CN112687345B - 一种磷酸萃取过程的预测方法和预测装置 - Google Patents
一种磷酸萃取过程的预测方法和预测装置 Download PDFInfo
- Publication number
- CN112687345B CN112687345B CN202011578135.8A CN202011578135A CN112687345B CN 112687345 B CN112687345 B CN 112687345B CN 202011578135 A CN202011578135 A CN 202011578135A CN 112687345 B CN112687345 B CN 112687345B
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- data
- module
- phosphoric acid
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 208
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 title claims abstract description 166
- 229910000147 aluminium phosphate Inorganic materials 0.000 title claims abstract description 83
- 238000000605 extraction Methods 0.000 title claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 116
- 230000007246 mechanism Effects 0.000 claims abstract description 78
- 238000004519 manufacturing process Methods 0.000 claims abstract description 61
- 239000002994 raw material Substances 0.000 claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims description 133
- 238000006243 chemical reaction Methods 0.000 claims description 126
- 239000002002 slurry Substances 0.000 claims description 100
- 239000002367 phosphate rock Substances 0.000 claims description 76
- 239000013078 crystal Substances 0.000 claims description 68
- OSGAYBCDTDRGGQ-UHFFFAOYSA-L calcium sulfate Chemical compound [Ca+2].[O-]S([O-])(=O)=O OSGAYBCDTDRGGQ-UHFFFAOYSA-L 0.000 claims description 62
- OJMIONKXNSYLSR-UHFFFAOYSA-N phosphorous acid Chemical compound OP(O)O OJMIONKXNSYLSR-UHFFFAOYSA-N 0.000 claims description 62
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 claims description 59
- 239000002245 particle Substances 0.000 claims description 48
- 239000007791 liquid phase Substances 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 43
- 239000000463 material Substances 0.000 claims description 43
- 239000000203 mixture Substances 0.000 claims description 36
- 238000002425 crystallisation Methods 0.000 claims description 27
- 239000002253 acid Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 230000008025 crystallization Effects 0.000 claims description 24
- 239000012066 reaction slurry Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000003756 stirring Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 229910019142 PO4 Inorganic materials 0.000 claims description 10
- 239000010452 phosphate Substances 0.000 claims description 10
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 10
- 239000003795 chemical substances by application Substances 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000004090 dissolution Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 239000000376 reactant Substances 0.000 claims 2
- 238000013019 agitation Methods 0.000 claims 1
- 239000012530 fluid Substances 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 230000000704 physical effect Effects 0.000 abstract description 7
- 238000004088 simulation Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 4
- PASHVRUKOFIRIK-UHFFFAOYSA-L calcium sulfate dihydrate Chemical compound O.O.[Ca+2].[O-]S([O-])(=O)=O PASHVRUKOFIRIK-UHFFFAOYSA-L 0.000 description 63
- 210000002569 neuron Anatomy 0.000 description 13
- 229910052698 phosphorus Inorganic materials 0.000 description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 10
- 239000011574 phosphorus Substances 0.000 description 10
- 238000012795 verification Methods 0.000 description 10
- 238000005315 distribution function Methods 0.000 description 8
- ZOMBKNNSYQHRCA-UHFFFAOYSA-J calcium sulfate hemihydrate Chemical compound O.[Ca+2].[Ca+2].[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O ZOMBKNNSYQHRCA-UHFFFAOYSA-J 0.000 description 7
- 238000010790 dilution Methods 0.000 description 6
- 239000012895 dilution Substances 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 238000005406 washing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- DLYUQMMRRRQYAE-UHFFFAOYSA-N tetraphosphorus decaoxide Chemical compound O1P(O2)(=O)OP3(=O)OP1(=O)OP2(=O)O3 DLYUQMMRRRQYAE-UHFFFAOYSA-N 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- CJDZTJNITSFKRE-UHFFFAOYSA-N phosphorus dioxide Chemical compound O=[P]=O CJDZTJNITSFKRE-UHFFFAOYSA-N 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 150000004683 dihydrates Chemical class 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000012071 phase Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009834 vaporization Methods 0.000 description 2
- 230000008016 vaporization Effects 0.000 description 2
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- -1 stirring intensity Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明提供一种磷酸萃取过程的预测方法及预测装置,所述预测方法融合实际生产数据对机理模型的校正以及神经网络代理模型对数据的实时预测,实现了湿法磷酸萃取过程的准确模拟,正确预测了产物流量和物性随原料流量和性质及操作条件的变化情况,从而为实现生产过程在线优化与控制提供模型基础,对指导实际生产具有重要意义。
Description
技术领域
本发明涉及矿物萃取技术领域,尤其涉及一种磷酸萃取过程的预测方法和预测装置。
背景技术
生产的经济性密切相关,对磷产品从工业级向食品级、医药级等高值化、多元化发展有重要影响,也直接关系磷化工清洁生产。磷酸萃取过程是伴有放热、吸热,多种物质存在的多元、复杂的化学反应过程,受到诸如温度、压力、矿粉的细度、搅拌强度及固态膜等多种因素的影响。同时,大部分磷酸萃取系统包括众多单元(多级溶解槽、结晶槽、消化槽、真空冷却器等),单元之间存在大量的回流与耦合,属于高度非线性系统。正是因为这种多种因素相互干扰、耦合以及强非线性的存在,使得对湿法磷酸生产的建模和控制变得异常困难。
目前,国内外研究学者对于磷矿酸解-结晶过程机理进行了许多开拓性工作,并取得了较大的成果,主要包括基于流-固相非催化反应机理的粒径不变收缩未反应芯模型(缩芯模型)、基于扩散机理的磷矿酸解宏观动力学方程和基于粒数衡算方法的硫酸钙结晶动力学模型。然而这些模型大多数以实验数据为建模的依据,即从实验模拟装置上获取大量数据,通过回归得到动力学参数,部分采用有限工业数据进行校正。由于工业现场情况复杂,完全依赖实验装置的传统机理建模方法,不可避免存在自适应能力差、工程实用性弱等缺点。并且,加上机理模型本身结构复杂,存在计算耗时长、模型难收敛、难以在线实时预测等缺点。
因此,需要建立一个与实际工艺相符合、计算量小、能准确描述整个工艺流程的模型,实时在线获得磷矿酸解过程的磷浸取率、产物物性等关键性能指标,为实现生产过程在线优化与控制提供模型基础,对指导实际工业生产具有重要意义。
发明内容
鉴于现有技术中存在的问题,本发明提供磷酸萃取过程的预测方法,所述方法是对磷矿酸解-结晶生产过程的整体描述与关键性能指标软测量建模,可以用于湿法磷酸生产中萃取过程的建模仿真和实时预测,以及生产操作优化模型的实时构建,具有与实际工艺相符合、计算量小、能准确描述整个萃取过程的优势,对指导实际生产具有重要意义。
为达此目的,本发明采用以下技术方案:
第一方面,本发明提供一种磷酸萃取过程的预测方法,所述预测方法包括如下步骤:
(1)根据磷酸萃取的工艺数据和工艺指标,对磷酸萃取的机理模型进行校正,得到校正后机理模型;
(2)采用校正后机理模型对不同工艺数据进行预测,得到校正后模型预测的工艺指标;
(3)以不同工艺数据下校正后模型预测的工艺指标为数据库进行训练,构建神经网络代理模型;
(4)根据工艺数据,结合神经网络模块中的神经网络代理模型,实时预测磷酸萃取过程的工艺指标。
本发明提供的磷酸萃取过程的预测方法通过实时采集获取萃取装置稳定运行时的进料信息,通过机理模型和神经网络代理模型进行萃取过程的实时预测,克服了纯机理模型计算求解困难,计算难度大,且与实际数据有较大差距的难题,具有计算速度快,结果更准确的优势。
优选地,步骤(1)中所述工艺数据包括原料数据、设备参数、操作参数和产品参数。
优选地,所述原料数据包括原料流量、原料组成和原料性质。
优选地,所述原料性质包括磷矿粒径和磷矿密度。
优选地,所述设备参数包括设备流程、设备结构和设备特性参数。
优选地,所述设备特性参数包括反应装置尺寸参数和搅拌装置尺寸参数。
优选地,所述操作参数包括不同原料配比、循环流股流量占比、搅拌速度、操作温度和操作时间。
优选地,所述操作参数还包括操作过程中物料组成和操作过程中物料性质。
优选地,所述产品参数包括产品产量和产品组成。
优选地,所述产品产量包括成品酸产量。
优选地,所述产品组成包括成品酸组成和磷石膏组成。
优选地,所述成品酸组成包括成品酸中二氧化二磷浓度和成品酸中硫酸浓度。
优选地,所述磷石膏组成包括磷石膏中残磷含量、磷石膏中水溶磷含量和磷石膏中游离水含量。
优选地,步骤(1)中所述机理模型包括物料平衡模型、能量平衡模型、磷矿酸解动力学模型和硫酸钙结晶动力学模型。
优选地,所述校正包括:以工艺指标预测值与实际值差的平方最小为优化目标,对机理模型优化求解,获得机理模型校正参数。
优选地,所述工艺指标包括转化率和反应料浆中晶体含量。
本发明中所述工艺指标优选包括转化率和反应料浆中晶体含量,还可包括反应料浆的组成等其他关键参数,对此不作限制。
优选地,所述机理模型优化求解为对两个单目标无约束优化问题进行求解。
优选地,所述校正采用差分进化算法进行优化求解。
所述差分算法包括如下步骤:
(4.1)采用差分算法随机产生工艺数据的初始种群,所述初始种群包括磷矿粒径、磷矿密度、进料流量、搅拌速度、操作温度和料浆液相组分含量;
(4.2)根据工艺数据的初始种群,利用校正后机理模型计算得到工艺指标的预测值;
(4.3)根据工艺数据集中实际反应单元出料数据,根据物料平衡模型和能量平衡模型,获得工艺指标的实际值;
(4.4)计算目标函数值,即以工艺指标中机理模型预测值和实际值差的平方作为目标函数值,进行优化计算;
(4.5)进行差分变异、交叉和选择操作,产生新的子代种群,重复代入步骤(4.2)~(4.4)中进行计算,判断当目标函数值最小时,输出此时的机理模型参数,计算结束。
优选地,步骤(1)中还包括:对实际生产中磷酸萃取的工艺数据的预处理。
优选地,所述预处理包括剔除异常点、均值化、物料和能量平衡校正、缺省插值或未知点推测中的任意一种方式或至少两种方式的组合。
优选地,步骤(2)中还包括:根据校正后模型预测的工艺指标构建不同工艺数据下工艺指标数据库。
优选地,步骤(3)中所述神经网络代理模型为磷矿酸解动力学模型和硫酸钙结晶动力学模型的神经网络代理模型。
优选地,所述神经网络代理模型的构建包括:标准化校正后模型预测的工艺指标数据,并进行训练。
优选地,所述训练采用交叉验证法。
优选地,所述神经网络代理模型的输入量包括磷矿粒径、磷矿密度、原料流量、搅拌速度、操作温度或操作过程中物料组成中的任意一种或至少两种的组合。
优选地,所述神经网络代理模型的输出量包括转化率和反应料浆中晶体含量。
优选地,所述神经网络代理模型设置有至少三层。
优选地,所述神经网络代理模型包括输入层、隐含层和输出层。
优选地,所述神经网络代理模型中隐含层和输出层均采用SIGMOID函数激活函数。
优选地,所述神经网络代理模型训练的方法包括Levenberg-Marquart算法。
优选地,在步骤(4)之后还包括:(5)根据不同工艺数据实时预测的工艺指标,更新神经网络代理模型。
为了保证所述模型能自适应新的运行工况,保持较高的精度,需要通过模型实时预测运行一段时间积累Delta-Base数据库和真实采集数据,定期对神经网络代理模型进行更新。
作为本发明优选的技术方案,所述磷酸萃取过程的预测方法包括如下步骤:
(1’)获取磷酸萃取的生产工艺数据;
(2’)构建和/或调用磷酸萃取的机理模型;
(3’)对生产工艺数据进行预处理;
(4’)利用预处理后的生产工艺数据对机理模型进行校正,得到校正后的模型参数;
(5’)采用校正后机理模型对不同工艺数据进行预测,得到校正后模型预测的工艺指标,构建不同工艺数据下工艺指标的数据库;
(6’)以不同工艺数据下校正后模型预测的工艺指标为数据库进行训练,构建神经网络代理模型;
(7’)根据实际生产工艺数据,结合神经网络模块中的神经网络代理模型和物料平衡模型,实时预测磷酸萃取过程的工艺指标;
(8’)根据不同工艺数下神经网络代理模型预测的工艺指标,更新神经网络代理模型,并采用更新后的神经网络代理模型进行实时预测。
作为本发明优选的技术方案,所述磷酸萃取过程的预测方法包括如下步骤:
(1’)利用.net接口技术实现现场实时数据库、历史数据库与模型之间的数据通信,获得磷酸萃取中各生产装置实时和历史运行所产生的生产工艺数据,并存储到本地数据库中。
所述生产工艺数据包括原料数据、设备参数、操作参数和产品参数;所述原料数据包括原料流量、原料组成和原料性质;所述原料组成包括磷矿组成和硫酸浓度;所述磷矿组成包括P2O5含量、CaO含量、F含量和SiO2含量等;所述原料性质包括磷矿粒径和磷矿密度(包括平均值、最大值和最小值);所述设备参数包括设备流程、设备结构和设备特性参数;所述设备特性参数包括反应装置尺寸参数和搅拌装置尺寸参数;具体地,所述反应装置尺寸参数包括反应槽(或反应室)容积合直径;搅拌装置尺寸参数包括搅拌器直径;所述操作参数包括不同原料配比(磷矿与硫酸投料比)、循环流股流量占比(循环浆料比和返酸配比)、搅拌速度、操作温度和操作时间;所述操作参数还包括操作过程中物料组成(料浆液相SO3含量、料浆液相P2O5含量、料浆液相CaO含量以及料浆含固量)和操作过程中物料性质(料浆液相密度);所述产品参数包括产品产量和产品组成,所述产品产量包括成品酸产量,产品组成包括成品酸组成和磷石膏组成,成品酸组成包括成品酸中二氧化二磷浓度和成品酸中硫酸浓度,磷石膏组成包括磷石膏中残磷含量、磷石膏中水溶磷含量和磷石膏中游离水含量;
(2’)基于磷矿溶解机理和硫酸钙结晶机理,结合实际工业情况,建立和/或调用湿法磷酸萃取过程的机理模型,所述机理模型包括:物料平衡模型、能量平衡模型,磷矿反应动力学模型和硫酸钙结晶动力学模型;
本发明中所述机理模型既可以是自己构建的,也可以直接调用已有的针对磷酸萃取的机理模型,只要能够满足磷酸萃取过程中的物料平衡和能量平衡即可。
(2.1)物料平衡模型
第i反应单元物料衡算模型如下式(1)~(7)所示:
Fin,i=Fout,i-1+Fsa,i+Fra,i+Frs,i (1)
Fout,i=Fpr,i+Fim,i+Fsl,i+Fout,i×Bi (2)
式中,F表示质量流量;下标pr,im和sl分别表示反应单元料浆中的未分解磷矿、不溶物和液相部分;下标sa,ra和rs分别表示进入反应单元的硫酸、返酸和循环料浆;X表示反应料浆液相的各组分的质量百分含量;M表示物质的摩尔质量;下标PA、SA、P、CS和G分别表示磷酸、硫酸、五氧化二磷、硫酸钙和其结晶体(半水或二水硫酸钙);下标i表示第i反应单元;Bi表示反应料浆中结晶部分的质量百分含量;表示第i反应单元的转化率;αSA,αCS分别表示磷矿酸解反应过程中浓硫酸消耗定额和相应硫酸钙生成定额。
真空冷却器物料平衡模型如式(8)~(13)所示:
Fout,vc=Fin,vc-ρout,vc×Vout,vc (8)
Fout,vc=Fout,pr,vc+Fout,im,vc+Fout,vc×Bout,vc+Fout,sl,vc (9)
Fout,pr,vc=Fin,pr,vc (10)
Fout,im,vc=Fin,im,vc (11)
Fout,vc×Bout,vc=Fin,vc×Bin,vc (12)
Fout,sl,vc×Xout,j,sl,vc=Fin,sl,vc×Xout,j,sl,vc (13)
式中,下标vc表示真空冷却器,Fin,vc和Fout,vc分别表示真空冷却器入口料浆的质量流量和出口料浆的质量流量;Vout,vc和ρout,vc分别表示从真空冷却器排出尾气的体积和密度;Fout,pr,vc,Fout,im,vc,Fout,sl,vc分别表示流出真空冷却器料浆中的未分解磷矿的质量流量、不溶物的质量流量和液相部分的质量流量;Bout,vc表示真空冷却器料浆中晶体含量;下标j表示PA,SA或CS,其中,PA,SA或CS分别表示磷酸、硫酸和硫酸钙,Xout,j,sl,vc表示真空冷却器料浆中各组分的质量分数;
(2.2)能量平衡模型
第i反应单元能量平衡模型如式(14)~(17)所示:
Cph,l(XpA,i)=0.980-0.796×XPA,i (15)
ΔHr=128.70-0.659Ti (16)
ΔHd=211.044×(XSA,be 2-XSA,af 2) (17)
式中,Cph,pr、Cph,SA和Cph,GH分别表示磷矿、硫酸和生成的半水硫酸钙晶体的比热容;Ti-1、Tsa、Tra和Trs,i分别表示进入第i反应器的主料浆、硫酸、返酸和循环料浆的温度;T0表示当前环境温度;Ti表示反应单元i的出口料浆温度;Cph,l(XpA,i)表示第i反应单元反应料浆液相比热容计算函数;ΔHd表示硫酸稀释到料浆液相中产生的稀释热;XSA,be和XSA,af分别表示稀释前后硫酸浓度;ΔHr表示磷矿酸解反应热。
真空冷却器能量平衡模型如式(16)所示:
式中,Tin,vc和Tout,vc分别表示真空冷却器入口和出口料浆温度;ΔHv表示真空冷却器的汽化热。
(2.3)磷矿酸解动力学模型:
磷矿颗粒酸解模型如式(17)~(21)所示:
CTA(i)=CSA(i)+CPA(i) (19)
式中,φM表示磷矿颗粒形状因素,ρM表示磷矿密度,αSA表示与磷矿酸解反应的硫酸消耗定额;KL表示液相反应物硫酸通过液膜的传质系数;DI表示搅拌浆直径,DR表示反应器直径,表示搅拌速度;De表示液相反应物硫酸在磷矿颗粒表面的有效扩散系数;r为反应过程中磷矿颗粒未反应芯半径;R为反应前磷矿初始颗粒半径;t表示磷矿颗粒在反应器内的溶解时间;CSA,CPA和CTA分别表示反应料浆中的硫酸、硫酸和总酸体积浓度;Re和Sc分别表示反应器内流体流动的雷诺数和史密特数;ρsl表示反应料浆液相密度;μsl表示反应料浆液相粘度。
假设磷矿颗粒为球形,则单个磷矿颗粒转化率的计算如式(22)所示:
磷矿颗粒在反应器i内的停留时间分布密度函数如式(22)所示:
则磷矿颗粒的粒径大小分布函数如式(25)所示:
第i个反应单元出口的平均转化率
联立(17)~(26)可得:
式(27)中:
式(22)~(28)中,X表示单个磷矿颗粒的转化率;r为反应过程中磷矿颗粒未反应芯半径;R为反应前磷矿初始颗粒半径;Ej(t)表示磷矿颗粒在反应器内的停留时间分布函数,tavg表示料浆在反应器中的平均停留时间;VR表示反应器体积,Win表示进入反应槽物料的总质量流量;fi-1表示磷矿颗粒进入反应器i-1时的粒径大小分布函数,f0(R)表示磷矿颗粒进入反应器时的初始粒径大小分布函数;Rmin和Rmax分别表示磷矿颗粒进入反应器的初始最小粒径和最大粒径;表示反应器i出口的平均转化率。
其中,反应中料浆液相密度和粘度计算分别如式(36)和式(37)所示:
式中,T表示操作温度,fρ和fμ分别表示料浆液相密度和粘度拟合函数,料浆液相密度计算模型的回归参数为a0,a1,a2,a3,a4和a5、料浆液相粘度计算模型的回归系数为b0,b1,b2,b3,b4和b5;XPA,XSA,XCS分别表示反应料浆液相中磷酸质量分数、硫酸质量分数和硫酸钙质量分数。
(2.4)硫酸钙结晶动力学模型
晶体的质量生长速率计算如式(29)所示:
νe=KL×S (29)
硫酸钙过饱和度计算如式(30)所示:
晶体线性生长速率计算如式(31)所示:
晶体粒数密度计算如式(32)所示:
晶核粒数密度经验公式如式(33)所示:
具体举例:第1反应单元的晶体粒数密度计算如式(34)所示:
其中,硫酸钙晶体含量计算如式(35)所示:
式(29)~(35)中,νe表示晶体的质量生长速率;S表示硫酸钙的过饱和度;为硫酸钙在料浆环境内的饱和浓度;νL表示晶体的线性生长速率;L表示晶体特征长度;ρG表示生成的硫酸钙结晶体的密度;φG表示硫酸钙晶体形状因素;ψi,/>分别表示反应槽i的晶体粒数密度和晶核粒数密度;
硫酸钙在料浆环境内的饱和浓度计算如式(38)所示:
式(38)中,HG和DG分别代表半水硫酸钙(CaSO4·0.5H2O)和二水硫酸钙(CaSO4·2H2O)结晶体,α,β,γ,λ和ν为硫酸钙溶解度计算模型的回归系数。
影响硫酸钙的溶解度主要包括受液相磷酸浓度和操作温度,通过拟合回归计算硫酸钙在料浆环境中的溶解度,从而得到计算模型的回归系数。
(3’)对现场工艺数据进行预处理;
受现场检测仪表可靠性的局限,直接从DCS上获取的数据往往存在物料不平衡以及能量不平衡等问题,通过对现场采集的工艺数据进行预处理,进一步提高数据的可计算性以及准确性。
所述预处理具体包括如下几种方法和手段:1)剔除异常数据点。根据生产经验和统计数据的值域,判断数据的准确性,将异常数据从数据库中剔除;2)将DCS上获取数据进行降采样,将数据处理成12h的均值形式;3)对相应时间段的物性数据(来自实验室化验数据,包括原料及料浆物性分析数据)的缺省值进行插值操作,并与DCS的流量数据与操作数据组合;4)依据物料平衡和能量平衡,校正装置进出物料的流量数据和能量计量数据。5)对于特定期间内无法采集的数据,建立冗余计算公式,通过采集其他数据来推导特点采样点。预处理包括但并不限于上述五种方法,且并非必须将上述五种预处理方法均采用,可根据实际工艺情况和工艺数据采集情况进行调整。
(4’)机理模型校正
基于选取的磷矿酸解动力学模型和硫酸钙结晶动力学模型和各反应单元内的物料和能量衡算模型,分别选取反应器出口的转化率和出口料浆中晶体含量的机理模型预测值和实际值差的平方最小为目标,将动力模型参数校正问题转化为两个单目标无约束优化问题。所述优化问题表达为如式(39)所示:
其中,优化变量U1包括:有效扩散系数De、料浆液相密度计算模型的回归参数a0,a1,a2,a3,a4和a5、料浆液相粘度计算模型的回归系数b0,b1,b2,b3,b4和b5;优化变量U2包括硫酸钙溶解度计算模型的回归系数α,β,γ,λ和ν。变量分别表示反应器转化率的实际值和预测值,/>分别表示料浆中结晶含量的实际值与预测值。
根据步骤(1’)中所采集的实际工艺数据,采用差分进化算法对所建两个单目标无约束优化问题进行优化求解,获得机理模型参数的优化估值,实现机理模型的校正;
(5’)利用校正后的机理模型对不同工艺数据进行预测,得到校正后模型预测的工艺指标,并根据校正后模型预测的工艺指标构建不同工艺数据下工艺指标数据库。
具体地,基于校正后的机理模型,针对不同生产方案,分析在不同的工艺数据下,预测各反应器单元的转化率、出口料浆中晶体含量、料浆液相中SO3含量、料浆液相中P2O5含量和料浆液相中CaO含量,并建立本地数据库,存储上述不同方案装置转化率、料浆中晶体含量和料浆液相组成的数据,并能够实现数据的读写;
(6’)以不同工艺数据下校正后模型预测的工艺指标为数据库进行训练,构建神经网络代理模型;其具体包括:
(6.1)确定构建神经网络代理模型所需的训练数据集和验证数据集:对不同工艺数据下校正后模型预测得到的反应器转化率与出口料浆结晶含量数据的样本集进行归一化和标准化处理。然后,根据K折交叉验证法,从数据集每次随机选取数据库中总样本数目的(K-1)/K作为训练集,剩余1/K作为验证集,重复K次,产生K组训练-验证数据集组合,所述K为自然数,例如可以是2、3、4、5、6、7、8、10或20等;
(6.2)确定神经网络代理模型的结构:选取磷矿粒径、磷矿密度、进料流量、搅拌速度、操作温度、料浆液相组分含量等为输入变量,选取转化率、料浆中晶体含量为输出变量,选取多输入-双输出的神经网络代理模型,作为神经网络代理模型的结构;
本发明采用反向传播(Back propagation,BP)神经网络,所构建的神经网络代理模型整个结构由3层神经元组成,第一层为输入层,中间层为隐含层,最后一层为输出层,隐含层和输出层神经元均采用SIGMOID函数激活函数;
所述隐含层的神经元的数目根据当前经验公式(40)初步确定隐层节点数目可选范围;
其中,H是隐含层节点数,m是输入层神经元数目,n是输出层神经元数目;L是1-10之间的常数;
基于式(40)计算得到的节点数目范围,选取不同的隐含层节点数目建立相应的BP神经网络,并验证采用该神经网络代理模型得到验证样本的平均相对偏差;最后选取使均方误差最小的隐含层节点数目作为最优的隐含层神经元数;
(6.3)神经网络代理模型的网络训练:利用搜索速度较快的Levenberg-Marquart算在训练样本集进行神经网络代理模型的训练,在验证集上进行模型验证,通过重复交叉验证方法,并保存在验证集上表现最好(均方误差最小)的模型,得到磷酸萃取的转化率和料浆中晶体含量的神经网络代理模型;
(7’)根据实时采集并经预处理后的生产工艺数据,结合神经网络模块中的神经网络代理模型,并与物料平衡模型结合,实时预测磷酸萃取过程的工艺指标,即预测磷酸萃取的转化率和料浆中晶体含量;
(8’)将实时采集并经预处理后的生产工艺数据以及预测得到的工艺指标数据作为Base数据,并在此生产工艺数据附近调整工艺数据中的原料数据和操作参数,计算调整后的工艺指标,作为Delta数据,基于Base-Delta数据,实现不同工艺数据下的工艺指标预测;
根据不同工艺数据下的Delta-Base数据,可以获得较大范围内不同的工艺数据(原料数据和操作参数)对应的转化率和料浆中晶体含量数据,从而得到一个包含大量工艺数据和工艺指标对应关系的数据库;为了保证神经网络代理模型自适应新的运行工况,保持较高的精度,采用上述数据库和真实采集数据在线对神经网络代理模型进行定期更新,进一步提高预测的准确度。
第二方面,本发明提供磷酸萃取过程的预测装置,所述装置包括如下模块:数据模块、机理模型模块、模型校正模块、神经网络模块以及预测模块;所述数据模块用于获取磷酸萃取的生产工艺数据;所述机理模型模块用于构建和/或调用磷酸萃取的机理模型;所述模型校正模块利用数据模块中的生产工艺数据对所述机理模型进行校正;所述神经网络模块包括以校正后模型预测的生产工艺数据为数据库进行训练构建神经网络代理模型的神经网络建立模块;所述预测模块利用数据模块中的生产工艺数据,结合神经网络模块中的神经网络代理模型,实时预测磷酸萃取过程的待预测数据。
本发明中数据获取模块是用于获取磷酸萃取生产过程监控数据和周期化验数据相关数据,主要包括各生产装置的原料性质、负荷、工艺条件以及产品性质分析实时数据和历史数据;机理模型模块,用于确定所述确定湿法磷酸制备生产流程全过程的机理模型,包括:物料平衡模型、能量平衡模型,磷矿酸解动力学模型和硫酸钙结晶动力学模型;模型校正模块,用于确定磷矿酸解动力学模型和硫酸钙结晶动力学模型的参数;神经网络代理模型,用于根据反应器转化率和结晶量数据库训练并建立所述磷矿反应动力学模型和硫酸钙结晶动力学模型的神经网络代理模型;预测模块,用于根据数据采集模块提供的各反应器单元的进料信息和操作运行信息,利用神经网络代理模型,结合物料平衡模型和能量平衡模型在线计算,实时预测各装置单元的转化率、结晶含量和料浆组分浓度等关键性能指标
优选地,所述预测装置还包括数据库模块,用于建立不同工艺数据下工艺指标的数据库。
数据库模块,用于分析在不同原料性质和操作条件下的反应器转化率和反应浆料中晶体含量,建立反应器转化率和反应浆料中晶体含量的数据库,便于数据的存储和计算。
优选地,所述神经网络模块还包括神经网络学习模块。
优选地,所述神经网络学习模块以预测模块运行的数据为基础更新神经网络代理模型。
神经网络学习模块,用于根据实时预测模块运行一段时间积累的大量不同操作条件下的Delta-Base数据库和真实采集数据,定期对神经网络代理模型进行更新,进一步提高模型的计算速度和准确度。
与现有技术相比,本发明至少具有以下有益效果:
(1)本发明提供的磷酸萃取过程的预测方法及预测装置是基于磷矿酸解-结晶过程机理分析和实际生产运行特性混合建模的磷酸萃取系统全流程模拟方法,可以在线计算各反应器单元的转化率、出口反应料浆中晶体含量和反应料浆中组分浓度等关键性能指标,并能准确预测各萃取反应器内部反应变化趋势;
(2)本发明提供的磷酸萃取过程的预测方法及预测装置以湿法磷酸萃取装置的工艺机理模型为基础,利用实际工业数据对机理模型参数进行了校正,确保了机理模型能更加准确描述实际工况,并通过校正模型获得的数据库来训练神经网络代理模型,克服了机理模型计算速度慢的局限;
(3)本发明提供的磷酸萃取过程的预测方法及预测装置利用神经网络代理模型,结合物料平衡模型和能量平衡模型,可根据各反应器单元的进料信息和操作参数信息,实时准确获得各反应器单元的转化率、出口反应料浆中晶体含量和反应料浆中组分浓度等关键性能指标,对指导实际工业生产具有重要意义,进一步可为湿法磷酸制备全流程的在线优化与控制奠定模型基础。
附图说明
图1为本发明中磷酸萃取过程的预测方法流程图。
图2为实施例1的湿法磷酸萃取的工艺流程示意图。
图3为实施例1的机理模型校正的流程框图。
图4为实施例1中的神经网络代理模型结构图。
图5为实施例1中神经网络代理模型实时预测流程图。
图中:1-第一反应槽;2-第二反应槽;3-第三反应槽;4-第四反应槽;5-第五反应槽;6-闪冷器;7-尾气洗涤塔;8-过滤装置。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
下面对本发明进一步详细说明。但下述的实例仅仅是本发明的简易例子,并不代表或限制本发明的权利保护范围,本发明的保护范围以权利要求书为准。
如图1所示,本发明提供的磷酸萃取过程的预测方法具体包括如下步骤:
(1’)获取磷酸萃取的生产工艺数据;
(2’)构建和/或调用磷酸萃取的机理模型;
(3’)对生产工艺数据进行预处理;
(4’)利用预处理后的生产工艺数据对机理模型进行校正,得到校正后的模型参数;
(5’)采用校正后机理模型对不同工艺数据进行预测,得到校正后模型预测的工艺指标,构建不同工艺数据下工艺指标的数据库;
(6’)以不同工艺数据下校正后模型预测的工艺指标为数据库进行训练,构建神经网络代理模型;
(7’)根据实际生产工艺数据,结合神经网络模块中的神经网络代理模型和物料平衡模型,实时预测磷酸萃取过程的工艺指标;
(8’)根据不同工艺数下神经网络代理模型预测的工艺指标,更新神经网络代理模型,并采用更新后的神经网络代理模型进行实时预测。
一、实施例
实施例1
本实施例中磷酸萃取流程图如2所示,所述磷酸萃取过程包括:
含磷矿的磷矿浆经流量计和密度计测定后,送入第一反应槽1;浓硫酸同样经计量后分别送第一反应槽1、第二反应槽2和第三反应槽3;磷矿浆、硫酸、返酸(即来自过滤装置的洗液)或循环料浆在反应槽1-3进行化学反应,反应后流股通入第四反应槽4中继续进行反应,其中,第一反应槽1、第二反应槽2、第三反应槽3和第四反应槽4中产生的尾气均送入尾气洗涤塔7中进行尾气处理;第四反应槽4中反应后浆料部分送入闪冷器6中进行冷却,冷却浆料循环至第三反应槽3中继续反应,第四反应槽4中反应后胶料部分继续通入第五反应槽5中反应,第五反应槽5中反应后浆料分为四股流股,其中三股分别以循环料浆的形式返回至第一反应槽1、第二反应槽2和第三反应槽3中;第四流股送入过滤装置8中,并加入洗涤水进行洗涤,得到成品酸(磷酸)和磷石膏;过滤装置8中洗涤得到的酸作为返酸循环至第一反应槽1、第二反应槽2和第三反应槽3中重复利用。
本实施例提供一种磷酸萃取过程的预测方法,所述预测方法包括如下步骤:
(1’)利用.net接口技术实现现场实时数据库、历史数据库与模型之间的数据通信,获得磷酸萃取中各生产装置实时和历史运行所产生的生产工艺数据,并存储到本地数据库中。
所述生产工艺数据包括原料数据、设备参数、操作参数和产品参数;所述原料数据包括原料流量、原料组成和原料性质;所述原料组成包括磷矿组成和硫酸浓度;所述磷矿组成包括P2O5含量、CaO含量、F含量和SiO2含量;所述原料性质包括磷矿粒径和磷矿密度(包括平均值、最大值和最小值);所述设备参数包括设备流程、设备结构和设备特性参数;所述设备特性参数包括反应装置尺寸参数和搅拌装置尺寸参数;具体地,所述反应装置尺寸参数包括反应槽(或反应室)容积合直径;搅拌装置尺寸参数包括搅拌器直径;所述操作参数包括不同原料配比(磷矿与硫酸投料比)、循环流股流量占比(循环浆料比和返酸配比)、搅拌速度、操作温度和操作时间;所述操作参数还包括操作过程中物料组成(料浆液相SO3含量、料浆液相P2O5含量、料浆液相CaO含量以及料浆含固量)和操作过程中物料性质(料浆液相密度);所述产品参数包括产品产量和产品组成,所述产品产量包括成品酸产量,产品组成包括成品酸组成和磷石膏组成,成品酸组成包括成品酸中二氧化二磷浓度和成品酸中硫酸浓度,磷石膏组成包括磷石膏中残磷含量、磷石膏中水溶磷含量和磷石膏中游离水含量;
(2’)基于磷矿溶解机理和硫酸钙结晶机理,结合实际工业情况,建立和/或调用湿法磷酸萃取过程的机理模型,所述机理模型包括:物料平衡模型、能量平衡模型,磷矿反应动力学模型和硫酸钙结晶动力学模型;
(2.1)物料平衡模型
第i反应单元物料衡算模型如下式(1)~(7)所示:
Fin,i=Fout,i-1+Fsa,i+Fra,i+Frs,i (1)
Fout,i=Fpr,i+Fim,i+Fsl,i+Fout,i×Bi (2)
式中,F表示质量流量;下标pr,im和sl分别表示反应单元料浆中的未分解磷矿、不溶物和液相部分;下标sa,ra和rs分别表示进入反应单元的硫酸、返酸和循环料浆;X表示反应料浆液相的各组分的质量百分含量;M表示物质的摩尔质量;下标PA、SA、P、CS和G分别表示磷酸、硫酸、五氧化二磷、硫酸钙和其结晶体(半水或二水硫酸钙);下标i表示第i反应单元,下标全文的含义相同;Bi表示反应料浆中结晶部分的质量百分含量;表示第i反应单元的转化率;αSA,αCS分别表示磷矿酸解反应过程中浓硫酸消耗定额和相应硫酸钙生成定额。
真空冷却器物料平衡模型如式(8)~(13)所示:
Fout,vc=Fin,vc-ρout,vc×Vout,vc (8)
Fout,vc=Fout,pr,vc+Fout,im,vc+Fout,vc×Bout,vc+Fout,sl,vc (9)
Fout,pr,vc=Fin,pr,vc (10)
Fout,im,vc=Fin,im,vc (11)
Fout,vc×Bout,vc=Fin,vc×Bin,vc (12)
Fout,sl,vc×Xout,j,sl,vc=Fin,sl,vc×Xout,j,sl,vc (13)
式中,下标in表示入口料浆,out表示出口料浆,下标vc表示真空闪蒸冷却器,全文相同,Fin,vc和Fout,vc分别表示真空冷却器入口料浆的质量流量和出口料浆的质量流量;Vout,vc和ρout,vc分别表示从真空冷却器排出尾气的体积和密度;Fout,pr,vc,Fout,im,vc,Fout,sl,vc分别表示流出真空冷却器料浆中的未分解磷矿的质量流量、不溶物的质量流量和液相部分的质量流量;Bout,vc表示真空冷却器料浆中晶体含量;下标j表示PA,SA或CS,其中,PA,SA或CS分别表示磷酸、硫酸和硫酸钙,Xout,j,sl,vc表示真空冷却器料浆中各组分的质量分数;
(2.2)能量平衡模型
第i反应单元能量平衡模型如式(14)~(17)所示:
Cph,l(XpA,i)=0.980-0.796×XPA,i (15)
ΔHr=128.70-0.659Ti (16)
ΔHd=211.044×(XSA,be 2-XSA,af 2) (17)
式中,Cph,pr、Cph,SA和Cph,GH分别表示磷矿、硫酸和生成的半水硫酸钙晶体的比热容;Ti-1、Tsa、Tra和Trs,i分别表示进入第i反应器的主料浆、硫酸、返酸和循环料浆的温度;T0表示当前环境温度;Ti表示反应单元i的出口料浆温度;Cph,l(XpA,i)表示第i反应单元反应料浆液相比热容计算函数;ΔHd表示硫酸稀释到料浆液相中产生的稀释热;XSA,be和XSA,af分别表示稀释前后硫酸浓度;ΔHr表示磷矿酸解反应热。
真空冷却器能量平衡模型如式(16)所示:
式中,Tin,vc和Tout,vc分别表示真空冷却器入口和出口料浆温度;ΔHv表示真空冷却器的汽化热。
(2.3)磷矿酸解动力学模型:
磷矿颗粒酸解模型如式(17)~(21)所示:
CTA(i)=CSA(i)+CPA(i) (19)
式中,φM表示磷矿颗粒形状因素,ρM表示磷矿密度,αSA表示与磷矿酸解反应的硫酸消耗定额;KL表示液相反应物硫酸通过液膜的传质系数;DI表示搅拌浆直径,DR表示反应器直径,表示搅拌速度;De表示液相反应物硫酸在磷矿颗粒表面的有效扩散系数;r为反应过程中磷矿颗粒未反应芯半径;R为反应前磷矿初始颗粒半径;t表示磷矿颗粒在反应器内的溶解时间;CSA,CPA和CTA分别表示反应料浆中的硫酸、硫酸和总酸体积浓度;Re和Sc分别表示反应器内流体流动的雷诺数和史密特数;ρsl表示反应料浆液相密度;μsl表示反应料浆液相粘度。
假设磷矿颗粒为球形,则单个磷矿颗粒转化率的计算如式(22)所示:
磷矿颗粒在反应器i内的停留时间分布密度函数如式(22)所示:
则磷矿颗粒的粒径大小分布函数如式(25)所示:
第i个反应单元出口的平均转化率
联立(17)~(26)可得:
式(27)中:
式(22)~(28)中,X表示单个磷矿颗粒的转化率;r为反应过程中磷矿颗粒未反应芯半径;R为反应前磷矿初始颗粒半径;Ej(t)表示磷矿颗粒在反应器内的停留时间分布函数,tavg表示料浆在反应器中的平均停留时间;VR表示反应器体积,Win表示进入反应槽物料的总质量流量;fi-1表示磷矿颗粒进入反应器i-1时的粒径大小分布函数,f0(R)表示磷矿颗粒进入反应器时的初始粒径大小分布函数;Rmin和Rmax分别表示磷矿颗粒进入反应器的初始最小粒径和最大粒径;表示反应器i出口的平均转化率。
其中,反应中料浆液相密度和粘度计算分别如式(36)和式(37)所示:
式中,T表示操作温度,fρ和fμ分别表示料浆液相密度和粘度拟合函数,料浆液相密度计算模型的回归参数为a0,a1,a2,a3,a4和a5、料浆液相粘度计算模型的回归系数为b0,b1,b2,b3,b4和b5;XPA,XSA,XCS分别表示反应料浆液相中磷酸质量分数、硫酸质量分数和硫酸钙质量分数。
(2.4)硫酸钙结晶动力学模型
晶体的质量生长速率计算如式(29)所示:
νe=KL×S (29)
硫酸钙过饱和度计算如式(30)所示:
晶体线性生长速率计算如式(31)所示:
晶体粒数密度计算如式(32)所示:
晶核粒数密度经验公式如式(33)所示:
具体举例:第1反应单元的晶体粒数密度计算如式(34)所示:
其中,硫酸钙晶体含量计算如式(35)所示:
式(29)~(35)中,νe表示晶体的质量生长速率;S表示硫酸钙的过饱和度;为硫酸钙在料浆环境内的饱和浓度;νL表示晶体的线性生长速率;L表示晶体特征长度;ρG表示生成的硫酸钙结晶体的密度;φG表示硫酸钙晶体形状因素;ψi,/>分别表示反应槽i的晶体粒数密度和晶核粒数密度;
硫酸钙在料浆环境内的饱和浓度计算如式(38)所示:
式(38)中,HG和DG分别代表半水硫酸钙(CaSO4·0.5H2O)和二水硫酸钙(CaSO4·2H2O)结晶体,α,β,γ,λ和ν为硫酸钙溶解度计算模型的回归系数。
影响硫酸钙的溶解度主要包括受液相磷酸浓度和操作温度,通过拟合回归计算硫酸钙在料浆环境中的溶解度,从而得到计算模型的回归系数。
(3’)对现场工艺数据进行预处理;
受现场检测仪表可靠性的局限,直接从DCS上获取的数据往往存在物料不平衡以及能量不平衡等问题,通过对现场采集的工艺数据进行预处理,进一步提高数据的可计算性以及准确性。
所述预处理具体包括如下几种方法和手段:1)剔除异常数据点。根据生产经验和统计数据的值域,判断数据的准确性,将异常数据从数据库中剔除;2)将DCS上获取数据进行降采样,将数据处理成12h的均值形式;3)对相应时间段的物性数据(来自实验室化验数据,包括原料及料浆物性分析数据)的缺省值进行插值操作,并与DCS的流量数据与操作数据组合;4)依据物料平衡和能量平衡,校正装置进出物料的流量数据和能量计量数据;5)对于特定期间内无法采集的数据,建立冗余计算公式,通过采集其他数据来推导特点采样点。
(4’)机理模型校正
基于选取的磷矿酸解动力学模型和硫酸钙结晶动力学模型和各反应单元内的物料和能量衡算模型,分别选取反应器出口的转化率和出口料浆中晶体含量的机理模型预测值和实际值差的平方最小为目标,将动力模型参数校正问题转化为两个单目标无约束优化问题。所述优化问题表达为如式(39)所示:
其中,优化变量U1包括:有效扩散系数De、料浆液相密度计算模型的回归参数a0,a1,a2,a3,a4和a5、料浆液相粘度计算模型的回归系数b0,b1,b2,b3,b4和b5;;优化变量U2包括硫酸钙溶解度计算模型的回归系数α,β,γ,λ和ν。变量分别表示反应器转化率的实际值和预测值,/>分别表示料浆中结晶含量的实际值与预测值。
根据步骤(1’)中所采集的实际工艺数据,采用差分进化算法对所建两个单目标无约束优化问题进行优化求解,获得机理模型参数的优化估值,实现机理模型的校正;
如图3所示,所述差分算法包括如下步骤:
(4.1)采用差分算法随机产生工艺数据的初始种群,所述初始种群包括磷矿粒径、磷矿密度、进料流量、搅拌速度、操作温度和料浆液相组分含量;
(4.2)根据工艺数据的初始种群,利用校正后机理模型计算得到工艺指标的预测值;
(4.3)根据工艺数据集中实际反应单元出料数据,根据物料平衡模型和能量平衡模型,获得工艺指标的实际值;
(4.4)计算目标函数值,即以工艺指标中机理模型预测值和实际值差的平方作为目标函数值,进行优化计算;
(4.5)进行差分变异、交叉和选择操作,产生新的子代种群,重复代入步骤(4.2)~(4.4)中进行计算,判断当目标函数值最小时,输出此时的机理模型参数,计算结束。
(5’)利用校正后的机理模型对不同工艺数据进行预测,得到校正后模型预测的工艺指标,并根据校正后模型预测的工艺指标构建不同工艺数据下工艺指标数据库。
具体地,基于校正后的机理模型,针对不同生产方案,分析在不同的工艺数据下,预测各反应器单元的转化率和出口料浆中晶体含量,并建立本地数据库,存储上述不同方案装置转化率、料浆中晶体含量和料浆液相组成的数据,并能够实现数据的读写;
优化校正后的参数数值分别为:料浆液相密度计算模型的回归参数a0,a1,a2,a3,a4和a5分别为1284、-0.56、11、9、-0.02和-0.02,料浆液相粘度计算模型的回归系数b0,b1,b2,b3,b4和b5分别为0.479、-0.0107、-1.183、2.66×10-3、3.24和-0.013。
半水硫酸钙(CaSO4·0.5H2O)溶解度计算模型的回归系数α,β,γ,λ和ν分别为2.8792、0.0139、-8.9429、5.9658和-0.01185;二水硫酸钙(CaSO4·2H2O)溶解度计算模型的回归系数α,β,γ,λ和ν分别为0.6333、0.00068、0.0025、-0.00031和0.00015。
(6’)以不同工艺数据下校正后模型预测的工艺指标为数据库进行训练,构建神经网络代理模型;其具体包括:
(6.1)确定构建神经网络代理模型所需的训练数据集和验证数据集:对不同工艺数据下校正后模型预测得到的反应器转化率与出口料浆结晶含量数据的样本集进行归一化和标准化处理;然后,根据5折交叉验证法,从数据集每次随机选取数据库中总样本数目的4/5作为训练集,剩余1/5作为验证集,重复5次,产生5组训练-验证数据集组合;
(6.2)确定神经网络代理模型的结构:如图4所示,选取磷矿粒径、磷矿密度、进料流量、搅拌速度、操作温度、料浆液相组分含量等为输入变量,输入变量经归一化后再作为输入数据,选取转化率、料浆中晶体含量为输出变量,选取多输入-双输出的神经网络代理模型,作为神经网络代理模型的结构;
本发明采用反向传播(Back propagation,BP)神经网络,所构建的神经网络代理模型整个结构由3层神经元组成,第一层为输入层,中间层为隐含层,最后一层为输出层,隐含层和输出层神经元均采用SIGMOID函数激活函数;
所述隐含层的神经元的数目根据当前经验公式(40)初步确定隐层节点数目可选范围;
其中,H是隐含层节点数,m是输入层神经元数目,n是输出层神经元数目;L是1-10之间的常数;
基于式(40)计算得到的节点数目范围,选取不同的隐含层节点数目建立相应的BP神经网络,并验证采用该神经网络代理模型得到验证样本的平均相对偏差;最后选取使均方误差最小的隐含层节点数目作为最优的隐含层神经元数,计算得到最优的隐含层神经元数为8,构建得到结构模型为8-6-2的三层神经网络代理模型结构;
(6.3)神经网络代理模型的网络训练:利用搜索速度较快的Levenberg-Marquart算法在训练样本集进行神经网络代理模型的训练,在验证集上进行模型验证,通过重复交叉验证方法,并保存在验证集上表现最好(均方误差最小)的模型,得到磷酸萃取的转化率和料浆中晶体含量的神经网络代理模型;
(7’)根据实时采集并经预处理后的生产工艺数据,结合神经网络模块中的神经网络代理模型,并与物料平衡模型结合,实时预测磷酸萃取过程的工艺指标,即预测磷酸萃取的转化率和料浆中晶体含量;
(8’)如图5所示,将实时采集并经预处理后的生产工艺数据以及神经网络代理模型预测得到的工艺指标数据作为Base数据,并在此生产工艺数据附近调整工艺数据中的原料数据和操作参数,计算调整后的工艺指标,得到单变量改变下工艺指标的变化量,作为Delta数据,基于Base-Delta数据,实现不同工艺数据下的工艺指标预测;
并根据不同工艺数据下的Delta-Base数据,得到更大范围内不同的工艺数据(原料数据和操作参数)对应的转化率和料浆中晶体含量数据,从而得到一个包含大量工艺数据和工艺指标对应关系的数据库;采用上述数据库和真实采集数据在线对神经网络代理模型进行定期更新。
本发明中为了保证神经网络代理模型自适应新的运行工况,根据实时运行的数据更新神经代理网络模型,保持较高的精度,进一步提高预测的准确度。
实施例2
本实施例提供一种磷酸萃取过程的预测方法,所述预测方法除不进行步骤(8’)外,其余均与实施例1相同。
实施例1中根据实时运行的数据对神经网络代理模型进行实时预测,相较于实施例2中未进行实时预测而言,实施例1中的方法随着运行时间的延长,对不同工艺数据的变化范围具有更高的兼容性,且针对不同范围的工艺数据即原料参数和操作参数具有更高的准确度。
实施例3
本实施例提供一种磷酸萃取过程的预测方法,所述预测方法除不进行步骤(3’)外,其余均与实施例1相同。
实施例1中对实际生产数据进行预处理后再用于对机理模型的校正,相较于实施例3中未进行预处理而言,实施例1中的方法对机理模型进行校正时更容易收敛和计算,求解速度更快且得到的结果更准确。
实施例4
本实施例提供一种所述预测装置包括如下模块:数据模块、机理模型模块、模型校正模块、神经网络模块以及预测模块;所述数据模块用于获取磷酸萃取的生产工艺数据;所述机理模型模块用于构建和/或调用磷酸萃取的机理模型;所述模型校正模块利用数据模块中的生产工艺数据对所述机理模型进行校正;所述神经网络模块包括以校正后模型预测的生产工艺数据为数据库进行训练构建神经网络代理模型的神经网络建立模块;所述预测模块利用数据模块中的生产工艺数据,结合神经网络模块中的神经网络代理模型,实时预测磷酸萃取过程的待预测数据;所述神经网络模块还包括神经网络学习模块;所述神经网络学习模块以预测模块运行的数据为基础更新神经网络代理模型;所述预测装置还包括数据库模块,用于建立不同工艺数据下工艺指标的数据库。
本实施例提供的磷酸萃取过程的预测装置可用于实施利1~3中预测方法的运行。
综上所述,本发明提供的磷酸萃取过程的预测方法及预测装置通过融合实际生产数据对机理模型的校正以及神经网络代理模型对数据的实时预测,实现了湿法磷酸萃取过程的准确模拟,正确预测了产物流量和物性随原料流量和性质及操作条件的变化情况,从而为实现生产过程在线优化与控制提供模型基础,对指导实际生产具有重要意义。
申请人声明,本发明通过上述实施例来说明本发明的详细结构特征,但本发明并不局限于上述详细结构特征,即不意味着本发明必须依赖上述详细结构特征才能实施。所属技术领域的技术人员应该明了,对本发明的任何改进,对本发明所选用部件的等效替换以及辅助部件的增加、具体方式的选择等,均落在本发明的保护范围和公开范围之内。
Claims (24)
1.一种磷酸萃取过程的预测方法,其特征在于,所述预测方法包括如下步骤:
(1)根据磷酸萃取的工艺数据和工艺指标,对磷酸萃取的机理模型进行校正,得到校正后机理模型;步骤(1)中所述工艺数据包括原料数据、设备参数、操作参数和产品参数;步骤(1)中所述机理模型包括物料平衡模型、能量平衡模型、磷矿酸解动力学模型和硫酸钙结晶动力学模型;
所述磷矿酸解动力学模型如下所示:
磷矿颗粒酸解模型如式(17)~(21)所示:
CTA(i)=CSA(i)+CPA(i) (19)
式中,φM表示磷矿颗粒形状因素,ρM表示磷矿密度,αSA表示与磷矿酸解反应的硫酸消耗定额;KL表示液相反应物硫酸通过液膜的传质系数;DI表示搅拌浆直径,DR表示反应器直径,表示搅拌速度;De表示液相反应物硫酸在磷矿颗粒表面的有效扩散系数;r为反应过程中磷矿颗粒未反应芯半径;R为反应前磷矿初始颗粒半径;t表示磷矿颗粒在反应器内的溶解时间;CSA,CPA和CTA分别表示反应料浆中的硫酸、磷酸和总酸体积浓度;Re和Sc分别表示反应器内流体流动的雷诺数和史密特数;ρsl表示反应料浆液相密度;μsl表示反应料浆液相粘度;
所述硫酸钙结晶动力学模型如下所示:
晶体的质量生长速率计算如式(29)所示:
νe=KL×S (29)
硫酸钙过饱和度计算如式(30)所示:
晶体线性生长速率计算如式(31)所示:
晶体粒数密度计算如式(32)所示:
晶核粒数密度经验公式如式(33)所示:
具体举例:第1反应单元的晶体粒数密度计算如式(34)所示:
其中,硫酸钙晶体含量计算如式(35)所示:
式(29)~(35)中,νe表示晶体的质量生长速率;S表示硫酸钙的过饱和度;为硫酸钙在料浆环境内的饱和浓度;νL表示晶体的线性生长速率;L表示晶体特征长度;ρG表示生成的硫酸钙结晶体的密度;φG表示硫酸钙晶体形状因素;ψi,/>分别表示反应槽i的晶体粒数密度和晶核粒数密度;
(2)采用校正后机理模型对不同工艺数据进行预测,得到校正后模型预测的工艺指标;
(3)以不同工艺数据下校正后模型预测的工艺指标为数据库进行训练,构建神经网络代理模型;所述神经网络代理模型为磷矿酸解动力学模型和硫酸钙结晶动力学模型的神经网络代理模型;
(4)根据工艺数据,结合神经网络模块中的神经网络代理模型,实时预测磷酸萃取过程的工艺指标。
2.根据权利要求1所述的预测方法,其特征在于,所述原料数据包括原料流量、原料组成和原料性质。
3.根据权利要求2所述的预测方法,其特征在于,所述原料性质包括磷矿粒径和磷矿密度。
4.根据权利要求1所述的预测方法,其特征在于,所述设备参数包括设备流程、设备结构和设备特性参数。
5.根据权利要求4所述的预测方法,其特征在于,所述设备特性参数包括反应装置尺寸参数和搅拌装置尺寸参数。
6.根据权利要求1所述的预测方法,其特征在于,所述操作参数包括不同原料配比、循环流股流量占比、搅拌速度、操作温度和操作时间。
7.根据权利要求1所述的预测方法,其特征在于,所述操作参数还包括操作过程中物料组成和操作过程中物料性质。
8.根据权利要求1所述的预测方法,其特征在于,所述产品参数包括产品产量和产品组成。
9.根据权利要求1~3任一项所述的预测方法,其特征在于,所述校正包括:以工艺指标预测值与实际值差的平方最小为优化目标,对机理模型优化求解,获得机理模型校正参数。
10.根据权利要求9所述的预测方法,其特征在于,所述工艺指标包括转化率和反应料浆中晶体含量。
11.根据权利要求9所述的预测方法,其特征在于,所述校正采用差分进化算法进行优化求解。
12.根据权利要求1~4任一项所述的预测方法,其特征在于,步骤(1)中还包括:对实际生产中磷酸萃取的工艺数据的预处理。
13.根据权利要求12所述的预测方法,其特征在于,所述预处理包括剔除异常点、均值化、物料和能量平衡校正、缺省插值或未知点推测中的任意一种方式或至少两种方式的组合。
14.根据权利要求1~5任一项所述的预测方法,其特征在于,步骤(2)中还包括:根据校正后模型预测的工艺指标构建不同工艺数据下工艺指标数据库。
15.根据权利要求1所述的预测方法,其特征在于,所述神经网络代理模型的构建包括:标准化校正后模型预测的工艺指标数据,并进行训练。
16.根据权利要求15所述的预测方法,其特征在于,所述训练采用交叉验证法。
17.根据权利要求15所述的预测方法,其特征在于,所述神经网络代理模型的输入量包括磷矿粒径、磷矿密度、原料流量、搅拌速度、操作温度或操作过程中物料组成中的任意一种或至少两种的组合。
18.根据权利要求15所述的预测方法,其特征在于,所述神经网络代理模型的输出量包括转化率和反应料浆中晶体含量。
19.根据权利要求15所述的预测方法,其特征在于,所述神经网络代理模型设置有至少三层。
20.根据权利要求19所述的预测方法,其特征在于,所述神经网络代理模型中隐含层和输出层均采用SIGMOID函数激活函数。
21.根据权利要求15所述的预测方法,其特征在于,所述神经网络代理模型训练的方法包括Levenberg-Marquart算法。
22.根据权利要求1~7任一项所述的预测方法,其特征在于,在步骤(4)之后还包括:(5)根据不同工艺数据实时预测的工艺指标,更新神经网络代理模型。
23.一种根据权利要求1~22任一项所述的磷酸萃取过程的预测方法的预测装置,其特征在于,所述装置包括如下模块:数据模块、机理模型模块、模型校正模块、神经网络模块以及预测模块;
所述数据模块用于获取磷酸萃取的生产工艺数据;
所述机理模型模块用于构建和/或调用磷酸萃取的机理模型;
所述模型校正模块利用数据模块中的生产工艺数据对所述机理模型进行校正;
所述神经网络模块包括以校正后模型预测的生产工艺数据为数据库进行训练构建神经网络代理模型的神经网络建立模块;
所述预测模块利用数据模块中的生产工艺数据,结合神经网络模块中的神经网络代理模型,实时预测磷酸萃取过程的待预测数据。
24.根据权利要求23所述的预测装置,其特征在于,所述神经网络模块还包括神经网络学习模块;
所述神经网络学习模块以预测模块运行的数据为基础更新神经网络代理模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578135.8A CN112687345B (zh) | 2020-12-28 | 2020-12-28 | 一种磷酸萃取过程的预测方法和预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011578135.8A CN112687345B (zh) | 2020-12-28 | 2020-12-28 | 一种磷酸萃取过程的预测方法和预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112687345A CN112687345A (zh) | 2021-04-20 |
CN112687345B true CN112687345B (zh) | 2024-05-14 |
Family
ID=75452488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011578135.8A Active CN112687345B (zh) | 2020-12-28 | 2020-12-28 | 一种磷酸萃取过程的预测方法和预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112687345B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1888896A (zh) * | 2006-08-01 | 2007-01-03 | 浙江中控软件技术有限公司 | 二水湿法磷酸生产过程中so3含量的软测量方法 |
CN102186769A (zh) * | 2008-10-22 | 2011-09-14 | 株式会社Lg化学 | 具有橄榄石结构的锂铁磷酸盐及其分析方法 |
CN110060744A (zh) * | 2018-11-16 | 2019-07-26 | 兰州大学 | 一种环隙式离心萃取器工艺参数与单级萃取性能之间关系的综合计算及模拟方法 |
CN110799523A (zh) * | 2017-05-12 | 2020-02-14 | 中外制药株式会社 | 用于制备环状有机化合物的方法 |
CN110910270A (zh) * | 2018-09-17 | 2020-03-24 | 阿里巴巴集团控股有限公司 | 磷酸生产工艺的处理方法、装置和系统 |
-
2020
- 2020-12-28 CN CN202011578135.8A patent/CN112687345B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1888896A (zh) * | 2006-08-01 | 2007-01-03 | 浙江中控软件技术有限公司 | 二水湿法磷酸生产过程中so3含量的软测量方法 |
CN102186769A (zh) * | 2008-10-22 | 2011-09-14 | 株式会社Lg化学 | 具有橄榄石结构的锂铁磷酸盐及其分析方法 |
CN110799523A (zh) * | 2017-05-12 | 2020-02-14 | 中外制药株式会社 | 用于制备环状有机化合物的方法 |
CN110910270A (zh) * | 2018-09-17 | 2020-03-24 | 阿里巴巴集团控股有限公司 | 磷酸生产工艺的处理方法、装置和系统 |
CN110060744A (zh) * | 2018-11-16 | 2019-07-26 | 兰州大学 | 一种环隙式离心萃取器工艺参数与单级萃取性能之间关系的综合计算及模拟方法 |
Non-Patent Citations (4)
Title |
---|
二水石膏在磷酸和硫酸水溶液中的结晶动力学;马三剑;苏州城建环保学院学报;19940630(第02期);全文 * |
基于人工神经网络的磷酸三丁酯络合萃取Np(Ⅳ、Ⅵ)的模拟;周羽;核化学与放射化学;第2014卷(第3期);149-156 * |
硫酸分解织金含稀土磷矿化学反应过程实验研究;王录锋;张杰;刘志红;;应用化工;20091228(第12期);全文 * |
金河磷矿在硫、磷混酸中的溶解动力学;李成蓉, 钟本和, 张允湘;化工学报;19980625(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112687345A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR940005029B1 (ko) | 프로세스 운전지원방법 및 시스템 | |
CN108921352B (zh) | 一种具有区间不确定性的湿法冶金浸出过程优化方法 | |
Son et al. | Hybrid Koopman model predictive control of nonlinear systems using multiple EDMD models: An application to a batch pulp digester with feed fluctuation | |
Wang et al. | A deep learning based dynamic COD prediction model for urban sewage | |
CN101482750B (zh) | 湿法冶金合成过程草酸钴粒度预测方法 | |
CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
Simutis et al. | Fuzzy-aided neural network for real-time state estimation and process prediction in the alcohol formation step of production-scale beer brewing | |
Yao et al. | Hierarchical quality monitoring for large-scale industrial plants with big process data | |
CN106200381B (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
CN110045606A (zh) | 一种用于分布式参数系统在线建模的增量时空学习方法 | |
CN117312816B (zh) | 一种特种钢材的冶炼效果评估方法及系统 | |
Gan et al. | On the use of data-driven machine learning for remaining life estimation of metallic materials based on Ye-Wang damage theory | |
CN112687345B (zh) | 一种磷酸萃取过程的预测方法和预测装置 | |
Wang et al. | Optimization of aluminum fluoride addition in aluminum electrolysis process based on pruned sparse fuzzy neural network | |
CN113515893B (zh) | 一种稀土萃取过程实时预测模型的建立方法及预测方法和预测装置 | |
Yang et al. | Modeling and optimal-setting control of blending process in a metallurgical industry | |
CN116864014A (zh) | 一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法 | |
CN116862213A (zh) | 一种冷轧厂产线能耗指标分解方法、装置、介质及设备 | |
Sun et al. | A discussion of the control of nonferrous metallurgical processes | |
CN114871000B (zh) | 一种浮选加药自适应调控方法 | |
Liu et al. | Real-time optimization compensation method based on a novel two-level multi-block hybrid model for the hydrometallurgy process | |
Yang et al. | A two-stage intelligent optimization system for the raw slurry preparing process of alumina sintering production | |
CN112551495A (zh) | 一种磷酸生产过程的优化方法及优化装置 | |
CN113377075A (zh) | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 | |
CN113222324A (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 |
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 |