CN118070678B - 一种基于流程模拟和机器学习的煤气化装置智能优化方法 - Google Patents
一种基于流程模拟和机器学习的煤气化装置智能优化方法 Download PDFInfo
- Publication number
- CN118070678B CN118070678B CN202410446568.XA CN202410446568A CN118070678B CN 118070678 B CN118070678 B CN 118070678B CN 202410446568 A CN202410446568 A CN 202410446568A CN 118070678 B CN118070678 B CN 118070678B
- Authority
- CN
- China
- Prior art keywords
- coal
- optimal
- effective gas
- model
- composition
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 150
- 238000002309 gasification Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000004088 simulation Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 239000000203 mixture Substances 0.000 claims abstract description 78
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 55
- 230000006872 improvement Effects 0.000 claims abstract description 35
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 239000007789 gas Substances 0.000 claims description 84
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 241000183024 Populus tremula Species 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 6
- 229910052717 sulfur Inorganic materials 0.000 claims description 6
- 239000011593 sulfur Substances 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000000921 elemental analysis Methods 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 claims description 2
- 239000000047 product Substances 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000000197 pyrolysis Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000003570 air Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000011335 coal coke Substances 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Industrial Gases (AREA)
Abstract
一种基于流程模拟和机器学习的煤气化装置智能优化方法,包括:基于拉丁超立方体采样构建煤元素组成参数的初始数据集;利用初始数据集,建立煤气化过程的稳态模拟;基于稳态模拟得到的决策变量,通过迭代建立固定煤组成情况下的产品组成与操作参数的代理模型;基于迭代得到的代理模型,对该煤元素组成下的气化操作参数进行优化,得到有效气产量最高的操作条件;获取组成改变情况下的最佳操作参数和最佳有效气产量数据集;利用获取的最佳操作参数和最佳有效气产量数据集,建立元素组成‑最佳操作条件代理模型;根据得到的代理模型和煤组成波动曲线,计算操作参数变化曲线,并计算有效气产量提升率。
Description
技术领域
本发明涉及煤炭产业领域,具体涉及一种基于流程模拟和机器学习的煤气化装置智能优化方法。
背景技术
煤炭资源是我国最为重要的一种化石能源,而煤气化技术是煤炭资源转化利用的一种最为重要的途径。煤气化过程是指原料煤与气化剂空气、氧气、水蒸汽、二氧化碳等在高温环境下经过一系列的化学反应,实现将加工处理难度大并且含有大量杂质灰分的固体原料煤转化为易于净化、压缩、储存和应用的气体产品,包括合成气(H2、CO),CO2,N2,CH4等。
煤气化过程是在高温高压下涉及了多相间相互作用的复杂化学反应过程,其反应动力学及其复杂。具体而言,煤炭颗粒进入气化炉后,先后会经历干燥、热解、挥发分燃烧、焦炭燃烧和气化反应等。其中,煤的热解过程是指煤被加热到一定温度后自身发生的一系列的物理及化学过程,这一过程不仅受煤种以及煤的颗粒形态的影响,而且与气化炉的结构及其内部的流场分布均具有很大的关系;而煤炭气化过程主要是指反应过程中,热解和燃烧产生的煤焦与水蒸气、二氧化碳等发生的非均相反应,这一过程是一个吸热的过程,其转化速率受温度和压力的控制,是煤气化过程的主要控制步骤。然而,尽管已经有很多关于气化动力学的研究,但由于煤本身的组成,颗粒尺寸等并不均匀,且不同煤种之间差异较大,因此,很难得到适用于所有的煤气化装置的通用动力学模型。由于煤气化过程是一个高温高压的过程,通常温度都高于1100℃,在如此之高的反应温度下,气化炉中气化反应的速率往往都是非常快的,气化炉内的各组分基本达到热力学平衡状态,因此,采用热力学平衡方法对气化过程建模,能够得到较为准确的气化过程模型。
然而,无论是基于动力学的模型,还是基于热力学平衡的模型,二者均很难将气化过程中,各操作条件与气化产品的精确结果之间的关系表示出来。这二者之间的关系受多种因素的影响,很难通过简单的数学公式进行展示。对于这种情况,通过机器学习的方式建立代理模型,既能够避免复杂的机理建模,从数据的角度出发,建立操作参数与产品指标之间的“黑箱模型”,还能够将其应用于气化过程的操作优化中,加快优化过程的收敛速度,降低大量流程模拟所带来的运算量。因此,将机器学习技术应用于化工行业,通过建立代理模型,以较小的计算代价预测产品情况并通过不同的优化算法求得最佳操作条件,可以满足现代工业对智能化、信息化和快速化的发展要求,已成为一大研究重点。
代理模型是基于数据驱动构建起来的数学模型,其结构简单,计算速度快,因此,既适用于机理复杂,模型难以建立的问题,也适用于来代替复杂的机理模型进行部分函数评价,减少高精度模型的调用次数或实验次数,为克服工业仿真模拟优化耗时的问题提供了一个新的解决途径。其中,克里金模型Kriging(KRG)、径向基函数(Radial BasisFunction, RBF)、多项式回归响应面(Polynomial Regression Surface, PRS)、人工神经网络(Artificial Neural Network, ANN)等都是常用的代理模型。当前研究表明,这一技术在煤气化过程的优化研究中具有十分重要的作用。
由于气化过程中,原料煤的元素组成通常是不够稳定的,会存在一定程度上的波动,当元素组成波动时,如果仍采用固定的操作条件,则势必会偏离最佳的操作点,无法将原料煤尽可能多地转化为有效气(CO和H2),从而带来资源的浪费。理论上讲,这种资源的浪费是完全可以通过适当地调整气化过程的操作条件以适应煤组成情况的改变而实现的。
但是,当煤的组成发生变化,固定的操作条件会导致生产状况偏离最佳操作点,因此需要根据组成的变化重新优化,以选择有效气产量最高的操作条件。这要求我们首先必须掌握气化过程各种操作参数对气化过程的复合影响。这些影响包括了产品气的组成,流量以及整个过程的能耗。在掌握这一重要的数学关系后,再针对不同的元素组成,通过适当的优化算法,寻找对应的元素组成下,有效气产量最高的最佳操作条件;最后,再根据煤组成的波动情况,制定应对煤组成波动的操作方案,从而对煤气化过程实现智能优化。
发明内容
本发明所要解决的技术问题是针对现有技术中存在上述缺陷,提供一种基于流程模拟-机器学习相结合的煤气化过程智能优化方法,将流程模拟与机器学习以及优化算法进行结合,通过流程模拟技术获得了气化过程的进出口样本,根据流程模拟得到的样本,通过不同的机器学习方法建立代理模型并进行筛选,选择出最佳的煤气化装置代理模型,并基于该代理模型,通过智能优化算在不同的煤组成情况下求得最佳操作条件,并最终得到基于煤组成波动下的气化过程的最佳操作方案,实现煤气化过程的智能优化。
本发明所述方法着眼于煤气化过程中煤元素组成变化对整体生产过程的影响,将人工智能技术与传统化工行业相结合,有利于煤气化产业精细化、智能化发展,提升气化过程中煤炭资源的质能利用效率,对煤炭资源节约,煤气化过程降本增效具有十分重要的意义。
根据本发明,提供了一种基于流程模拟和机器学习的煤气化装置智能优化方法,其特征在于包括:
第一步骤:基于拉丁超立方体采样构建煤元素组成参数的初始数据集;
第二步骤:利用初始数据集,建立煤气化过程的稳态模拟;
第三步骤:基于稳态模拟得到的决策变量,通过迭代建立固定煤组成情况下的产品组成与操作参数的代理模型;
第四步骤:基于迭代得到的代理模型,对该煤元素组成下的气化操作参数进行优化,得到有效气产量最高的操作条件;
第五步骤:获取组成改变情况下的最佳操作参数和最佳有效气产量数据集;
第六步骤:利用获取的最佳操作参数和最佳有效气产量数据集,建立元素组成-最佳操作条件代理模型;
第七步骤:根据得到的代理模型和煤组成波动曲线,计算操作参数变化曲线,并计算有效气产量提升率。
优选地,第一步骤包括:以包括碳C、氢H、氧O、氮N、硫S的煤元素组成作为特征,并且对煤样进行分析,根据煤样的分析结果确定各元素的质量分数波动范围,从而建立采样空间;在采样空间内,通过拉丁超立方体采样的方式,选择在采样空间内各个维度都均匀分布的初始样本点,作为初始数据集。
优选地,第二步骤采用Aspen Plus软件,建立煤气化过程的稳态模拟;其中,物性方法选择PR-BM方法,煤和灰分以非常规组分的形式进行定义,并输入煤的工业分析、元素分析及硫形态分析;煤气化过程的流程包括两个气化反应器和一个氧气压缩机;第一个反应器为煤气化预反应器,选用收率反应器RYield模块进行模拟,将煤从非常规组分转化为常规组分;第二个反应器为煤气化过程的主反应器,选用吉布斯自由能反应器RGibbs模块进行模拟,计算体系总体吉布斯自由能最小的状态。
优选地,第三步骤包括:
选择煤气化过程中对产品产量影响比较显著的决策变量X,包括氧煤比、水煤比、反应温度及反应压力,并设定变量的可调整范围,建立样本空间。在保持煤组成及流量固定的情况下,在样本内通过LHS方法建立初始样本集X0,通过Matlab与Aspen Plus进行通信,将样本空间内的操作点一次自动化依次改变,模拟计算、输出并记录对应的模拟结果,包括气化产品气中有效气的流量Y0,以及气化炉外输热量Q;
在完成模拟后,将初始样本的模拟结果作为训练样本,通过随机森林回归、支持向量机回归以及人工神经网络,分别构建初始代理模型;代理模型的形式分别表示如公式(1)-(3)所示,该代理模型为黑箱模型,Surrogate1表示训练的第一个代理模型,指的是有效气产量和气化炉外输热量-气化操作条件代理模型,只表示二者的对应关系,应在代理模型训练完成后确定,并不具备具体的函数形式和数学意义。其中下标0代表初始代理模型,上标RFG、SVM、ANN分别代表随机森林回归、支持向量机回归以及人工神经网络,代理模型描述了气化产品有效气产量Y和气化炉外输热量Q与操作参数之间的关系:
(1),
(2),
(3)。
对于以上代理模型,分别计算三个代理模型在测试集上的均方误差MSE以及R2,计算公式如公式(4)-(5)所示,Yd表示测试集内各点的有效气产量平均值:
(4),
(5)。
计算得到的均方误差MSE代表了测试样本的估计值与实际值的偏差,而R2用来评价代理模型的拟合优度;
通过增加样本点的方式,对代理模型进行改进,以提升模型的拟合程度;采用减速采样的方式,以确定每次迭代最佳的加点数量;
首先,通过移动平均来平滑MSE的波动,定义代理改进率/>以评价加点后代理模型的改善情况,代理改进率的定义如公式(6)所示:
(6)。
接下来,以第二次加点时的代理改进率做为基准,计算每次迭代的相对改进率,如公式(7)所示:
(7)。
其中,表示第i次迭代时的代理模型相对改进率;
接下来,通过一个比率函数,将相对改进率转化为一个0-1之间的正值,作为加点率,如公式(8)所示,其中,表示比率函数,/>表示下次迭代加点率,
(8)。
在获得了加点率之后,将加点率乘以最大加点数,得到下一次迭代的加点数目,如公式(9)所示,其中,表示最大加点个数,/>表示下次迭代加点个数,
(9)。
当相对改进率的绝对值时,判断加点对于代理模型的改进程度有限,代理模型迭代完成,并输出最终的代理模型;
对于得到的代理模型,经过对比三者的R2,选择R2最高的代理模型,作为最佳的代理模型,如公式(10)和(11)所示,以下代理模型分别描述了有效气产量和气化炉外输热量与气化操作条件的关系:
(10),
(11)。
优选地,第四步骤中,在操作条件的上下限内,选择出有效气产量最大情况下的操作条件,约束条件包括了操作条件的上下限约束,以及气化炉外输热量约束。详细的优化问题被表述为:
。
求解该优化问题,得到该煤元素组成下,最佳的操作条件和最高的有效气产量。
优选地,第六步骤包括:
根据收集的样本,分别通过随机森林回归、支持向量机回归、以及人工神经网络,构建煤元素组成-最佳操作参数-最佳有效气产量初始代理模型;在初始代理模型的基础上,运用第三步骤中的减速采样方法,增加煤元素组成样本点,反复迭代,最终得到元素组成-最佳操作参数以及元素组成-最佳有效气产量的代理模型,该模型表示最佳操作参数Xoptimal与最高有效气产量Yoptimal与煤的元素组成COMP之间的关系,如公式(12)-(13)所示:
(12),
(13)。
优选地,煤的元素组成随时间t改变,实际生产中,各元素组成的浓度随时间的变化情况用公式(14)描述,其中,COMP表示煤的元素组成:
(14)。
优选地,根据煤组成波动曲线,最佳操作参数Xoptimal与最高有效气产量Yoptimal-煤的元素组成代理模型(公式(12)-(13)),得到最佳操作参数Xoptimal和最佳有效气产量Yoptimal随时间的变化关系;将操作参数保持固定的情况作为参照状况,通过流程模拟得到操作参数固定情况下,有效气产量的变化情况如公式(15)所示,其中,表示操作参数固定时的有效气产量:
(15)。
优选地,最终的有效气产量提升率Ra可表述为,操作条件调整后的有效气提升量相对于操作条件固定情况下的有效气累积产量的比值。通过公式(16)计算:
(16)。
附图说明
结合附图,并通过参考下面的详细描述,将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征,其中:
图1示意性地示出了根据本发明优选实施例的一种基于流程模拟和机器学习的煤气化装置智能优化方法的总体流程图。
需要说明的是,附图用于说明本发明,而非限制本发明。注意,表示结构的附图可能并非按比例绘制。并且,附图中,相同或者类似的元件标有相同或者类似的标号。
具体实施方式
为了使本发明的内容更加清楚和易懂,下面结合具体实施例和附图对本发明的内容进行详细描述。
针对煤气化过程原料煤元素组成变化的特点,本发明开发了一种流程模拟与机器学习相结合的煤气化智能优化方法,如图1所示,其中示意性地示出了根据本发明优选实施例的一种基于流程模拟和机器学习的煤气化装置智能优化方法的总体流程图。
具体地,根据本发明优选实施例的一种基于流程模拟和机器学习的煤气化装置智能优化方法包括:
第一步骤:基于拉丁超立方体采样构建煤元素组成参数的初始数据集。
其中,基于拉丁超立方体采样(即Latin hypercube sampling,LHS),设定煤元素组成的初始数据集。
例如,首先以煤元素组成作为特征,煤元素组成包括碳C、氢H、氧O、氮N、硫S,并且对煤样进行分析,根据煤样的分析结果确定各元素的质量分数波动范围,从而建立采样空间;在采样空间内,通过拉丁超立方体采样的方式,选择在采样空间内各个维度都均匀分布的初始样本点,作为初始数据集,即定义COMP=COMP0。
通过拉丁超立方采样的方式,使得选择出的样本能够满足在空间内各个维度都能够均匀分布。这样的方式能够使得样本的分布更加均匀,减少采样点的数量,从而加快运算速度。
此后,针对每个煤元素组成获取最优操作条件。
第二步骤:利用初始数据集,建立煤气化过程的稳态模拟。
其中,例如采用Aspen Plus软件,建立煤气化过程的稳态模拟。其中,物性方法选择PR-BM方法,该方法通过Boston-Mathias α函数的 Peng Robinson 立方状态方程计算所有热力学性质。煤和灰分以非常规组分的形式进行定义,并输入煤的工业分析、元素分析及硫形态分析。煤气化过程的流程主要包括两个气化反应器和一个氧气压缩机。第一个反应器为煤气化预反应器,主要发生煤的热解反应,选用收率反应器RYield模块进行模拟,将煤从非常规组分转化为常规组分;第二个反应器为煤气化过程的主反应器,选用吉布斯自由能反应器RGibbs模块进行模拟,计算体系总体吉布斯自由能最小的状态,也即热力学最稳定的状态。氧气在加压后和反应原料水一起进入主反应器中。为了保持反应器内部的温度稳定,一部分热量从主反应器中抽出,用于副产蒸汽。最终的产品主要包括H2、CO、CO2、CH4、N2和SO2等。
第三步骤:基于稳态模拟得到的决策变量,通过迭代建立固定煤组成情况下的产品组成与操作参数的代理模型。
例如,选择煤气化过程中对产品产量影响比较显著的决策变量X,包括氧煤比(ROC),水煤比(RHC),反应温度(T)及反应压力(P),并设定一下变量的可调整范围,建立样本空间。在保持煤组成及流量固定的情况下,在样本内通过LHS方法建立初始样本集X0,通过Matlab与Aspen Plus进行通信,将样本空间内的操作点一次自动化依次改变,模拟计算、输出并记录对应的模拟结果,包括气化产品气中有效气的流量Y0,以及气化炉外输热量Q。
在完成模拟后,将初始样本的模拟结果作为训练样本,分别通过随机森林回归(RFG),支持向量机回归(SVM),以及人工神经网络(ANN)这三种常用的机器学习方法,分别构建初始代理模型。代理模型的形式分别表示如公式(1)-(3)所示。该代理模型为黑箱模型,Surrogate1表示训练的第一个代理模型,指的是有效气产量和气化炉外输热量-气化操作条件代理模型,只表示二者的对应关系,应在代理模型训练完成后确定,并不具备具体的函数形式和数学意义。其中下标0代表初始代理模型,上标RFG、SVM、ANN分别代表随机森林回归、支持向量机回归以及人工神经网络,代理模型描述了气化产品有效气产量Y和气化炉外输热量Q与操作参数之间的关系:
(1),
(2),
(3)。
对于以上代理模型,分别计算三个代理模型在测试集上的均方误差MSE以及R2,计算公式如公式(4)-(5)所示,Yd表示测试集内各点的有效气产量平均值:
(4),
(5)。
计算得到的均方误差MSE代表了测试样本的估计值与实际值的偏差,而R2用来评价代理模型的拟合优度。在此基础上,通过增加样本点的方式,对代理模型进行改进,以提升模型的拟合程度。采用减速采样的方式,以确定每次迭代最佳的加点数量。
首先,通过移动平均()来平滑MSE的波动。定义了代理改进率/>,以评价加点后代理模型的改善情况。代理改进率的定义如公式(6)所示:
(6)。
接下来,以第二次加点时的代理改进率做为基准,计算每次迭代的相对改进率,如公式(7)所示:
(7)。
其中,表示第i次迭代时的代理模型相对改进率。接下来,通过一个比率函数,将相对改进率转化为一个0-1之间的正值,作为加点率。改进率越高,下一次迭代加点数量越多,改进率越低,下一次迭代加点数量越少。详细的公式见公式(8)所示。其中,表示比率函数,/>表示下次迭代加点率:
(8)。
在获得了加点率之后,将加点率乘以最大加点数,得到下一次迭代的加点数目。如公式(9)所示。其中,表示最大加点个数,/>表示下次迭代加点个数:
(9)。
当相对改进率的绝对值时,认为加点对于代理模型的改进程度有限,代理模型迭代完成,并输出最终的代理模型。对于得到的代理模型,经过对比三者的R2,选择R2最高的代理模型,作为最佳的代理模型,如公式(10)和(11)所示,以下代理模型分别描述了有效气产量和气化炉外输热量与气化操作条件的关系:
(10),
(11)。
第四步骤:基于迭代得到的代理模型,对该煤元素组成下的气化操作参数进行优化,得到有效气产量最高的操作条件。在操作条件的上下限内,选择出有效气产量最大情况下的操作条件,约束条件包括了操作条件的上下限约束,以及气化炉外输热量约束。详细的优化问题被表述为:
。
对于代理模型而言,其梯度信息难以计算,因此,传统的优化算法,例如最速下降法、拟牛顿法、共轭梯度法等,很难获得全局最优解,而借鉴生物进化思想的进化算法,例如遗传算法,粒子群优化算法等由于具有自组织、自适应、自学习、并行搜索等特性,因此有较好的鲁棒性和广泛适用性。因此,本发明采用遗传算法作为优化算法,对该优化问题进行求解。根据初始化种群-适应度评估-选择-交叉-变异-更新种群-迭代计算的顺序,最终寻找到最佳操作参数Xoptimal和该操作参数下的最佳有效气产量Yoptimal。
第五步骤:获取组成改变(即定义COMP=COMP0+ COMP*)情况下的最佳操作参数和最佳有效气产量数据集。通过Matlab与Aspen Plus进行通信,根据第一步得到的初始样本集,自动化的改变煤的元素组成,并反复进行步骤2-4的工作,从而得到煤元素组成初始样本集下,最佳操作参数和最佳有效气产量的样本数据。
第六步骤:利用获取的最佳操作参数和最佳有效气产量数据集,建立元素组成-最佳操作条件代理模型。
根据上一步收集的样本,分别通过随机森林回归(RFG),支持向量机回归(SVM),以及人工神经网络(ANN)这三种常用的机器学习方法,构建煤元素组成-最佳操作参数-最佳有效气产量初始代理模型。在初始代理模型的基础上,运用第三步骤中的减速采样方法,增加煤元素组成样本点,反复迭代,最终得到元素组成-最佳操作参数以及元素组成-最佳有效气产量的代理模型,该模型表示最佳操作参数Xoptimal与最高有效气产量Yoptimal与煤的元素组成COMP之间的关系,如公式(12)-(13)所示:
(12),
(13)。
第七步骤:根据得到的代理模型和煤组成波动曲线,计算操作参数变化曲线,并计算有效气产量提升率。
煤的元素组成随时间t改变,实际生产中,各元素组成的浓度随时间的变化情况用公式(14)描述,其中,COMP表示煤的元素组成:
(14)。
根据煤组成波动曲线,最佳操作参数Xoptimal与最高有效气产量Yoptimal-煤的元素组成代理模型(公式(12)-(13)),得到最佳操作参数Xoptimal和最佳有效气产量Yoptimal随时间的变化关系;将操作参数保持固定的情况作为参照状况,通过流程模拟得到操作参数固定情况下,有效气产量的变化情况如公式(15)所示,其中,表示操作参数固定时的有效气产量,
(15)。
最终的有效气产量提升率Ra可表述为,操作条件调整后的有效气提升量相对于操作条件固定情况下的有效气累积产量的比值。通过公式(16)计算:
(16)。
相对于操作参数保持稳定的情况,如果在不同的组成下,能够有针对的选择最佳的操作条件,那么势必会在每一时刻得到最高的瞬时有效气产量,因此,有效气总产量也势必会得到一定程度的提升。本发明将流程模拟、机器学习与进化优化算法相结合,通过将代理模型和数学优化进行结合,从而得到了最佳操作曲线,并能够实现气化过程有效气产量的提升。该方法有利于煤化工行业的精细化,智能化发展,有助于实现煤气化过程的智能化控制,从而提升气化过程的有效气产量,从而实现资源的节约,降本增效。
相较于现有的技术与方法,本发明至少具有如下有益的技术效果:
1. 本发明提出的煤气化智能优化方法,考虑到了煤元素组成的波动,从而能够设计出应对煤组成波动情况的操作参数变化曲线,能够提升煤气化过程的有效气产量,实现资源节约,降本增效。
2. 本发明提出的煤气化智能优化方法,能够得到不同煤组成情况下,气化结果-操作参数代理模型以及气化过程最佳操作条件和最佳有效气产量-煤元素组成的代理模型,以上代理模型对于煤气化过程的智能控制具有十分重要的作用,助力实现煤气化过程数字孪生,实现煤化工企业数字化,智能化转型。
本发明将流程模拟,机器学习以及数学优化相结合,并应用于煤气化过程的智能优化中,这是一种全新的煤气化过程优化方法。
此外,需要说明的是,除非特别指出,否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等,而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
可以理解的是,虽然本发明已以较佳实施例披露如上,然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言,在不脱离本发明技术方案范围情况下,都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (8)
1.一种基于流程模拟和机器学习的煤气化装置智能优化方法,其特征在于包括:
第一步骤:基于拉丁超立方体采样构建煤元素组成参数的初始数据集;
第二步骤:利用初始数据集,建立煤气化过程的稳态模拟;
第三步骤:基于稳态模拟得到的决策变量,通过迭代建立固定煤组成情况下的产品组成与操作参数的代理模型;
第四步骤:基于迭代得到的代理模型,对该煤元素组成下的气化操作参数进行优化,得到有效气产量最高的操作条件;
第五步骤:获取组成改变情况下的最佳操作参数和最佳有效气产量数据集;
第六步骤:利用获取的最佳操作参数和最佳有效气产量数据集,建立元素组成-最佳操作条件代理模型;
第七步骤:根据得到的代理模型和煤组成波动曲线,计算操作参数变化曲线,并计算有效气产量提升率;
其中,第三步骤包括:
选择煤气化过程中对产品产量影响比较显著的决策变量X,包括氧煤比、水煤比、反应温度及反应压力,并设定变量的可调整范围,建立样本空间;在保持煤组成及流量固定的情况下,在样本空间内通过拉丁超立方体采样LHS方法建立初始样本集X0,通过Matlab与Aspen Plus进行通信,将样本空间内的操作点自动化依次改变,模拟计算、输出并记录对应的模拟结果,包括气化产品气中有效气的流量Y0,以及气化炉外输热量Q;
在完成模拟后,将初始样本的模拟结果作为训练样本,通过随机森林回归、支持向量机回归以及人工神经网络,分别构建初始代理模型;建立的初始代理模型以公式(1)-(3)所示的形式表示,该代理模型为黑箱模型,Surrogate1表示训练的第一个代理模型,指的是有效气产量和气化炉外输热量-气化操作条件代理模型,只表示二者的对应关系,应在代理模型训练完成后确定,并不具备具体的函数形式和数学意义;其中下标0代表初始代理模型,上标RFG、SVM、ANN分别代表随机森林回归、支持向量机回归以及人工神经网络,代理模型描述了气化产品有效气产量Y和气化炉外输热量Q与操作参数之间的关系;
(1);
(2);
(3);
其中,X表示始样本集X0中的数据;
对于以上代理模型,分别计算三个代理模型在测试集上的均方误差MSE以及R2,计算公式如公式(4)-(5)所示,Yd表示测试集内各点的有效气产量平均值:
(4);
(5);
计算得到的均方误差MSE代表了测试样本的估计值与实际值的偏差,而R2用来评价代理模型的拟合优度;
通过增加样本点的方式,对代理模型进行改进,以提升模型的拟合程度;采用减速采样的方式,以确定每次迭代最佳的加点数量;
首先,通过移动平均来平滑MSE的波动,定义代理改进率/>以评价加点后代理模型的改善情况,代理改进率的定义如公式(6)所示;
(6);
其中,表示第i次迭代的移动平均MSE;下标i表示迭代次数;Naddedi表示加点数量;
接下来,以第二次加点时的代理改进率做为基准,计算每次迭代的相对改进率,如公式(7)所示:
(7);
其中,表示第i次迭代时的代理模型相对改进率;
接下来,通过一个比率函数,将相对改进率转化为一个0-1之间的正值,作为加点率,如公式(8)所示,其中,表示比率函数,/>表示下次迭代加点率,
(8);
在获得了加点率之后,将加点率乘以最大加点数,得到下一次迭代的加点数目,如公式(9)所示,其中,表示最大加点个数,/>表示下次迭代加点个数,
(9);
当相对改进率的绝对值<0.02时,判断加点对于代理模型的改进程度有限,代理模型迭代完成,并输出最终的代理模型;
对于得到的代理模型,经过对比三者的R2,选择R2最高的代理模型,作为最佳的代理模型,如公式(10)和(11)所示,以下代理模型分别描述了有效气产量和气化炉外输热量与气化操作条件的关系:
(10);
(11);
其中,Surrogate1函数表示代理模型1;下标best表示最佳代理模型;上标Q和Y分别表示气化炉外输热量与有效气产量。
2.根据权利要求1所述的方法,其特征在于,第一步骤包括:以包括碳C、氢H、氧O、氮N、硫S的煤元素组成作为特征,并且对煤样进行分析,根据煤样的分析结果确定各元素的质量分数波动范围,从而建立采样空间;在采样空间内,通过拉丁超立方体采样的方式,选择在采样空间内各个维度都均匀分布的初始样本点,作为初始数据集。
3.根据权利要求1或2所述的方法,其特征在于,第二步骤采用Aspen Plus软件,建立煤气化过程的稳态模拟;其中,物性方法选择PR-BM方法,煤和灰分以非常规组分的形式进行定义,并输入煤的工业分析、元素分析及硫形态分析结果;煤气化过程的流程包括两个气化反应器和一个氧气压缩机;第一个反应器为煤气化预反应器,选用收率反应器RYield模块进行模拟,将煤从非常规组分转化为常规组分;第二个反应器为煤气化过程的主反应器,选用吉布斯自由能反应器RGibbs模块进行模拟,计算体系总体吉布斯自由能最小的状态。
4.根据权利要求1或2所述的方法,其特征在于,第四步骤中,在操作条件的上下限内,选择出有效气产量最大情况下的操作条件,约束条件包括了操作条件的上下限约束,以及气化炉外输热量约束,详细的优化问题被表述为:
;
求解该优化问题,得到该煤元素组成下,最佳的操作条件和最高的有效气产量。
5.根据权利要求1或2所述的方法,其特征在于,第六步骤包括:
根据收集的样本,分别通过随机森林回归、支持向量机回归、以及人工神经网络,构建煤元素组成-最佳操作参数-最佳有效气产量初始代理模型;在初始代理模型的基础上,运用第三步骤中的减速采样方法,增加煤元素组成样本点,反复迭代,最终得到元素组成-最佳操作参数以及元素组成-最佳有效气产量的代理模型,该模型表示最佳操作参数Xoptimal与最高有效气产量Yoptimal与煤的元素组成COMP之间的关系,如公式(12)-(13)所示: (12);
(13);
其中,Surrogate2函数表示代理模型2;Surrogate3函数表示代理模型3,代理模型2和3分别代表元素组成-最佳操作参数以及元素组成-最佳有效气产量的代理模型。
6.根据权利要求1或2所述的方法,其特征在于,煤的元素组成随时间t改变,实际生产中,各元素组成的浓度随时间的变化情况用公式(14)描述,其中,COMP表示煤的元素组成:
(14)。
7.根据权利要求5所述的方法,其特征在于,根据煤组成波动曲线,最佳操作参数Xoptimal与最高有效气产量Yoptimal-煤的元素组成代理模型(公式(12)-(13)),得到最佳操作参数Xoptimal和最佳有效气产量Yoptimal随时间的变化关系;将操作参数保持固定的情况作为参照状况,通过流程模拟得到操作参数固定情况下,有效气产量的变化情况如公式(15)所示,其中,表示操作参数固定时的有效气产量,
(15)。
8.根据权利要求1或2所述的方法,其特征在于,最终的有效气产量提升率Ra表述为,操作条件调整后的有效气提升量相对于操作条件固定情况下的有效气累积产量的比值,通过公式(16)计算:
(16)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410446568.XA CN118070678B (zh) | 2024-04-15 | 2024-04-15 | 一种基于流程模拟和机器学习的煤气化装置智能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410446568.XA CN118070678B (zh) | 2024-04-15 | 2024-04-15 | 一种基于流程模拟和机器学习的煤气化装置智能优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118070678A CN118070678A (zh) | 2024-05-24 |
CN118070678B true CN118070678B (zh) | 2024-06-21 |
Family
ID=91111197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410446568.XA Active CN118070678B (zh) | 2024-04-15 | 2024-04-15 | 一种基于流程模拟和机器学习的煤气化装置智能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118070678B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666630A (zh) * | 2020-05-26 | 2020-09-15 | 煤炭科学研究总院 | 一种煤矿井下无人机结构的多目标智能优化设计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11436395B2 (en) * | 2018-06-27 | 2022-09-06 | Dalian University Of Technology | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
CN117634707A (zh) * | 2023-12-26 | 2024-03-01 | 哈尔滨工业大学 | 一种低碳污水处理过程多指标建模与优化运行方法 |
-
2024
- 2024-04-15 CN CN202410446568.XA patent/CN118070678B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666630A (zh) * | 2020-05-26 | 2020-09-15 | 煤炭科学研究总院 | 一种煤矿井下无人机结构的多目标智能优化设计方法 |
Non-Patent Citations (1)
Title |
---|
基于代理辅助分层粒子群算法的页岩气藏压裂参数优化;姚军;李志豪;孙海;;中国石油大学学报(自然科学版);20200730(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN118070678A (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Optimization and efficiency analysis of polygeneration system with coke-oven gas and coal gasified gas by Aspen Plus | |
Aghbashlo et al. | Describing biomass pyrolysis kinetics using a generic hybrid intelligent model: a critical stage in sustainable waste-oriented biorefineries | |
Hong et al. | Multi-objective optimization of CO2 emission and thermal efficiency for on-site steam methane reforming hydrogen production process using machine learning | |
Lin et al. | Multi-criteria sustainability assessment and decision-making framework for hydrogen pathways prioritization: An extended ELECTRE method under hybrid information | |
Kordabadi et al. | Optimization of methanol synthesis reactor using genetic algorithms | |
CN102176221B (zh) | 基于动态工况的焦炉加热燃烧过程焦炉温度预测方法 | |
Paviet et al. | Thermo chemical equilibrium modelling of a biomass gasifying process using ASPEN PLUS | |
CN113657591A (zh) | 一种生物质焦气化反应特性的预测方法 | |
CN118070678B (zh) | 一种基于流程模拟和机器学习的煤气化装置智能优化方法 | |
Devasahayam | Deep learning models in Python for predicting hydrogen production: A comparative study | |
Kumar et al. | Modeling and simulation of down draft wood gasifier | |
Song et al. | Machine learning prediction of biochar physicochemical properties based on biomass characteristics and pyrolysis conditions | |
Zhang et al. | Advanced process integration and machine learning-based optimization to enhance techno-economic-environmental performance of CO2 capture and conversion to methanol | |
CN112487641A (zh) | 基于多尺度建模的煤化学链气化工艺设计方法及其应用 | |
CN114958395B (zh) | 一种生物质炭化炉余热利用方法及其利用系统 | |
CN115762664A (zh) | 一种多组分有机废物高温气化过程产气组分的预测方法 | |
CN115206448A (zh) | 一种基于ann模型的化学反应动力学计算方法 | |
CN110824099B (zh) | 基于gbrt预测固体燃料化学链过程中反应性能的方法 | |
Zhang et al. | Optimization analysis based on intelligent control of the process of the blast furnace | |
Devasahayam | Deep Learning Models for Hydrogen Production Prediction in Python: A Comparative Study | |
CN103645633B (zh) | 一种变换炉系统的炉温自学习控制方法 | |
Liu et al. | Data–driven online modelling for a UGI gasification process using modified lazy learning with a relevance vector machine | |
Sakheta et al. | Improved prediction of biomass gasification models through machine learning | |
CN116935985B (zh) | 一种煤气化过程中实验参数变化的敏感性分析方法 | |
Peterson et al. | Hybrid modeling of the catalytic CO2 methanation using process data and process knowledge |
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 |