CN115034138A - 以计算流体力学与深度学习结合的锅炉温度场预测方法 - Google Patents
以计算流体力学与深度学习结合的锅炉温度场预测方法 Download PDFInfo
- Publication number
- CN115034138A CN115034138A CN202210726390.5A CN202210726390A CN115034138A CN 115034138 A CN115034138 A CN 115034138A CN 202210726390 A CN202210726390 A CN 202210726390A CN 115034138 A CN115034138 A CN 115034138A
- Authority
- CN
- China
- Prior art keywords
- temperature
- coal
- boiler
- temperature field
- computational fluid
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000012530 fluid Substances 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 239000003245 coal Substances 0.000 claims abstract description 55
- 238000002485 combustion reaction Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 240000004282 Grewia occidentalis Species 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000007704 transition Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 5
- 239000000843 powder Substances 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了属于计算机深度学习电站锅炉燃烧建模技术领域的一种以计算流体力学与深度学习结合的锅炉温度场预测方法。该方法基于计算流体力学方法建立四角切圆燃煤锅炉的炉膛模型，通过设置不同给煤量作为入口条件，计算得到锅炉稳态燃烧时的温度场，抽取燃烧器所在平面导出二维的温度数据。建立温度场重建神经网络，具体将燃烧器附近温度的特征值和反映锅炉运行工况的过程参数作为网络输入，以燃烧器所在平面温度数据网络输出，完成神经网络的训练，通过神经网络的计算，得到燃烧器处的炉膛温度场。本发明大大节省了计算过程的时间空间消耗，并且能够获得实时温度场，为指导电站稳定高效运行提供支持。
Description
技术领域
本发明属于计算机深度学习电站锅炉燃烧建模技术领域。特别涉及一种以计算流体力学与深度学习结合的锅炉温度场预测方法。
背景技术
能源是国民经济的命脉，是人类生存和发展的物质基础。燃煤锅炉作为能源的主要消耗者，具有重要的研究意义。随着我国碳中和碳达峰战略的提出，燃煤电站将更多的承担起电网调频调峰的重任，在此背景下，要求电厂燃煤锅炉面对复杂的电网负荷变化能灵活的调整工况，例如调节燃煤锅炉给煤量或燃烧器工作数量等。然而频繁地调整锅炉运行情况对锅炉燃烧的稳定运行又产生了挑战。所以对锅炉在各个工况下的燃烧状况进行建模，可以为现场运行人员提供参考，在调整工况前查看锅炉运行状况，为锅炉的安全稳定运行提供依据，更好的指导燃煤锅炉运行，使其满足节能环保地运行，由于高分辨率的燃煤电站计算流体力学建模所需的计算成本巨大，计算时间长，阻碍了其在实际现场的应用。
在计算机技术高速发展的当下，涌现出许多计算机模拟软件。它们的本质都是利用数值计算、图像显示去解决工程实际问题。对于燃烧过程的模拟成为了研究燃烧理论和进行燃烧试验的重要途径。在九十年代初期，随着计算流体力学软件的出现，大型电站锅炉的模拟研究有了有效的进展。此方法代替复杂且高成本的热力试验研究，开启了数值模拟在锅炉燃烧应用的新篇章。在经济性、环保性的要求下，我们需要不断通过技术手段提高锅炉燃烧的效率，然而对于改造以及新建的锅炉进行燃烧调整试验的投入非常高。尤其是对新建的锅炉，想要找到最佳的运行方案，需要进行大量的燃烧试验，数值模拟软件的使用很好的解决了这个问题。我们通过数值模拟锅炉的燃烧过程，得到了锅炉的燃烧的数值解。
燃烧数值模拟的结果通常是通过迭代求解大量方程得到的，由于高分辨率的燃煤电站计算流体力学建模所需的计算成本巨大，计算时间长，阻碍了其在实际现场的应用。因此找到一种能平衡流场建模精度和计算时间的方法，对与流体建模应用于现场有重大意义。在过去的几十年里，深度学习的发展引起了许多研究者的关注。它是由于人工神经网络的发展而来，能够有效地处理非线性关系。因此本发明拟用深度学习与计算流体力学结合的方法以较快的计算速度对温度场、压力场、速度场和燃烧产物浓度进行预测分析，得到合理的运行方式，有效的提高燃烧效率，控制污染物排放，从而指导锅炉的运行，提高燃煤电站运行的经济性、安全性和环保性。
发明内容
本发明的目的是提供一种以计算流体力学与深度学习结合的锅炉温度场预测方法，其特征在于，该方法是一种基于深度学习和计算流体力学的锅炉煤粉燃烧过程重建方法，包括步骤如下：
步骤1，建立燃煤锅炉网格模型；
步骤2，设置煤粉燃烧数值计算模型，设置不同梯度的给煤量作为入口条件，得到多组温度场数据；
步骤3，进行数据处理，提取温度场中燃烧器附近的温度的最大值与平均值的特征值和给煤量组成输入数据，根据温度场插值处理得到一个方形矩阵作为输出；
步骤4，训练神经网络；
步骤5，网络训练完成后，得到一个以给煤量和测点温度作为输入的，温度矩阵作为输出的生成器；将不同平面的燃烧器的测点温度和给煤量数据输入生成器，最终组成燃煤锅炉的温度场。
所述步骤1建立燃煤锅炉网格模型是通过计算流体力学软件建立四角切圆锅炉模型；采用结构化网格和非结构化网格进行网格划分：在加热炉内部及炉管外部划分出一个长方体空间作为过渡区域，所述过渡区域能够包住所有的炉管；除去过渡区域之外的炉内区域，命名为主体区域；在主体区域内使用结构化网格划分，炉管内使用非结构化网格，过渡区域用非结构化网格填充，网格总数为900万～1100万；煤粉燃烧器的四角火检温度和给煤量为输入，分别输入给卷积神经网络，建立燃煤锅炉网格模型。
所述步骤2设置煤粉燃烧数值计算模型，设置不同梯度的给煤量作为入口条件，即设置数值模拟计算模型和边界条件，设置燃料和空气进口边界条件均为质量流量，出口边界条件为静压，管壁设为壁面边界条件；用k-ε模型计算湍流得到多组温度场数据。
所述步骤3进行数据处理，提取温度场中燃烧器附近的温度的最大值与平均值的特征值和给煤量组成输入数据，通过设置不同的给煤量，分别通过数值模拟迭代计算得到燃煤锅炉温度场的三维空间分布，选择燃烧器所在横截面导出数据，导出数据包括各个节点的坐标与计算温度值，并利用基于三角形的三次插值方法，将空间分布不均匀的计算节点均匀分布在大小为141x141的温度矩阵；得到的系列温度矩阵即作为网络输出，根据温度场插值处理得到一个方形矩阵作为输出。
所述步骤4训练神经网络是使用归一化处理后的工况各数据作为改进的转置卷积网络的输入，以归一化后的真实温度矩阵作为转置卷积网络的输入，训练网络，得到生成温度矩阵。
所述步骤5，在网络训练完成后，将不同平面的煤粉燃烧器的测点温度和给煤量数据即以火检数据和工况作为输入，温度矩阵作为输出，得到一个以给煤量和火检测点温度作为输入，温度矩阵作为输出的生成器；最终组成燃煤锅炉的温度场。
本发明的有益效果是提供的基于深度学习和计算流体力学的锅炉煤粉燃烧过程重建方法，使用神经网络拟合锅炉煤粉燃烧模拟求解器框架，利用计算机的计算能力发现并学习工况数据与温度场数据之间的内在映射关系，建立合适的映射模型，在训练好的深度网络模型上输入工况数据和测点温度就能较快地得到质量较好的燃煤锅炉三维温度场数据，大大节省了计算过程的时间空间消耗，并且能够获得实时温度场。同时，深度学习得到的映射模型具有较好的迁移能力，这为很多研究场景提供了更多更快捷的数据来源。
附图说明
图1为基于卷积神经网络的炉膛温度场重建系统图
具体实施方式
本发明提供一种以计算流体力学与深度学习结合的锅炉温度场预测方法，该方法是一种基于深度学习和计算流体力学的锅炉煤粉燃烧过程重建方法，下面结合实例和附图对本发明做详细说明。
图1为基于卷积神经网络的炉膛温度场重建系统图。
如图1所示的基于卷积神经网络的炉膛温度场重建系统图，所述的网格模型为：锅炉煤粉燃烧器分别布置于炉子四个方向上，形成切向燃烧模式。此外，锅炉使用摆动式燃烧器，也就是说，它可以在水平方向上摆动。燃烧器的喷嘴总共布置8层，其中主空气喷嘴布置成3层，辅助空气喷嘴布置成2层，并且一次风和二次风以间隔的方式布置，并且在整个煤粉燃烧器组的顶部放置一层燃尽风喷口。采用结构化网格和非结构化网格进行网格划分：在加热炉内部及炉管外部划分出一个长方体空间作为过渡区域，所述过渡区域能够包住所有的炉管；除去过渡区域之外的炉内区域，命名为主体区域；在主体区域内使用结构化网格划分，炉管内使用非结构化网格，过渡区域用非结构化网格填充，网格总数为900万～1100万。
本发明方法是一种基于计算流体力学与机器学习结合的燃煤锅炉的燃烧过程重建方法，包括如下步骤：
步骤1，建立燃煤锅炉网格模型；通过计算流体力学软件建立四角切圆锅炉模型；以某台四角切圆燃烧方式的煤粉锅炉为例(如图1所示的基于卷积神经网络的炉膛温度场重建系统图)，煤粉锅炉的煤粉燃烧器分别布置于炉子四个方向上，形成切向燃烧模式；煤粉燃烧器摆角可调，采用结构化网格和非结构化网格进行网格划分：在加热炉内部及炉管外部划分出一个长方体空间作为过渡区域，所述过渡区域能够包住所有的炉管；除去过渡区域之外的炉内区域，命名为主体区域；在主体区域内使用结构化网格划分，炉管内使用非结构化网格，过渡区域用非结构化网格填充，网格总数为900万～1100万；煤粉燃烧器的四角火检温度和给煤量为输入，分别输入给卷积神经网络，建立燃煤锅炉网格模型；
步骤2，设置煤粉燃烧数值计算模型，设置不同梯度的给煤量作为入口条件，即设置数值模拟计算模型和边界条件，用k-ε模型计算湍流问题；采用与容积化学反应相关的组分输运模型计算气体燃料在辐射炉中燃烧的情况，设置燃料和空气进口边界条件均为质量流量，出口边界条件为静压，管壁设为壁面边界条件；得到多组温度场数据；
步骤3，进行数据处理包括：(1)对输入输出数据归一化，可采用如下公式：
其中，x为要进行归一化的数据，max、min分别为该工况数据训练样本范围内的最大值、最小值。
(2)提取温度场中煤粉燃烧器附近的温度的最大值与平均值的特征值和给煤量组成输入数据，通过设置不同的给煤量，分别通过数值模拟迭代计算得到燃煤锅炉温度场的三维空间分布，选择煤粉燃烧器所在横截面导出数据，导出数据包括各个节点的坐标与计算温度值，如表1所示。由于计算节点在空间的分布并不均匀，无法直接作为温度矩阵，因此利用基于三角形的三次插值方法，将空间分布不均匀的计算节点均匀分布在大小为141x141的温度矩阵；得到的系列温度矩阵即作为网络输出，根据温度场插值处理得到一个方形矩阵作为输出；使用采样温度数据和工况数据作为网络输入，根据现场火检装置的测点位置在温度矩阵中提取相应的温度数据，和给煤量一起作为网络输入数据。；
表1.部分温度场计算结果
步骤4，训练神经网络是使用归一化处理后的工况各数据作为改进的转置卷积网络的输入，以归一化后的真实温度矩阵作为转置卷积网络的输入，训练网络，得到生成温度矩阵。
步骤5，在网络训练完成后，将不同平面的煤粉燃烧器的测点温度和给煤量数据即以火检数据和工况作为输入，温度矩阵作为输出，得到一个以给煤量和火检测点温度作为输入，温度矩阵作为输出的生成器；最终组成燃煤锅炉的温度场。
在实际应用中，以火检单元测得的温度值，结合现场能反映锅炉运行工况的过程参数，包括给煤量、一次风量、二次风量作为网络输入，通过神经网络计算，得到燃烧器所在平面的温度场。
Claims (7)
1.一种以计算流体力学与深度学习结合的锅炉温度场预测方法，其特征在于，该方法是一种基于深度学习和计算流体力学的锅炉煤粉燃烧过程重建方法，包括步骤如下：
步骤1，建立燃煤锅炉网格模型；
步骤2，设置煤粉燃烧数值计算模型，设置不同梯度的给煤量作为入口条件，得到多组温度场数据；
步骤3，进行数据处理，提取温度场中燃烧器附近的温度的最大值与平均值的特征值和给煤量组成输入数据，根据温度场插值处理得到一个方形矩阵作为输出；
步骤4，训练神经网络；
步骤5，网络训练完成后，得到一个以给煤量和测点温度作为输入的，温度矩阵作为输出的生成器；将不同平面的燃烧器的测点温度和给煤量数据输入生成器，最终组成燃煤锅炉的温度场。
2.根据权利要求1所述的以计算流体力学与深度学习结合的锅炉温度场预测方法，其特征在于，所述步骤1建立燃煤锅炉网格模型是通过计算流体力学软件建立四角切圆锅炉模型；采用结构化网格和非结构化网格进行网格划分：在加热炉内部及炉管外部划分出一个长方体空间作为过渡区域，所述过渡区域能够包住所有的炉管；除去过渡区域之外的炉内区域，命名为主体区域；在主体区域内使用结构化网格划分，炉管内使用非结构化网格，过渡区域用非结构化网格填充，网格总数为900万～1100万；煤粉燃烧器的四角火检温度和给煤量为输入，分别输入给卷积神经网络，建立燃煤锅炉网格模型。
3.根据权利要求1所述的以计算流体力学与深度学习结合的锅炉温度场预测方法，其特征在于，所述步骤2设置煤粉燃烧数值计算模型，设置不同梯度的给煤量作为入口条件，即设置数值模拟计算模型和边界条件，设置燃料和空气进口边界条件均为质量流量，出口边界条件为静压，管壁设为壁面边界条件；用k-ε模型计算湍流得到多组温度场数据；当涉及对象为气体燃料在辐射炉中燃烧的情况，还要采用与容积化学反应相关的组分输运模型。
4.根据权利要求1所述的以计算流体力学与深度学习结合的锅炉温度场预测方法，其特征在于，所述步骤3进行数据处理，提取温度场中燃烧器附近的温度的最大值与平均值、的特征值和给煤量组成输入数据，通过设置不同的给煤量，分别通过数值模拟迭代计算得到燃煤锅炉温度场的三维空间分布，选择燃烧器所在横截面导出数据，导出数据包括各个节点的坐标与计算温度值，并利用基于三角形的三次插值方法，将空间分布不均匀的计算节点均匀分布在大小为141x141的温度矩阵；得到的系列温度矩阵即作为网络输出，根据温度场插值处理得到一个方形矩阵作为输出。
5.根据权利要求1所述的以计算流体力学与深度学习结合的锅炉温度场预测方法，其特征在于，所述步骤4训练神经网络是使用归一化处理后的工况各数据作为改进的转置卷积网络的输入，以归一化后的真实温度矩阵作为转置卷积网络的输入，训练网络，得到生成温度矩阵。
6.根据权利要求1所述的以计算流体力学与深度学习结合的锅炉温度场预测方法，其特征在于，所述步骤5在网络训练完成后，将不同平面的煤粉燃烧器的测点温度和给煤量数据即以火检数据和工况作为输入，温度矩阵作为输出，得到一个以给煤量和火检测点温度作为输入，温度矩阵作为输出的生成器；最终组成燃煤锅炉的温度场。
7.根据权利要求6所述的以计算流体力学与深度学习结合的锅炉温度场预测方法，其特征在于，在实际应用中，以火检测得的温度值，结合现场能反映锅炉运行工况的过程参数，包括给煤量、一次风量、二次风量作为网络输入，通过神经网络计算，得到燃烧器所在平面的温度场。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210726390.5A CN115034138A (zh) | 2022-06-24 | 2022-06-24 | 以计算流体力学与深度学习结合的锅炉温度场预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210726390.5A CN115034138A (zh) | 2022-06-24 | 2022-06-24 | 以计算流体力学与深度学习结合的锅炉温度场预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115034138A true CN115034138A (zh) | 2022-09-09 |
Family
ID=83127062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210726390.5A Pending CN115034138A (zh) | 2022-06-24 | 2022-06-24 | 以计算流体力学与深度学习结合的锅炉温度场预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034138A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI799356B (zh) * | 2022-10-28 | 2023-04-11 | 國立臺中科技大學 | 使用深度學習之藝術學習系統及其方法 |
| 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 |
| CN117150951A (zh) * | 2023-08-10 | 2023-12-01 | 中国船舶集团有限公司第七一九研究所 | 一种泵类设备三维流场计算加速方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103235842A (zh) * | 2013-03-29 | 2013-08-07 | 广东电网公司电力科学研究院 | 四角切圆燃煤锅炉燃烧特性的获取方法和系统 |
| CN103955599A (zh) * | 2014-03-28 | 2014-07-30 | 广东电网公司电力科学研究院 | 锅炉改造后不同周界风量下燃烧特性的获取方法 |
| CN110263467A (zh) * | 2019-06-26 | 2019-09-20 | 东北电力大学 | 一种基于场协同原理的四角切圆锅炉数值分析方法 |
| CN111339716A (zh) * | 2020-02-19 | 2020-06-26 | 浙江大学 | 一种锅炉高温烟气流场在线代理模型构建方法 |
| CN112240566A (zh) * | 2020-11-09 | 2021-01-19 | 国电铜陵发电有限公司 | 锅炉偏烧在线调整系统及方法 |
| CN112528569A (zh) * | 2020-10-17 | 2021-03-19 | 中国石油化工股份有限公司 | 基于数字孪生的工业加热炉温度场预测方法 |
| 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 |
-
2022
- 2022-06-24 CN CN202210726390.5A patent/CN115034138A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103235842A (zh) * | 2013-03-29 | 2013-08-07 | 广东电网公司电力科学研究院 | 四角切圆燃煤锅炉燃烧特性的获取方法和系统 |
| CN103955599A (zh) * | 2014-03-28 | 2014-07-30 | 广东电网公司电力科学研究院 | 锅炉改造后不同周界风量下燃烧特性的获取方法 |
| CN110263467A (zh) * | 2019-06-26 | 2019-09-20 | 东北电力大学 | 一种基于场协同原理的四角切圆锅炉数值分析方法 |
| CN111339716A (zh) * | 2020-02-19 | 2020-06-26 | 浙江大学 | 一种锅炉高温烟气流场在线代理模型构建方法 |
| CN112528569A (zh) * | 2020-10-17 | 2021-03-19 | 中国石油化工股份有限公司 | 基于数字孪生的工业加热炉温度场预测方法 |
| CN112240566A (zh) * | 2020-11-09 | 2021-01-19 | 国电铜陵发电有限公司 | 锅炉偏烧在线调整系统及方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 彭龙飞;赵星海;辛国华;: "600MW四角切圆燃烧锅炉富氧燃烧的数值模拟", 黑龙江电力, no. 03, 15 June 2013 (2013-06-15), pages 220 - 223 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI799356B (zh) * | 2022-10-28 | 2023-04-11 | 國立臺中科技大學 | 使用深度學習之藝術學習系統及其方法 |
| 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 |
| CN117150951A (zh) * | 2023-08-10 | 2023-12-01 | 中国船舶集团有限公司第七一九研究所 | 一种泵类设备三维流场计算加速方法 |
| CN117150951B (zh) * | 2023-08-10 | 2024-03-01 | 中国船舶集团有限公司第七一九研究所 | 一种泵类设备三维流场计算加速方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115034138A (zh) | 以计算流体力学与深度学习结合的锅炉温度场预测方法 | |
| CN105930585B (zh) | 基于CFD的Shell气化炉流场和温度场的模拟方法 | |
| CN105512388B (zh) | 一种基于labview的亚临界火电机组增强激励仿真建模方法 | |
| CN103400015B (zh) | 基于数值模拟与试验运行数据的燃烧系统复合建模方法 | |
| CN111261232A (zh) | 反应堆一回路冷却剂流场、温度场和应力场耦合计算方法 | |
| CN113361192A (zh) | 一种锅炉内受热面壁温安全监测评估系统 | |
| CN110263467A (zh) | 一种基于场协同原理的四角切圆锅炉数值分析方法 | |
| CN106548032B (zh) | 基于锅炉烟道网格检测烟气co和o2浓度的分布场重建方法 | |
| CN106527176A (zh) | 一种基于mfoa‑svm的锅炉热效率与nox建模 | |
| CN111680432A (zh) | 一种基于workbench的低温碳化炉多耦合场应力分布的模拟方法 | |
| CN103364212A (zh) | 煤粉锅炉改烧烟煤变负荷燃烧特性测量方法与系统 | |
| CN111881492B (zh) | 一种基于cfd方法的汽轮机阀门配汽管理函数生成方法 | |
| CN104484528A (zh) | 一种基于pscad的核电机组动力、电气混合仿真平台 | |
| CN103699786A (zh) | 一种热电厂超超临界发电机组变负荷耗差分析方法 | |
| CN113074459A (zh) | 锅炉控制优化方法及系统 | |
| CN109829210A (zh) | 一种基于cfd数值计算的s型皮托管系数标定方法 | |
| CN115659760A (zh) | 一种基于Fluent的热熔胶胶枪分析和结构优化方法 | |
| CN105652692A (zh) | 基于热发电的电厂仪控系统的半实物仿真平台及控制方法 | |
| CN110489912B (zh) | 一种太阳能跨季节土壤蓄热分层切片数值模拟的方法 | |
| CN113418208A (zh) | 一种基于炉膛温度场的锅炉燃烧优化方法及系统 | |
| Hui et al. | Experimental investigation of pressurized packing saturator for humid air turbine cycle | |
| Yi et al. | Study of the non-gray-TRI effect on the turbulent methane combustion under O2/CO2 atmosphere | |
| 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 | |
| Sun et al. | Control system design and validation platform development for small pressurized water reactors (SPWR) by coupling an engineering simulator and MATLAB/Simulink | |
| CN106352339A (zh) | 一种燃气加热炉空燃比优化控制系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231208 Address after: 102206 No. 2 Nong Road, Changping District, Beijing Applicant after: NORTH CHINA ELECTRIC POWER University Applicant after: HUANENG NANJING JINLING POWER GENERATION Co.,Ltd. Applicant after: Xi'an Thermal Power Research Institute Co.,Ltd. Applicant after: Huaneng Group R&D Center Co., Ltd. Address before: 102206 No. 2 Nong Road, Changping District, Beijing Applicant before: NORTH CHINA ELECTRIC POWER University Applicant before: Xi'an Thermal Power Research Institute Co.,Ltd. Applicant before: Huaneng Group R&D Center Co., Ltd. |