CN112825103B - 气化工艺的反向设计装置及方法 - Google Patents

Abstract

一种气化工艺的设计方法，包括如下步骤：确定原料特征和设计需求，所述设计需求即设计目标取值范围；根据所述原料特征和设计需求，给出设计变量的假定值，利用所述假定值和经验公式计算得到设计变量初始值；根据得到的设计变量初始值，确定反向设计的设计变量优化范围；通过非支配模糊排序法对得到的初始种群中的个体进行排序；采用带有模糊目标权系数的谱系聚类法对所有非支配个体进行聚类，最后利用非支配模糊排序法对不同类进行排序，获取最符合设计要求的设计变量与设计目标区间。反向设计对设计目标的要求更宽泛，设计变量更全面，设计过程具有更明确的方向性，设计结果更加符合设计需求，工作量大大减小，且不要求设计者有丰富的经验。

Description

气化工艺的反向设计装置及方法

技术领域

本发明涉及气化工艺设计领域，尤其涉及一种气化工艺的反向设计装置及方法。

背景技术

气化工艺设计包含三个主要内容：设计变量、设计目标和设计方法。设计方法是气化工艺设计的核心内容，传统设计方法大致可分为两种：经验法和试错法。

经验法是最常用的方法，主要依据设计者的经验来假设相关参数并配合相关经验公式进行设计，由于气化工艺设计问题的复杂性，该方法很难同时考虑多个设计目标，且一般只能对气化炉结构参数进行设计，无法设计运行参数。

试错法主要通过模拟大量工况来寻找满足设计目标的设计变量，常用的模拟仿真模型有动力学模型、热力学平衡模型(Thermodynamic Equilibrium Model，TEM)和人工神经网络模型(Artificial Neural Networks，ANN)，动力学模型较为复杂，模拟前需确定很多参数，因此较少用于气化工艺初设计，TEM是一种简单易行的理想化模型，其假定气化过程中的多个化学反应在离开气化反应器时都达到了化学平衡状态，并基于质量守恒、能量守恒与化学平衡分析对气化反应结果进行预测，模型只涉及气化炉内反应，而不考虑气化炉的几何结构。在实际生产中，反应物在气化炉中的反应时间有限，气化炉内一般无法达到热力学平衡，因此TEM只能给出理想的气化产率，用于实际生产预测时误差较大。ANN是一种新兴的智能化模型，因其能够很好地处理非线性问题而被广泛应用，在保证训练样本数量与质量以及合理的网络结构下，ANN可根据给定输入参数对输出参数进行高速精准的预测，近几年，ANN在生物质气化领域中的应用越来越多，ANN虽可保证较高的预测精度，但在缺少实验数据的设计阶段，其重要输入参数“气化温度”的确定较为困难，因此，应用ANN对气化结果进行预测受到了限制。同时，由于气化工艺设计参数的非线性等因素，试错法工作量大，且难以找到最优的设计方案。

智能优化算法是如遗传算法，可理解为一种“反向”算法，可根据对设计目标值的要求逐步确定最佳的设计变量值，相对于经验法，其优势是可同时考虑多个设计目标，相对于试错法，其优势是计算量更少更高效。多目标遗传算法(MOGA)中适应度函数和种群个体间的排序规则是算法的核心，适应度函数建立了优化变量与优化目标的映射关系，对于气化工艺来说，可对应于气化仿真模型，种群个体间的排序即为设计方案(包括设计变量和设计目标)的排序，设计者对气化工艺的多个设计目标要求范围和重视程度不尽相同，因此对应于MOGA中种群个体的排序规则很难用一个统一的标准确定。现有气化仿真模型用于气化工艺初设计时存在的问题和限制，以及对MOGA中个体排序方法的确定是智能优化算法应用与气化工艺设计的主要问题。

现有的气化工艺设计方法，得到的多组设计方案是互相独立的，选择哪组设计方案是设计者必须面对的问题，同时在气化设备生产与运行过程中，受生产技术和设备性能的影响，气化设备很难按照设计参数精准地生产与运行，因此，在气化工艺设计过程中，考虑设计余量很有必要。

发明内容

有鉴于此，本发明的主要目的在于提供一种气化工艺的反向设计装置及方法，以期至少部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一方面，提供了一种气化工艺的反向设计方法，包括以下步骤：

步骤1：确定原料特征和设计需求，所述设计需求即设计目标取值范围；

步骤2：根据步骤1中的原料特征和设计需求，给出设计变量的假定值，利用所述假定值和经验公式计算得到设计变量初始值；

步骤3：根据步骤2得到的设计变量初始值，确定反向设计的设计变量优化范围，并将所述优化范围作为多目标遗传算法的优化范围，在优化范围中随机产生规模为N的初始种群P_t，即得到多个包含所有设计变量的个体，每个个体中的设计变量值均在优化范围中随机产生，使用热力学平衡模型-人工神经网络模型和相关公式计算每个个体的适应度，即根据设计变量值确定相应的设计目标值；

步骤4：通过非支配模糊排序法对步骤3中得到的初始种群P_t中的个体进行排序，对排序后的种群进行遗传算法的“选择、交叉、变异”操作，产生种群Q_t，将初始种群P_t和种群Q_t合并为过渡群体R_t，通过非支配模糊排序法对过渡种群R_t中的个体进行排序，选择前N个优势个体放入新种群P_t+1中，当新种群P_t+1符合多目标遗传算法设定的收敛标准时，输出所有非支配个体，进入步骤5，否则重复步骤4；

步骤5：采用带有模糊目标权系数的谱系聚类法对步骤4输出的所有非支配个体进行聚类，计算聚类过程最后5步的PSF值，选择PSF值最大的一组聚类结果，把每类看成由各个设计变量和设计目标组成的区间集，随机从每类设计变量区间集中产生10～100个样本，通过TEM-ANN模型预测方法进行检验，并调整设计目标区间，最后利用非支配模糊排序法对不同类进行排序，获取最符合设计要求的设计变量与设计目标区间。

其中，在步骤1中，所述原料特征包括工业分析数据、元素分析数据和原料低位热值；所述工业分析数据包括水分、灰分、挥发分和固定碳的含量；所述元素分析数据包括C％、H％和O％。

其中，所述步骤3中对于气化工艺的TEM-ANN模型预测方法的步骤具体包括：

子步骤31：收集包含原料特征、气化炉结构参数、运行参数和对应气化产气结果的实际工况样本，建立数据库，并用所述实际工况样本对ANN进行训练与检验；

子步骤32：给定原料特征、气化炉结构参数和运行参数，并假定气化温度，并通过训练好的ANN得到相应工况下的气化产气组分浓度；

子步骤33：根据质量守恒方程和ANN得到的气化产气组分浓度，求解相应工况下1摩尔生物质原料气化产生的各产物组分的摩尔数，利用各产物组分摩尔数和能量守恒方程求解气化温度；

子步骤34；计算子步骤33中计算的气化温度和子步骤32中输入ANN的气化温度之差，若两者之差小于1K，输出气化温度和各气体组分浓度，否则，返回子步骤32。

其中，步骤3对于气化工艺的TEM-ANN模型预测方法的步骤中，还包括根据所述气化产气组分浓度和原料特征计算得到产气热值、产气率和气化效率的步骤，具体计算公式如下：

LHV_g＝0.126·CO％+0.108·H₂％+0.359·CH₄％；

其中，G_p为产气率，Nm³/kg，

n_CO、

为1摩尔生物质原料气化产生的各气体组分的摩尔数，M_b为1摩尔气化生物质的质量，单位为kg，LHV_g为产气(低位)热值，LHV^t为原料(低位)热值。

其中，在步骤4中，所述非支配模糊排序法具体包括如下步骤：

根据种群中的个体，其中包括设计变量值和设计目标值，是否满足设计要求，即设计目标值是否在要求范围内，将种群分成两个子种群；

满足设计要求的子种群1先进行非支配分层，然后计算模糊目标权系数和个体决策优属度，对每一层的个体按个体决策优属度从大到小排序；

不满足设计要求的子种群2再进行非支配分层，然后建立个体间的模糊相似关系，由模糊相似关系得到模糊相似矩阵，对模糊相似矩阵中各行元素进行求和，得到每个个体的相似度，对每一层的个体按相似度从小到大排序，以增加MOGA解的多样性；

子种群1与子种群2合并，子种群1整体排在子种群2前面，完成所有个体的排序。

其中，所述模糊目标权系数的计算过程如下：

定义偏好关系，其中，“≈”代表设计目标1与设计目标2同等重要，

代表设计目标1不如设计目标2重要，

代表设计目标1远不如设计目标2重要；

建立一个m×m的矩阵R，并确定下列等价关系式：

其中，c_i、c_j为设计目标，m为设计目标数量，α+β＝γ+δ＝1且0<α<γ<δ<β<1，矩阵R的主对角线均为0.5；

对于每一个c_i∈C，计算规范化后的模糊目标权系数的公式如下：

其中，C为设计目标集合，ω(c_i)为设计目标c_i的模糊目标权系数，S_L(c_i,R)、S_L(c_j,R)为矩阵R的第i或j行除主对角线数字外，其余数字的和。

其中，所述个体决策优属度公式为：

其中，u_k为个体决策优属度，r_ik为个体k设计目标c_i的相对优属度，p取2；

所述相对优属度的计算公式如下：

对于越大越优的目标其相对优属度公式为：

对于越小越优的目标其相对优属度公式为：

其中，x_ik表示个体k中设计目标c_i的归一化值，∨、∧分别为取最大符、取最小符。

其中，所述模糊相似矩阵为：

其中，h(s，v)为模糊相似矩阵中的元素，即设计方案s与v的模糊相似关系，x_is表示设计方案s的设计目标c_i的归一化值，x_iv表示设计方案v的设计目标c_i的归一化值。

其中，步骤5中所述PSF值的计算公式为：

其中，PSF为伪F统计量，n为个体总个数，G为当前类数，T为所有个体间的总离差平方和，P_G为类内平方和的和。

作为本发明的另一方面，还提供了一种气化工艺的反向设计装置，包括：

产物预测模块，通过TEM-ANN模型进行产物预测；

参数优化模块，通过多目标遗传算法、TEM-ANN模型预测方法和非支配模糊排序法实现参数优化；

聚类分析模块，通过带有模糊权重的谱系聚类法、TEM-ANN模型预测方法和非支配模糊排序法获取最符合设计要求的设计变量与设计目标区间。

基于上述技术方案可知，本发明的气化工艺的反向设计装置及方法相对于现有技术至少具有如下有益效果之一：

(1)与传统设计相比，反向设计对设计目标的要求更宽泛，设计变量更全面，设计过程具有更明确的方向性，设计结果更加符合设计需求，工作量大大减小，且不要求设计者有丰富的经验；

(2)产气预测模块采用的TEM-ANN模型预测方法，相比于单独使用TEM或ANN模型进行预测，对不同工况的适用性更强、准确度更高；

(3)参数优化模块以设计要求和设计者的偏好为目标，利用MOGA和非支配模糊排序法对设计变量进行优化，逐步逼近最佳设计变量，设计过程更加个性化，并减少了工作量；

(4)聚类分析模块将离散的最优设计变量值和相应的设计目标值整合成若干个最优设计变量值区间和相应的设计目标值区间，使设计结果更加符合实际生产需要。

附图说明

图1为本发明的气化工艺反向设计方法流程图；

图2为TEM-ANN模型预测方法流程图；

图3为非支配模糊排序法流程图；

图4为聚类分析模块流程图；

图5为本发明具体实施例中各模型对气化产气组分预测的相对误差分布图。

图6为本发明具体实施例2中偏好(1)情况下反向设计非支配个体随遗传代数变化曲线；

图7为本发明具体实施例2中偏好(1)情况下反向设计非支配个体聚类分析谱系图。

具体实施方式

本发明提出了一种气化工艺反向设计方法，根据设计者对产气指标的要求，对气化参数进行反向设计，得到满足设计目标的最佳设计方案。反向设计流程图如图1所示。

本发明也公开了一种气化工艺反向设计的装置，该装置包含产物预测模块、参数优化模块、聚类分析模块，其中，产物预测模块保证了设计的精度，参数优化模块提高了设计的质量并减少了工作量，聚类分析模块提高了设计的实用性。相对于传统设计方法，反向设计方法对设计变量和设计目标的要求更宽泛，设计过程更具方向性，设计结果更符合实际生产需求。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

如图1所示，本发明的实现主要包括以下步骤：

(1)确定原料特征，包括工业分析数据(水分、灰分、挥发分、固定碳的含量)、元素分析数据(C％、H％、O％)，原料低位热值。确定设计需求，即设计目标取值范围，包括CO％范围、产气热值范围、产气率范围、气化效率范围，以及目标之间的偏好程度。设计目标中CO％越低越好，产气热值、产气率、气化效率越高越好。设计变量为气化炉炉高、气化炉内径、原料粒径、当量比、气化温度；

(2)根据气化原料特征和设计需求，给出气化效率、当量比、气化温度等的假定值，利用假定值和经验公式计算得到气化炉内径初始设计值和对应的最小炉高。根据经验或用户给定，确定原料粒径和当量比的初始值或范围。气化温度在步骤3中由TEM-ANN模型算出；

(3)根据步骤2得到的设计变量初始值，确定反向设计的设计变量优化范围，如取设计变量的正负20％作为优化范围，并将该范围作为多目标遗传算法(MOGA)的初始优化范围，随机产生规模为N的初始种群P_t，即得到多组包含所有设计变量值的个体，使用TEM-ANN模型和相关公式计算每个个体的适应度，即根据设计变量值确定相应的设计目标值；

(4)通过非支配模糊排序法对种群P_t中的个体进行排序，对排序后的种群进行遗传算法的“选择、交叉、变异”操作，产生种群Q_t，将种群P_t和种群Q_t合并为过渡群体R_t，通过非支配模糊排序法对过渡种群R_t中的个体进行排序，选择前N个优势个体放入新种群P_t+1中，新种群P_t+1符合MOGA设定的收敛标准，优化过程结束，输出所有非支配个体，进入步骤5，否则重复步骤4；

(5)采用带有模糊目标权系数的谱系聚类法对步骤4输出的所有非支配个体进行聚类，计算聚类过程最后5步的伪F统计量(PSF)值，选择PSF值最大的一组聚类结果，即使类内距离尽可能小，类间距离尽可能大，将每类中各设计变量和设计目标值的最大值和最小值看成区间的上下界，即把每类看成由各个设计变量和设计目标组成的区间集，随机从每类设计变量区间中产生10～100个样本，通过TEM-ANN模型和相关公式计算每类的若干个样本的设计目标值，判断若干个样本的设计目标值是否符合设计要求，若不符合，退回到该类上一步的聚类结果，继续抽样检验，若符合，根据抽取的若干个样本的设计目标值调整设计目标区间上下界，并计算该类若干个样本的各设计目标的平均值作为该类代表，对各类代表进行非支配模糊排序，排名第一的类代表所对应的类区间即为反向设计结果，包含设计变量区间和对应的设计目标预测区间。

各步骤详细说明：

1、步骤2涉及的主要设计公式为(以流化床空气气化为例)：

E_th＝Q_d·f_sec (1)

m_a＝ER·V_a·m_c (4)

h_r＝3000～5000 (8)

其中，E_th为气化反应器设计功率，kW，Q_d为设计者实际所需功率，kW；f_sec为安全系数；F_g为产气流量，Nm³/h；LHV_g为产气低位热值，MJ/Nm³；m_c为进料量，kg/h；LHV^t为原料低位热值，MJ/kg；η_g为气化效率，％；m_a为空气流量，Nm³/h；ER为当量比；V_a为理论空气流量，Nm³/h；F_at为根据床温修正的空气流量，Nm³/h；t_b为床温，℃；A_g为反应器横截面积，m²；V_sg为气体流速，m/s；D_r为反应器内径，mm；h_r为炉高，mm。

2、步骤3中TEM-ANN模型预测方法主要步骤如下，流程图如图2所示。

(1)收集大量包含原料特征、气化炉结构参数、运行参数和对应气化产气结果的实际工况样本，建立数据库，并用这些样本对ANN进行训练与检验；

(2)给定原料特征、气化炉结构参数和运行参数(除气化温度)，假定(计算)气化温度(初步假定时需根据经验)，并通过训练好的ANN得到该工况下的气化产气组分浓度；

(3)根据质量守恒方程和ANN得到的气化产气组分浓度，求解该工况下1摩尔生物质原料气化产生的各产物组分的摩尔数，利用各产物组分摩尔数和能量守恒方程求解气化温度；

(4)计算步骤3中计算的气化温度和步骤2中输入ANN的气化温度之差，若两者之差小于1K，输出气化温度和各气体组分浓度，否则，返回步骤2。

另外，产气热值、产气率和气化效率可根据产气组分浓度和原料特征经过简单公式计算得到。

LHV_g＝0.126·CO％+0.108·H₂％+0.359·CH₄％ (9)

其中，G_p为产气率，Nm³/kg，

n_CO、

为1摩尔生物质原料气化产生的各气体组分的摩尔数，M_b为1摩尔气化生物质的质量，kg。

3、步骤4中非支配模糊排序法主要步骤如下，流程图如图3所示。

(1)根据种群中的个体(包括设计变量值和设计目标值)是否满足设计要求(设计目标值在要求范围内)，将种群分成两个子种群；

(2)满足设计要求的子种群1先进行非支配分层，然后计算模糊目标权系数和个体决策优属度，对每一层的个体按个体决策优属度从大到小排序；

(3)不满足设计要求的子种群2先进行非支配分层，然后建立个体间的模糊相似关系，由模糊相似关系得到模糊相似矩阵，对模糊相似矩阵中各行元素进行求和，得到每个个体的相似度，对每一层的个体按相似度从小到大排序，以增加MOGA解的多样性；

(4)子种群1与子种群2合并，子种群1整体排在子种群2前面，完成所有个体的排序。

其中，步骤2中非支配分层指从当前种群中依据非支配关系选择出非支配个体(帕累托解)，这里以最大化问题为例，表述非支配关系，对于两个任意个体i，j：

(1)对于任意目标函数c，均满足c_i>c_j，称i占优j，或i支配j；

(2)若i不占优于j，且j不占优于i时，称i与j无差别。

非支配个体是指不被其它任何一个个体所支配的个体，它们的特点是如果对其中一个目标进行提高，必将损害其它至少一个目标。种群中每选出一组非支配个体，将其作为一层，并从种群中排除掉，选择下一组非支配个体，直到种群中无个体，非支配分层结束。

模糊目标权系数的计算过程为：

(1)定义偏好关系，如表1所示。

表1偏好关系及其意义

(2)建立一个m×m的矩阵R，并确定下列等价关系式：

其中，c_i、c_j为设计目标，m为设计目标数量，α+β＝γ+δ＝1且0<α<γ<δ<β<1，α、β、γ、δ可假设为0.05、0.95、0.35、0.65，矩阵R的主对角线均为0.5。

(3)对于每一个c_i∈C，计算规范化后的模糊目标权系数：

其中，C为设计目标集合，ω(c_i)为设计目标c_i的模糊目标权系数，S_L(c_i,R)、S_L(c_j,R)为矩阵R的第i或j行除主对角线数字外，其余数字的和。

个体决策优属度公式为：

其中，u_k为个体决策优属度，r_ik为个体k设计目标c_i的相对优属度，p取2。

计算个体决策优属度前，需先计算相对优属度。

对于越大越优的目标其相对优属度公式为：

对于越小越优的目标其相对优属度公式为：

式中，x_ik表示个体k中设计目标c_i的归一化值，∨、∧分别为取最大符、取最小符。

步骤3中模糊相似矩阵为

其中，h(s，v)为模糊相似矩阵中的元素，即个体s与v的模糊相似关系，x_is表示个体s的设计目标c_i的归一化值，x_iv表示个体v的设计目标c_i的归一化值。

4、步骤5的详细流程如图4所示，其中带有模糊目标权系数的谱系聚类法的核心公式，即个体(类)间距离公式采用基于模糊偏好的欧氏距离公式为：

其中，d_ω为带有模糊目标权系数的欧氏距离，l为个体中设计变量(除气化温度)与设计目标的统一编号，t为个体中设计变量与设计目标的总数，ω_l为权系数，设计目标权系数

设计变量权系数均为

f_il、f_jl为i和j个体中第l个设计变量或设计目标的归一化值。

所述PSF值公式为：

n为个体总个数，G为当前类数，T为所有个体间的总离差平方和，P_G为类内平方和的和。

其中，v为类的编号，S_v为类内平方和，G_v为编号为v的类

1、TEM-ANN模型预测性能评价。

本发明的具体实施方式选择来自5篇文献中的38组鼓泡流化床空气气化实验案例，文献实验案例信息如表2所示：

表2文献实验案例信息

本发明具体实施方式具体操作过程描述如下：

TEM计算步骤如下：

(1)输入原料的元素分析、含水率、LHV^t、当量比；

(2)假定(计算)气化温度T_i，本例中38组案例初始气化温度均设为800K，求解由C、H、O元素的质量守恒方程和化学平衡常数方程组成的方程组，得到该工况下1摩尔生物质原料气化产生的各气体组分摩尔数；

(3)将步骤2得到的各产气组分摩尔数代入能量守恒方程，求解得到平衡温度T_eq；

(4)循环迭代计算(同TEM-ANN模型)。

ANN模型的建立：

38组案例的ANN输入端参数为C％、H％、O％、水分、挥发分、固定碳、灰分、粒径、炉高、内径、当量比、气化温度，为提高ANN预测精度，建立4个ANN，每个ANN对应一个输出端参数，分别为CO₂％、CO％、H₂％、CH₄％。训练样本共有234个。由于ANN不能预测气化温度，而气化温度又是ANN的重要输入变量，因此本例采用TEM预测得到的气化温度作为ANN的输入。

TEM-ANN模型的建立：

将训练好的4个ANN与TEM按图1方式耦合并计算，假定初始气化温度为800K。

其中，图5为各模型对气化产气组分预测的相对误差分布图。从图中可以明显看出TEM-ANN模型对各个气化产气组分预测的整体误差均最低，且误差波动范围最小，即TEM-ANN模型的预测精度和鲁棒性均为三个模型中最优。

气化温度和产气组分浓度的相对预测误差如表3所示，TEM-ANN模型预测气化温度的误差为7.20％，预测气化产气组分浓度的平均误差为8.82％，相比TEM预测方法，气化温度误差减小5.41％，各气化产气组分浓度预测误差均有减小，平均减小11.94％，相比ANN预测方法，各气化产气组分浓度预测误差也均有减小，平均减小7.03％，因此，本发明提出的TEM-ANN模型预测方法具有显著的实用性与创新性。

表3不同预测方法相对误差

2、气化工艺反向设计案例。

设计对象：生物质鼓泡流化床空气气化工艺设计；

设计变量：气化炉内径、炉高、当量比、粒径、气化温度；

设计目标：CO％最小化且CO％不高于20％，产气热值最大化且产气热值不低于4000kJ/Nm³，产气率最大化且产气率不低于1Nm³/kg，气化效率最大化且不低于50％。

目标偏好(以4种偏好为例)：

(1)CO％≈产气热值≈产气率≈气化效率；

(2)

(3)

(4)

其中偏好(1)为无偏好的对照组。

生物质原料特征如表4所示：

表4设计案例的原料特征

确定设计变量初始值时，假设进料量为70kg/h，产气热值为5MJ/Nm³，气化效率为75％，当量比为0.22，气流速度为0.7m/s，气化温度为800℃。

通过经验公式计算，得到初始设计变量值，气化炉内径为373mm。

确定MOGA中设计变量优化范围：气化炉内径200mm～600mm，炉高3000mm～5000mm，当量比0.2～0.4，粒径0.1mm～10mm，气化温度通过TEM-ANN模型计算得出。

通过MOGA和非支配模糊排序法进行设计变量优化，MOGA中设定种群规模N为80，个体交叉概率为0.8，变异概率为0.1，收敛条件为遗传代数大于10。对优化结果中的非支配个体进行聚类分析，并对结果进行检验与排序。

反向设计过程通过Python编程实现，4种偏好计算时间均在20秒以内。图6为偏好(1)情况下反向设计非支配个体数量随遗传代数变化曲线。图7为偏好(1)情况下反向设计非支配个体聚类分析谱系图。最终得到反向设计结果如表5所示：

表5反向设计结果

从表5可以看出，偏好(2)设计结果中产气热值较偏好(1)对照组有显著的提升，偏好(3)中产气热值和产气率较偏好(1)有显著提升，偏好(4)中产气热值和产气率较偏好(1)有明显提升，与偏好(3)相比，偏好(4)中产气热值的提升更为明显。可以看出，反向设计结果与设计者偏好是高度符合的。

综上所述，与传统设计方法相比，反向设计中TEM-ANN模型使其设计结果更精确，多目标遗传算法使其设计过程更高效，非支配模糊排序法使其设计结果更加个性化，聚类分析模块使其设计结果更利于实际生产应用。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种气化工艺的设计方法，其特征在于，包括如下步骤：

步骤1：确定原料特征和设计需求，所述设计需求即设计目标取值范围；

步骤2：根据步骤1中的原料特征和设计需求，给出设计变量的假定值，利用所述假定值和经验公式计算得到设计变量初始值；

步骤3：根据步骤2得到的设计变量初始值，确定反向设计的设计变量优化范围，并将所述优化范围作为多目标遗传算法的优化范围，在优化范围中随机产生规模为N的初始种群P_t，即得到多个包含所有设计变量的个体，每个个体中的设计变量值均在优化范围中随机产生，使用热力学平衡模型-人工神经网络模型和相关公式计算每个个体的适应度，即根据设计变量值确定相应的设计目标值；

步骤4：通过非支配模糊排序法对步骤3中得到的初始种群P_t中的个体进行排序，对排序后的种群进行遗传算法的“选择、交叉、变异”操作，产生种群Q_t，将初始种群P_t和种群Q_t合并为过渡群体R_t，通过非支配模糊排序法对过渡种群R_t中的个体进行排序，选择前N个优势个体放入新种群P_t+1中，当新种群P_t+1符合多目标遗传算法设定的收敛标准时，输出所有非支配个体，进入步骤5，否则重复步骤4；

步骤5：采用带有模糊目标权系数的谱系聚类法对步骤4输出的所有非支配个体进行聚类，计算聚类过程最后5步的PSF值，选择PSF值最大的一组聚类结果，把每类看成由各个设计变量和设计目标组成的区间集，随机从每类设计变量区间集中产生10～100个样本，通过TEM-ANN模型预测方法进行检验，并调整设计目标区间，最后利用非支配模糊排序法对不同类进行排序，获取最符合设计要求的设计变量与设计目标区间。

2.根据权利要求1所述的方法，其特征在于，在步骤1中，所述原料特征包括工业分析数据、元素分析数据和原料低位热值；所述工业分析数据包括水分、灰分、挥发分和固定碳的含量；所述元素分析数据包括C％、H％和O％。

3.根据权利要求1所述的方法，其特征在于，所述步骤3中对于气化工艺的TEM-ANN模型预测方法的步骤具体包括：

子步骤31：收集包含原料特征、气化炉结构参数、运行参数和对应气化产气结果的实际工况样本，建立数据库，并用所述实际工况样本对ANN进行训练与检验；

子步骤32：给定原料特征、气化炉结构参数和运行参数，并假定气化温度，并通过训练好的ANN得到相应工况下的气化产气组分浓度；

子步骤33：根据质量守恒方程和ANN得到的气化产气组分浓度，求解相应工况下1摩尔生物质原料气化产生的各产物组分的摩尔数，利用各产物组分摩尔数和能量守恒方程求解气化温度；

子步骤34；计算子步骤33中计算的气化温度和子步骤32中输入ANN的气化温度之差，若两者之差小于1K，输出气化温度和各气体组分浓度，否则，返回子步骤32。

4.根据权利要求1所述的方法，其特征在于，步骤3对于气化工艺的TEM-ANN模型预测方法的步骤中，还包括根据所述气化产气组分浓度和原料特征计算得到产气热值、产气率和气化效率的步骤，具体计算公式如下：

LHV_g＝0.126·CO％+0.108·H₂％+0.359·CH₄％；

其中，G_p为产气率，Nm³/kg，

n_CO、

为1摩尔生物质原料气化产生的各气体组分的摩尔数，M_b为1摩尔气化生物质的质量，单位为kg，LHV_g为产气(低位)热值，LHV^t为原料(低位)热值。

5.根据权利要求1所述的方法，其特征在于，在步骤4中，所述非支配模糊排序法具体包括如下步骤：

根据种群中的个体，其中包括设计变量值和设计目标值，是否满足设计要求，即设计目标值是否在要求范围内，将种群分成两个子种群；

满足设计要求的子种群1先进行非支配分层，然后计算模糊目标权系数和个体决策优属度，对每一层的个体按个体决策优属度从大到小排序；

不满足设计要求的子种群2再进行非支配分层，然后建立个体间的模糊相似关系，由模糊相似关系得到模糊相似矩阵，对模糊相似矩阵中各行元素进行求和，得到每个个体的相似度，对每一层的个体按相似度从小到大排序，以增加MOGA解的多样性；

子种群1与子种群2合并，子种群1整体排在子种群2前面，完成所有个体的排序。

6.根据权利要求5所述的方法，其特征在于，所述模糊目标权系数的计算过程如下：

定义偏好关系，其中，“≈”代表设计目标1与设计目标2同等重要，

代表设计目标1不如设计目标2重要，

代表设计目标1远不如设计目标2重要；

建立一个m×m的矩阵R，并确定下列等价关系式：

其中，c_i、c_j为设计目标，m为设计目标数量，α+β＝γ+δ＝1且0<α<γ<δ<β<1，矩阵R的主对角线均为0.5；

对于每一个c_i∈C，计算规范化后的模糊目标权系数的公式如下：

其中，C为设计目标集合，ω(c_i)为设计目标c_i的模糊目标权系数，S_L(c_i,R)、S_L(c_j,R)为矩阵R的第i或j行除主对角线数字外，其余数字的和。

7.根据权利要求5所述的方法，其特征在于，所述个体决策优属度公式为：

其中，u_k为个体决策优属度，r_ik为个体k设计目标c_i的相对优属度，p取2；

所述相对优属度的计算公式如下：

对于越大越优的目标其相对优属度公式为：

对于越小越优的目标其相对优属度公式为：

其中，x_ik表示个体k中设计目标c_i的归一化值，∨、∧分别为取最大符、取最小符。

8.根据权利要求5所述的方法，其特征在于，所述模糊相似矩阵为：

其中，h(s，v)为模糊相似矩阵中的元素，即设计方案s与v的模糊相似关系，x_is表示设计方案s的设计目标c_i的归一化值，x_iv表示设计方案v的设计目标c_i的归一化值。

9.根据权利要求1所述的方法，其特征在于，步骤5中所述PSF值的计算公式为：

其中，PSF为伪F统计量，n为个体总个数，G为当前类数，T为所有个体间的总离差平方和，P_G为类内平方和的和。

10.一种用于执行如权利要求1～9任一项所述的气化工艺的设计方法的装置，其特征在于，包括：

产物预测模块，通过TEM-ANN模型进行产物预测；

参数优化模块，通过多目标遗传算法、TEM-ANN模型预测方法和非支配模糊排序法实现参数优化；

聚类分析模块，通过带有模糊权重的谱系聚类法、TEM-ANN模型预测方法和非支配模糊排序法获取最符合设计要求的设计变量与设计目标区间。

Images