
process parameters
temperature
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.)
Active
Application number
CN202010705040.1A
Other languages
English (en)
Other versions
CN111931417A (zh
Inventor
杨海东
朱成就
徐康康
印四华
田力
胡罗克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010705040.1A priority Critical patent/CN111931417B/zh
Publication of CN111931417A publication Critical patent/CN111931417A/zh
Application granted granted Critical
Publication of CN111931417B publication Critical patent/CN111931417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Genetics & Genomics (AREA)
  • Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)

Abstract

本发明提供一种辊道窑工艺参数的分析与优化方法，包括以下步骤：S1：对陶瓷辊道窑进行数值模拟；S2：根据数值模拟结果，分析辊道窑结构参数对温度均匀性的影响；S3：采用正交试验分析辊道窑工艺参数对温度均匀性的影响；S4：建立BP神经网络并分析工艺参数与温度均匀性的关系；S5：根据BP神经网络确定优化问题；S6：采用Pareto遗传算法求解优化问题，从而对工艺参数进行多目标优化，得到优化后的工艺参数。本发明提供一种辊道窑工艺参数的分析与优化方法，解决了目前没有根据辊道窑工艺参数与温度均匀性系数之间的关联对辊道窑工艺参数进行优化的问题。

Description

一种辊道窑工艺参数的分析与优化方法
技术领域
本发明涉及辊道窑工艺参数优化技术领域，更具体的，涉及一种辊道窑工艺参数的分析与优化方法。
背景技术
辊道窑是一种比较复杂的设备，每次生产之前的调试都会花去很多时间，而且由于调试困难，经常采取一次调试然后进行大批量生产的方式来进行作业。从而使得同一批次的产品生产的越多，整体生产效率越高。由于不同的产品对温度场的要求也不一样，所以导致对于某些小批量的产品效益并不高。
国家近年在推行绿色生产，节能减排政策，为了减少窑炉的能耗同时也提高生产质量，已经有相当一批国内的学者通过对窑炉进行数值模拟的办法对窑炉进行了分析和研究，但难以获得辊道窑工艺参数与温度均匀性系数之间的关联，没有根据辊道窑工艺参数与温度均匀性系数之间的关联对辊道窑工艺参数进行优化。
冯青，陆琳，曾德生，等，辊道窑烧嘴安装位置对窑内气流影响的研究[C]//中国硅酸盐学会陶瓷分会2003年学术年会论文集，2003，通过改变烧嘴的安装位置来影响窑内气流的流动从而提高热传效率及温度场的均匀性。
童剑辉，冯青，汪和平，辊道窑烧成带气体流场与温度场的三维数值模拟[J]，中国陶瓷，2006，042(005)：27-31，使用数值模拟的办法对辊道窑烧成带进行建模，研究了窑内烟气的流动对各种场及对流换热的影响。
曾令可，张功元，陶瓷坯体烧成过程中温度场的三维有限元分析[J]，材料研究学报，1994，8(3)：245-252，建立了陶瓷胚体的三维数值模型，研究了在不同工况条件下，陶瓷表面温度与陶瓷内部温度的变化规律。
孙宇彤，曾令可，程小苏，宽断面隧道窑冷却带的计算机模拟[J]，陶瓷，2000，000(002)：7-11，通过对隧道窑的冷却带建立数值模型，研究了在不同窑炉冷却曲线下产品的温度变化规律。
张柏清，卢立用，黄志诚，气烧明焰辊道窑烧嘴的三维数值模拟[J]，陶瓷学报，2005，026(003)：153-157，对气焰明窑的烧嘴进行了研究，通过对烧嘴结构进行三维数值建模，研究了烧嘴的热性能，并对烧成带烟气在不同流速的情况下对窑内的温度及燃料消耗速度产生的影响规律进行了研究。
发明内容
本发明为克服现有技术没有根据辊道窑工艺参数与温度均匀性系数之间的关联对辊道窑工艺参数进行优化的技术缺陷，提供一种辊道窑工艺参数的分析与优化方法。
为解决上述技术问题，本发明的技术方案如下：
一种辊道窑工艺参数的分析与优化方法，包括以下步骤：
S1：对陶瓷辊道窑进行数值模拟；
S2：根据数值模拟结果，分析辊道窑结构参数对温度均匀性的影响；
S3：采用正交试验分析辊道窑工艺参数对温度均匀性的影响；
S4：建立BP神经网络并分析工艺参数与温度均匀性的关系；
S5：根据BP神经网络确定优化问题；
S6：采用Pareto遗传算法求解优化问题，从而对工艺参数进行多目标优化，得到优化后的工艺参数。
优选的，在步骤S1中，对陶瓷辊道窑进行数值模拟包括：
S1.1：建立辊道窑三维模型；
S1.2：建立数值物理模型；
S1.3：根据实际设定边界条件。
优选的，建立辊道窑三维模型包括以下步骤：
S1.1.1：选取宽体辊道窑作为研究对象；
S1.1.2：根据宽体辊道窑的实际结构参数，选取宽体辊道窑的一节烧成带，将烧嘴结构简化为圆柱体结构，以设定的物理边界条件代替宽体辊道窑的物理结构，建立宽体辊道窑的简化三维模型；
S1.1.3：根据宽体辊道窑的实际外形和结构将宽体辊道窑的简化三维模型网格化。
优选的，数值物理模型包括流动控制方程、湍流模型、燃烧模型、辐射模型；其中，
流动控制方程包括质量守恒方程、动量守恒方程、能量守恒方程、组分质量守恒方程；
湍流模型为基于湍流动能κ和湍流耗散率ε的方程：
Figure BDA0002594407800000031
Figure BDA0002594407800000032
燃烧模型为非预混燃烧模型中的混合分数概率密度函数PDF燃烧模型；PDF燃烧模型包括平均混合分数
Figure BDA0002594407800000033
和平均混合分数均方值
Figure BDA0002594407800000034
的方程，
平均混合分数
Figure BDA0002594407800000035
的方程为：
Figure BDA0002594407800000036
平均混合分数均方值
Figure BDA0002594407800000037
的方程为：
Figure BDA0002594407800000038
辐射模型为P-1辐射模型：
Figure BDA0002594407800000039
其中，t为时间，ρ为密度，k为流体的传热系数，xi为沿x方向的i分量，ui为速度矢量u沿x方向的i分量，xj为沿x方向的j分量，μ称之为动力粘度，μt为径向动力粘度，Gk表示由层流速度梯度的变化而产生的湍流动能，Gb表示由浮力产生的湍流动能，Yk为在可压缩湍流中过度的扩散过程中产生的波动，ε为耗散率，C1ε、C2ε、C3ε、Cg、Cd均为经验常数，σk是湍动能对应的普朗特数，σε是耗散率对应的普朗特数，Sk和Sε为用户定义的源项，模型常数的取值分别为：C1ε＝1.44,C2ε＝1.92,Cμ＝0.09,σk＝1.0,σε＝1.3；
Figure BDA00025944078000000310
为y方向的平均分量，
Figure BDA00025944078000000311
f为混合分数，Sm为质量由液体燃料或反应颗粒传入气相时的源项，Suser为用户定义的源项，常数σt、Cg、Cd分别取0.85、2.86、2.0；qr为，σs为散射系数，a为吸收系数，G为入射辐射性相功能系数，C为线性各相异性相位函数系数。
优选的，在步骤S2中，分析辊道窑的平顶与拱顶结构、四对烧嘴与六对烧嘴结构对温度均匀性的影响，且采用变异系数来评价温度均匀性；
即温度均匀性为：
Figure BDA0002594407800000041
其中，t为变异系数，即温度均匀性系数；tij为第i组工况窑内第j个点的温度值，
Figure BDA0002594407800000042
为第i组工况窑炉的平均温度。
优选的，利用四对烧嘴拱顶的辊道窑并建立四因素五水平的正交表试验得到助燃空气温度、天然气质量流量、助燃空气质量流量和烟气质量流量对温度均匀性的影响。
优选的，在步骤S4中，具体包括以下步骤：
S4.1：初始化BP神经网络，设置BP神经网络的输入层、隐含层、输出层和权值的参数；
S4.2：选择BP神经网络的训练模式，根据正交试验得到的数据建立输入矩阵并作为BP神经网络的输入向量，设置BP神经网络的输出向量为温度场均匀性与平均温度；
S4.3：开始BP神经网络的训练，对每个输入向量进行计算，得到网络输出和误差；
S4.4：判断误差是否收敛；
若收敛，则执行步骤S4.6；
若不收敛，则执行步骤S4.5；
S4.5：进行反向传播过程计算，计算每层的各个单元的局部梯度，对权值进行修正并返回执行步骤S4.3；
S4.6：完成训练学习过程，得到合适的BP神经网络，并利用该BP神经网络分析工艺参数与温度均匀性的关系。
优选的，在步骤S5中，以温度均匀性系数与燃烧过程中的能耗为优化目标，确定优化问题为：
Find(MNh天然气，MNh助燃风，tzk)
Minimize：l(MNh天然气，MNh助燃风，tzk)
Maxmize：η(MNh天然气，MNh助燃风，tzk)
Figure BDA0002594407800000043
l(MNh天然气，MNh助燃风，tzk)＝net(MNh天然气，MNh助燃风，tzk)
Rang:2.4131kg/h≤MNh天然气≤5.1712kg/h
26.4479kg/h≤MNh助燃风≤56.6741kg/h
340K≤tzk≤540K
1422K≤tcd
其中，MNh天然气为天然气的质量流量；MNh助燃风为助燃风的质量流量；tzk为助燃风的温度；Q有效为，Q总热能为，tcd为温度场平均温度；net代表神经网络。
优选的，Pareto遗传算法的参数设定为：种群初始为50，每代发生交叉的次数为2，选择几率为0.08，随机变异，进化代数为100代。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种辊道窑工艺参数的分析与优化方法，通过数值模拟分析辊道窑结构参数对温度均匀性的影响，采用正交试验分析辊道窑工艺参数对温度均匀性影响的大小，然后将正交试验所获得的数据作为BP神经网络的输入，通过BP神经网络获得工艺参数与温度均匀性的关系，并使用Pareto遗传算法来寻求一定条件下的最优生产工艺参数，从而满足产品在基本生产要求下，不对原窑炉的各项物理参数进行改变也能提高能源的利用率和温度场的均匀性。
附图说明
图1为本发明的技术方案实施步骤流程图；
图2为本发明中步骤S4的实施步骤流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种辊道窑工艺参数的分析与优化方法，包括以下步骤：
S1：对陶瓷辊道窑进行数值模拟；
S2：根据数值模拟结果，分析辊道窑结构参数对温度均匀性的影响；
S3：采用正交试验分析辊道窑工艺参数对温度均匀性的影响；
S4：建立BP神经网络并分析工艺参数与温度均匀性的关系；
S5：根据BP神经网络确定优化问题；
S6：采用Pareto遗传算法求解优化问题，从而对工艺参数进行多目标优化，得到优化后的工艺参数。
在实施过程中，通过数值模拟分析辊道窑结构参数对温度均匀性的影响，采用正交试验分析辊道窑工艺参数对温度均匀性影响的大小，然后将正交试验所获得的数据作为BP神经网络的输入，通过BP神经网络获得工艺参数与温度均匀性的关系，并使用Pareto遗传算法建立基于工艺参数的温度均匀性和热效率的多目标优化模型来寻求一定条件下的最优生产工艺参数，从而满足产品在基本生产要求下，不对原窑炉的各项物理参数进行改变也能提高能源的利用率和温度场的均匀性，进而使产品的良品率也得到了提高，提高了厂商的收益。
更具体的，在步骤S1中，对陶瓷辊道窑进行数值模拟包括：
S1.1：建立辊道窑三维模型；
S1.2：建立数值物理模型；
S1.3：根据实际设定边界条件。
在实施过程中，以典型的CFD计算流体力学软件Fluent为平台，对陶瓷辊道窑进行数值模拟。
更具体的，建立辊道窑三维模型包括以下步骤：
S1.1.1：选取宽体辊道窑作为研究对象；
S1.1.2：根据宽体辊道窑的实际结构参数，选取宽体辊道窑的一节烧成带，将烧嘴结构简化为圆柱体结构，以设定的物理边界条件代替宽体辊道窑的物理结构，建立宽体辊道窑的简化三维模型；
S1.1.3：根据宽体辊道窑的实际外形和结构将宽体辊道窑的简化三维模型网格化。
在实施过程中，宽体辊道窑的烧成带长2160mm，窑顶高1140mm，窑宽3450mm，窑墙高911mm，一侧辊道上的四个烧嘴上下交错、左右平行布置，每个烧嘴间距1080mm，烧嘴与入口距离270mm，上方的烧嘴距离窑顶墙190mm。在此实施例中，只考虑辊道窑内部空间作为三维模型的实体，因此去除窑壁材料、窑顶、窑底砖、棍棒、观察孔等物理结构，采用设定的物理边界条件代替，节省大量的网格数量。烧成带中的气体流动特征基本相似，因此只取一节作为进行计算分析。砖胚的之间的距离采用厂家提供的数据，距离窑墙200mm，每块砖之间的间距为325mm，将棍棒与砖胚看作一个平面且不能移动。
在实施过程中，使用ASYSY软件中的mesh模块将辊道窑三维模型网格化。辊道窑窑体与烧嘴的结构不同，烧嘴简化为了圆柱体，窑体的主要结构为长方体，窑顶为弧形，因此主体结构可以使用六面体结构，而烧嘴部分则可以使用对称的四面体结构。在细节上，将窑炉分为几个体之后还需要使用form功能将体结合为一个部件，这样在网格化时，网格软件会将其视为一个整体，在各个体之间的结合部会自动将网格链接起来。例如喷嘴与窑壁的结合部网格就会自动链接，才不会在计算的时候出现数据断链，并且由于烧嘴的燃烧反应是一个极其剧烈的反应，所以也需要对整个烧嘴与窑壁的链接区域进行细化，使得计算结构更加可靠，误差更小。考虑到窑体内的烟气流动分布的特点，将窑体使用结构化网格划分，在反应不剧烈的地方网格大小与质量则不需要特别高，所以不需要额外的细化工作，只需要网格不出现缺陷，网格的垂直度与正交度达到合格即可。由于砖胚的高度只有10mm，相对于整个窑高是比较小的，处理砖胚的网格时需要细化，首先将包含砖胚的一部分窑体切割出，并单独将砖胚与窑体的结合面单独标出并细化，通过限制砖胚网格的最大尺寸可以使得此部分的网格划分合理。
更具体的，数值物理模型包括流动控制方程、湍流模型、燃烧模型、辐射模型；其中，
流动控制方程包括质量守恒方程、动量守恒方程、能量守恒方程、组分质量守恒方程；
湍流模型为基于湍流动能κ和湍流耗散率ε的方程：
Figure BDA0002594407800000071
Figure BDA0002594407800000072
燃烧模型为非预混燃烧模型中的混合分数概率密度函数PDF燃烧模型；PDF燃烧模型包括平均混合分数
Figure BDA0002594407800000073
和平均混合分数均方值
Figure BDA0002594407800000074
的方程，
平均混合分数
Figure BDA0002594407800000075
的方程为：
Figure BDA0002594407800000081
平均混合分数均方值
Figure BDA0002594407800000082
的方程为：
Figure BDA0002594407800000083
辐射模型为P-1辐射模型：
Figure BDA0002594407800000084
其中，t为时间，ρ为密度，k为流体的传热系数，xi为沿x方向的i分量，ui为速度矢量u沿x方向的i分量，xj为沿x方向的j分量，μ称之为动力粘度，μt为径向动力粘度，Gk表示由层流速度梯度的变化而产生的湍流动能，Gb表示由浮力产生的湍流动能，Yk为在可压缩湍流中过度的扩散过程中产生的波动，ε为耗散率，C1ε、C2ε、C3ε、Cg、Cd均为经验常数，σk是湍动能对应的普朗特数，σε是耗散率对应的普朗特数，Sk和Sε为用户定义的源项，模型常数的取值分别为：C1ε＝1.44,C2ε＝1.92,Cμ＝0.09,σk＝1.0,σε＝1.3；
Figure BDA0002594407800000085
为y方向的平均分量，
Figure BDA0002594407800000086
f为混合分数，Sm为质量由液体燃料或反应颗粒传入气相时的源项，Suser为用户定义的源项，常数σt、Cg、Cd分别取0.85、2.86、2.0；qr为，σs为散射系数，a为吸收系数，G为入射辐射性相功能系数，C为线性各相异性相位函数系数。
在实施过程中，将辊道窑内的烟气流动看作定常湍流，将热传递看作稳态传热。由于一节烧成带的长度和空间有限，故忽略烟气密度变化，同时只考虑辊道窑内烟气辐射传热与辊道窑壁的固壁辐射传热，忽略棍棒与砖胚之间的传热。
在实施过程中，利用fluent中20组分的PDF燃烧模型来计算分析燃烧反应。
更具体的，边界条件包括壁面边界条件和气流边界条件。
在实施过程中，壁面边界条件和气流边界条件根据实际情况确定。
表1是数值仿真壁面边界条件。
表1
Figure BDA0002594407800000087
Figure BDA0002594407800000091
表2是数值仿真的流体边界条件。
表2
类型 密度(kg/m<sup>3</sup>) 比热容(kJ/kg.K) 内部发射率 表面温度(K) 导热系数(W/m.K)
墙壁 1600 834 0.9 335 0.226
制品 2200 1200 0.9 \ 1.88
更具体的，在步骤S2中，分析辊道窑的平顶与拱顶结构、四对烧嘴与六对烧嘴结构对温度均匀性的影响，且采用变异系数来评价温度均匀性；
即温度均匀性为：
Figure BDA0002594407800000092
其中，t为变异系数，即温度均匀性系数；tij为第i组工况窑内第j个点的温度值，
Figure BDA0002594407800000093
为第i组工况窑炉的平均温度。
在实施过程中，一般用来评价均匀性大都采用标准差或方差，但数值模拟实验中其相关因素的测量尺度及量纲无法统一，为了消除测量尺度及量纲的影响，因此采用变异系数来评价温度均匀性。
表3是辊道窑在左燃气速度为10m/s、右燃气速度为10m/s、助燃风温度为400k、空燃比为1:11、烟气入口速度为0.8m/s、烟气入口温度为1460T的条件下的平顶与拱顶结构、四对烧嘴与六对烧嘴结构对温度均匀性的影响的实验结果。
表3
项目 截面平均温度(K) 温度均匀性
四对喷嘴拱顶窑炉 1426 0.0167693
四对烧嘴平顶窑炉 1413 0.0235519
六对烧嘴拱顶窑炉 1416 0.0307737
更具体的，利用四对烧嘴拱顶的辊道窑并建立四因素五水平的正交表试验得到助燃空气温度、天然气质量流量、助燃空气质量流量和烟气质量流量对温度均匀性的影响。
在实施过程中，进行25组正交试验，得到天然气质量流量为3.1025时，温度均匀性变异系数最小，温度均匀性水平最优，天然气质量流量为2.4131，4.4814时次之，天然气质量流量为5.1712时均匀性最差。温度均匀性随着助燃风温度的升高而降低，增加助燃风温度时提高产品质量。因此对于企业而言，可以将冷却节排出的高温空气输送到助燃风机中，进行余热利用，不仅能降低企业能耗而且还能提高产品质量。助燃空气的质量流量为41.5611时，温度均匀性变异系数最小，温度均匀性最优，速度为56.6741时，均匀性最差，其余次之。烟气质量流量为6546.2152时，温度均匀性变异系数最小，温度均匀性最优，烟气质量流量为13092.4303时，温度均匀性表现最差。天然气质量流量、助燃风温度、助燃空气质量流量和烟气质量流量对温度均匀性都有一定的影响，其中助燃风温度对温度均匀性影响最大。
表4是工艺参数及其影响范围。
表4
工艺参数 影响范围
助燃空气温度(K) 340-540
天然气质量流量(kg/h) 2.4131-5.1712
助燃空气质量流量(kg/h) 26.4479-56.6741
烟气质量流量(kg/h) 6546.2152-13092.4303
更具体的，如图2所示，在步骤S4中，具体包括以下步骤：
S4.1：初始化BP神经网络，设置BP神经网络的输入层、隐含层、输出层和权值的参数；
S4.2：选择BP神经网络的训练模式，根据正交试验得到的数据建立输入矩阵并作为BP神经网络的输入向量，设置BP神经网络的输出向量为温度场均匀性与平均温度；
S4.3：开始BP神经网络的训练，对每个输入向量进行计算，得到网络输出和误差；
S4.4：判断误差是否收敛；
若收敛，则执行步骤S4.6；
若不收敛，则执行步骤S4.5；
S4.5：进行反向传播过程计算，计算每层的各个单元的局部梯度，对权值进行修正并返回执行步骤S4.3；
S4.6：完成训练学习过程，得到合适的BP神经网络，并利用该BP神经网络分析工艺参数与温度均匀性的关系。
在实施过程中，采用的神经网络具有三层网络；输入层为四个神经元，分别是燃气质量流量、助燃空气温度、助燃空气质量流量、烟气质量流量四个；隐含层具有15个神经元；输出层为两个神经元，分别是温度均匀性与平均温度。
更具体的，在步骤S5中，以温度均匀性系数与燃烧过程中的能耗为优化目标，确定优化问题为：
Find(MNh天然气，MNh助燃风，tzk)
Minimize：l(MNh天然气，MNh助燃风，tzk)
Maxmize：η(MNh天然气，MNh助燃风，tzk)
Figure BDA0002594407800000111
l(MNh天然气，MNh助燃风，tzk)＝net(MNh天然气，MNh助燃风，tzk)
Rang:2.4131kg/h≤MNh天然气≤5.1712kg/h
26.4479kg/h≤MNh助燃风≤56.6741kg/h
340K≤tzk≤540K
1422K≤tcd
其中，MNh天然气为天然气的质量流量；MNh助燃风为助燃风的质量流量；tzk为助燃风的温度；Q有效为，Q总热能为，tcd为温度场平均温度；net代表神经网络。
更具体的，Pareto遗传算法的参数设定为：种群初始为50，每代发生交叉的次数为2，选择几率为0.08，随机变异，进化代数为100代。
在实施过程中，Pareto遗传算法包括对染色体进行编码、初始化种群参数、计算染色体的适应度与拥挤度、通过遗传操作(复制、交叉和变异)筛选出优秀的染色体从而生成新种群等步骤，如果生成的新种群符合预期，则得出最优解，否则重新计算染色体的适应度与拥挤度，并通过筛选得到新种群，直到新种群符合预期。本实施例中，通过遗传算法求解优化问题获得的最优解为：
MNh天然气＝2.41kg/h，MNh助燃风＝38.02kg/h，tzk＝540K；
则相应的热效率
Figure BDA0002594407800000121
温度均匀性变异系数ι(MNh天然气，MNh助燃风，tzk)＝0.02；
平均温度 tcd＝1430.80K。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种辊道窑工艺参数的分析与优化方法，其特征在于，包括以下步骤：
S1：对陶瓷辊道窑进行数值模拟；
S2：根据数值模拟结果，分析辊道窑结构参数对温度均匀性的影响；
S3：采用正交试验分析辊道窑工艺参数对温度均匀性的影响；
S4：建立BP神经网络并分析工艺参数与温度均匀性的关系；
S5：根据BP神经网络确定优化问题；
S6：采用Pareto遗传算法求解优化问题，从而对工艺参数进行多目标优化，得到优化后的工艺参数；
在步骤S2中，分析辊道窑的平顶与拱顶结构、四对烧嘴与六对烧嘴结构对温度均匀性的影响，且采用变异系数来评价温度均匀性；
即温度均匀性为：
Figure FDA0003611653820000011
其中，t为变异系数，即温度均匀性系数；tij为第i组工况窑内第j个点的温度值，
Figure FDA0003611653820000012
为第i组工况窑炉的平均温度；
利用四对烧嘴拱顶的辊道窑并建立四因素五水平的正交表试验得到助燃空气温度、天然气质量流量、助燃空气质量流量和烟气质量流量对温度均匀性的影响；
在步骤S4中，具体包括以下步骤：
S4.1：初始化BP神经网络，设置BP神经网络的输入层、隐含层、输出层和权值的参数；
S4.2：选择BP神经网络的训练模式，根据正交试验得到的数据建立输入矩阵并作为BP神经网络的输入向量，设置BP神经网络的输出向量为温度场均匀性与平均温度；
S4.3：开始BP神经网络的训练，对每个输入向量进行计算，得到网络输出和误差；
S4.4：判断误差是否收敛；
若收敛，则执行步骤S4.6；
若不收敛，则执行步骤S4.5；
S4.5：进行反向传播过程计算，计算每层的各个单元的局部梯度，对权值进行修正并返回执行步骤S4.3；
S4.6：完成训练学习过程，得到合适的BP神经网络，并利用该BP神经网络分析工艺参数与温度均匀性的关系；
在步骤S5中，以温度均匀性系数与燃烧过程中的能耗为优化目标，确定优化问题为：
Find(MNh天然气，MNh助燃风，tzk)
Minimize：l(MNh天然气，MNh助燃风，tzk)
Maxmize：η(MNh天然气，MNh助燃风，tzk)
Figure FDA0003611653820000021
l(MNh天然气，MNh助燃风，tzk)＝net(MNh天然气，MNh助燃风，tzk)
Rang:2.4131kg/h≤MNh天然气≤5.1712kg/h
26.4479kg/h≤MNh助燃风≤56.6741kg/h
340K≤tzk≤540K
1422K≤tcd
其中，MNh天然气为天然气的质量流量；MNh助燃风为助燃风的质量流量；tzk为助燃风的温度；tcd为温度场平均温度；net代表神经网络，η代表热效率，l代表温度均匀性变异系数。
2.根据权利要求1所述的一种辊道窑工艺参数的分析与优化方法，其特征在于，在步骤S1中，对陶瓷辊道窑进行数值模拟包括：
S1.1：建立辊道窑三维模型；
S1.2：建立数值物理模型；
S1.3：根据实际设定边界条件。
3.根据权利要求2所述的一种辊道窑工艺参数的分析与优化方法，其特征在于，建立辊道窑三维模型包括以下步骤：
S1.1.1：选取宽体辊道窑作为研究对象；
S1.1.2：根据宽体辊道窑的实际结构参数，选取宽体辊道窑的一节烧成带，将烧嘴结构简化为圆柱体结构，以设定的物理边界条件代替宽体辊道窑的物理结构，建立宽体辊道窑的简化三维模型；
S1.1.3：根据宽体辊道窑的实际外形和结构将宽体辊道窑的简化三维模型网格化。
4.根据权利要求2所述的一种辊道窑工艺参数的分析与优化方法，其特征在于，数值物理模型包括流动控制方程、湍流模型、燃烧模型、辐射模型；其中，
流动控制方程包括质量守恒方程、动量守恒方程、能量守恒方程、组分质量守恒方程；
湍流模型为基于湍流动能κ和湍流耗散率ε的方程：
Figure FDA0003611653820000031
Figure FDA0003611653820000032
燃烧模型为非预混燃烧模型中的混合分数概率密度函数PDF燃烧模型；PDF燃烧模型包括平均混合分数
Figure FDA0003611653820000033
和平均混合分数均方值
Figure FDA0003611653820000034
的方程，
平均混合分数
Figure FDA0003611653820000035
的方程为：
Figure FDA0003611653820000036
平均混合分数均方值
Figure FDA0003611653820000037
的方程为：
Figure FDA0003611653820000038
辐射模型为P-1辐射模型：
Figure FDA0003611653820000039
其中，t为时间，ρ为密度，k为流体的传热系数，xi为沿x方向的i分量，ui为速度矢量u沿x方向的i分量，xj为沿x方向的j分量，μ称之为动力粘度，μt为径向动力粘度，Gk表示由层流速度梯度的变化而产生的湍流动能，Gb表示由浮力产生的湍流动能，Yk为在可压缩湍流中过度的扩散过程中产生的波动，ε为耗散率，C1ε、C2ε、C3ε、Cg、Cd均为经验常数，σk是湍动能对应的普朗特数，σε是耗散率对应的普朗特数，Sk和Sε为用户定义的源项，模型常数的取值分别为：C1ε＝1.44,C2ε＝1.92,Cμ＝0.09,σk＝1.0,σε＝1.3；
Figure FDA00036116538200000310
为y方向的平均分量，
Figure FDA00036116538200000311
f为混合分数，Sm为质量由液体燃料或反应颗粒传入气相时的源项，Suser为用户定义的源项，常数σt、Cg、Cd分别取0.85、2.86、2.0；σs为散射系数，a为吸收系数，G为入射辐射性相功能系数，C为线性各相异性相位函数系数。
5.根据权利要求2所述的一种辊道窑工艺参数的分析与优化方法，其特征在于，边界条件包括壁面边界条件和气流边界条件。
6.根据权利要求1所述的一种辊道窑工艺参数的分析与优化方法，其特征在于，Pareto遗传算法的参数设定为：种群初始为50，每代发生交叉的次数为2，选择几率为0.08，随机变异，进化代数为100代。
CN202010705040.1A 2020-07-21 2020-07-21 一种辊道窑工艺参数的分析与优化方法 Active CN111931417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010705040.1A CN111931417B (zh) 2020-07-21 2020-07-21 一种辊道窑工艺参数的分析与优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010705040.1A CN111931417B (zh) 2020-07-21 2020-07-21 一种辊道窑工艺参数的分析与优化方法

Publications (2)

Publication Number Publication Date
CN111931417A CN111931417A (zh) 2020-11-13
CN111931417B true CN111931417B (zh) 2022-06-14

Family

ID=73314176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010705040.1A Active CN111931417B (zh) 2020-07-21 2020-07-21 一种辊道窑工艺参数的分析与优化方法

Country Status (1)

Country Link
CN (1) CN111931417B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949132A (zh) * 2021-01-22 2021-06-11 浙江大学 一种陶瓷坯体内部温度分布获取方法
CN113190974B (zh) * 2021-04-09 2022-06-21 广东工业大学 基于深度学习的辊道窑温度场多点预测方法
CN113536529B (zh) * 2021-05-24 2022-09-06 山西中电科新能源技术有限公司 一种用于碳碳复合材料沉积的投炉装配优化方法
CN113627064B (zh) * 2021-09-03 2023-11-21 广东工业大学 基于机理和数据混合驱动的辊道窑烧成带温度预测方法
CN115062834B (zh) * 2022-06-09 2022-12-27 佛山众陶联供应链服务有限公司 基于正交试验筛选Lasso回归预测烧成曲线的方法
CN117808375A (zh) * 2024-02-28 2024-04-02 蒙娜丽莎集团股份有限公司 一种陶瓷辊道窑烧成制度的优化方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2001264889B2 (en) * 1997-05-07 2006-06-29 Schering Corporation Human receptor proteins; related reagents and methods
CN106294924B (zh) * 2016-06-29 2019-11-08 广东工业大学 一种隧道窑燃烧过程参数优化配置方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A.Ponsich 等.A systemic approach for glass manufacturing process modeling.《Chemical Engineering and Processing: Process Intensification》.2009,第48卷(第8期), *
杨海东 等.基于数值模拟的马蹄焰玻璃窑蓄热室热效率研究.《化工学报》.2019,第70卷(第12期), *

Also Published As

Publication number Publication date
CN111931417A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111931417B (zh) 一种辊道窑工艺参数的分析与优化方法
Askarova et al. Numerical research of aerodynamic characteristics of combustion chamber BKZ-75 mining thermal power station
Bryden et al. Optimization of heat transfer utilizing graph based evolutionary algorithms
Xu et al. Modeling of a front wall fired utility boiler for different operating conditions
Alves et al. Improving the sustainability of porcelain tile manufacture by flowsheet simulation
Acharya et al. Decision support system for porous ceramic matrix-based burner by hybrid genetic algorithm-supervised kohonen Map: A comparative assessment of performance of neural network under different minor attributes
Govardhan et al. Experimental investigations and CFD study of temperature distribution during oscillating combustion in a crucible furnace
Meng et al. Multi‐objective optimization of cane sugar continuous crystallization system design based on computational fluid dynamics
Janiga A few illustrative examples of CFD-based optimization: Heat exchanger, laminar burner and turbulence modeling
Joseph et al. Effect of clinker bed height on clinker cooling process on clinker grate coolers used in cement plant
Lipatnikov Testing premixed turbulent combustion models by studying flame dynamics
Aboaba et al. Smart proxy modeling application of artificial intelligence & machine learning in computational fluid dynamics
Mohammadpour CFD simulation of reactive flow in lime shaft kilns using porous media model and experimental validation
Libreros et al. Effects of Mesh Generation on Modelling Aluminium Anode Baking Furnaces. Fluids 2021, 6, 140
CN113536590A (zh) 一种软件模拟焦炉燃烧室用干熄焦气取代部分燃气的方法
Besseron et al. Toward High-Performance Multi-Physics Coupled Simulations for the Industry with XDEM
Wang et al. Validation of advanced models for glass melting furnaces
Schmidt et al. New trends in combustion simulation
Prescott et al. Simulation in Glass Processes
ABBASI et al. Numerical modeling and simulation of highly preheated and diluted air combustion furnaces
Jia et al. Sensitivity analysis of heat extraction performance and a data-mining based BP neural network prediction model of geothermal doublet system
El Sabea et al. The numerical analysis of the heat transfer process in selected surfaces of the water boiler
ABBASI et al. CFD Modeling Study of High Temperature and Low Oxygen Content Exhaust Gases Combustion Furnaces
Hosseinzadeh et al. Numerical investigation of lean-premixed turbulent flame using combustion LES and thickened flame approach
Bindar Geometry effect investigation on a conical chamber with porous media boundary condition using computational fluid dynamic (CFD) technique

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