一种基于神经网络的焚烧炉一次风系统风量分配预测方法

本技术涉及固废资源化处理，具体而言，涉及一种基于神经网络的焚烧炉一次风系统风量分配预测方法。

背景技术：

1、2021年我国城市生活垃圾清运量为2.49亿吨，无害化处理率为99.9％。其中以焚烧无害化处理量为1.80亿吨，占无害化处理量的72.4％。目前焚烧炉型主要有炉排焚烧炉、流化床焚烧炉、立式焚烧炉、回转窑等，其中炉排式焚烧炉由于其在一定程度上对原料要求低，仅需简单的预处理；运行过程可靠性高；可以连续操作，单台处理量大；污染小，烟气携带飞灰量少，产生的炉渣体积小，是我国生活垃圾焚烧炉中应用最多的炉型。

2、炉排式焚烧炉的一次风通常由炉排下方向上吹送，经过燃料床层后进入炉膛内部，一次风除了能为料层的固相燃烧提供氧气之外，还具有干燥垃圾、析出挥发份、使料层稳定着火以及冷却炉排的作用。目前垃圾焚烧炉一次风布置方式大多为母管制，从每段炉排的一次风母管进行分支，通过分支管路将一次风送到炉排下部风室，运行过程中通过调节风门，改变一次风入炉量，从而改变燃烧状况。单个母管上通常连结3—9个支管，每个支管上装有风量调节阀门，由于整个一次风系统是连通的，单个支管的风量调节影响所有支管出口的风量分配。随着生活垃圾焚烧炉逐渐大型化，炉膛宽度逐渐变宽，燃烧区域面积变大，一次风压及一次风分布的调整对焚烧炉的稳定运行极其重要，目前尚没有普适的经验公式能够预测单个支管风量的调节对整个一次风分配的影响。

3、随着数值模拟模型的完善和计算机性能的提升，通过数值模拟的方法对一次风分配进行预测，可以预测得到在不同阀门开度时各自出口的风量，然而，由于要考虑的一次风管道的支管数量多，仅通过计算流体动力学(cfd)模拟来优化设计存在一定的困难。

技术实现思路

1、为了解决由于要考虑的一次风管道的支管数量多，仅通过计算流体动力学(cfd)模拟来优化设计存在一定的困难的问题，本技术提供了一种基于神经网络的焚烧炉一次风系统风量分配预测方法，通过根据cfd的数值模拟结果与焚烧厂运行数据相结合建立数据集一部分的数据作为训练样本，其余分的数据作为测试集，然后使用bp神经网络模型建立焚烧炉一次风风量分配bp神经网络预测模型并以结果的均方误差评估，从而达到预测在理想情况风量分配下各自支管的阀门开度。

2、本技术的实施例是这样实现的：

3、第一方面，本技术提供一种基于神经网络的焚烧炉一次风系统风量分配预测方法，包括：建立流动模型；

4、根据实际焚烧炉模型的一次风系统管道建立几何模型并对几何模型进行网格划分；

5、基于所述流动模型及所述几何模型，在多个预设环境下进行fluent计算，得到流量数据；

6、根据所述流量数据得到训练集及验证集，并对所述训练集及所述验证集进行归一化处理，所述训练集及所述验证集中均包括阀门开度出口流量数据；

7、通过所述训练集对bp神经网络进行训练，得到优目标风量分配预测模型；

8、通过所述验证集对所述初始风量分配预测模型进行验证，并根据验证结果对所述初始风量分配预测模型进行调整，得到最优目标风量分配预测模型。

9、在一种可能的实现方式中，所述的流动模型选择k-ε的模型计算气体湍流的影响，并选择coupled模型计算压力与速度之间的耦合。

10、在一种可能的实现方式中，设定气体入口为流量入口边界条件，出口为压力出口边界条件，壁面为无滑移绝热边界条件。

11、在一种可能的实现方式中，所述的网格划分采用gambit或icem软件进行划分。

12、在一种可能的实现方式中，所划分的网格为六面体网格。

13、在一种可能的实现方式中，所述的cfd计算求解过程中，选择稳态求解器，在迭代计算过程中压力方程的离散采用标准格式，动量方程的离散采用二阶迎风格式。

14、在一种可能的实现方式中，所述多个预设环境为不同出口阀门开度。

15、在一种可能的实现方式中，所述根据所述流量数据得到训练集及验证集，并对所述训练集及所述验证集进行归一化处理，所述训练集及所述验证集中均包括阀门开度出口流量数据，包括以下步骤：

16、将多个所述预设环境的每一个所述预设环境下对应的阀门开度数据和基于该预设环境下求解得到的出口风量，确定为一个数据集，得到多个数据集；

17、将所述多个数据集，其中一部分作为训练集，一部分作为测试集

18、将求解得到的所述出口风量确定为所述bp神经网络模型的输入数据；将所述阀门开度数据确定为所述bp神经网络模型的输出数据；

19、对所述训练集中的输入数据及输出数据分别进行归一化处理，得到输入数据归一化函数和输出数据归一化函数，将所述验证集测试集中的输入数据调用所述输入数据归一化函数进行归一化，将所述验证集中的输出数据调用所述输出数据归一化函数进行归一化。

20、在一种可能的实现方式中，所述的bp神经网络模型是在matlab软件中搭建训练，训练函数采用trainlm函数。

21、在一种可能的实现方式中，所述通过所述验证集对所述初始风量分配预测模型进行验证，并根据验证结果对所述初始风量分配预测模型进行调整，得到优目标风量分配预测模型，包括以下步骤：

22、将所述归一化后的所述验证集中的所述出口风量输入至所述初始风量分配预测模型，得到阀门开度数据，然后将其反归一化处理，得到反归一化后的阀门开度数据；

23、将所述反归一化后的阀门开度数据与所述验证集中的阀门开度数据进行对比；

24、当反归一化后的阀门开度数据与所述验证集中的所述阀门开度数据之间的均方误差小于预设阈值时，则将所述初始风量分配预测模型确定为候选目标风量分配预测模型。

25、调整所述初始风量分配预测模型中的隐藏层参数，其中，所述隐藏层参数包括隐藏层神经元个数；

26、基于调整后的所述初始风量分配预测模型，再次根据所述训练集进行训练，得到更新初始风量分配预测模型；

27、基于所述更新后的初始风量分配预测模型，再次将其所述归一化后的所述验证集中的所述出口风量输入至所述更新后的初始风量分配预测模型，得到阀门开度数据，并将其反归一化处理；

28、将所述反归一化后的阀门开度数据与所述验证集中的阀门开度数据进行对比，直到反归一化后的阀门开度数据与所述验证集中的阀门开度数据之间的误差小于预设阈值，则将所述更新后初始风量分配预测模型也确定为候选目标风量分配预测模型。

29、得到多个候选目标风量分配预测模型后，根据多个所述候选目标风量分配预测模型对应的均方误差进行比对，选取均方误差最小的候选目标风量分配预测模型确定为最优目标风量分配预测模型。

30、本技术提供的技术方案至少可以达到以下有益效果：

31、本技术提供的基于神经网络的焚烧炉一次风系统风量分配预测方法，通过该方法，可以实现焚烧炉模型的一次风系统风量分配的数值预测，获得不同出口阀门开度下各个出口风量；

32、并且本技术通过借助bp神经网络模型，结合cfd模拟得到的数据集作为构建神经网络模型的数据库，建立cfd输出的替代模型，用于预测在预期出口流量下的各个阀门开度，减少计算时间。