[发明专利]一种散堆填料塔中持液量的预测方法

说明书

技术领域

本发明涉及散堆填料塔中重要参数的预测方法，尤其是一种通用的，适合多种不同类型散堆填料塔中持液量的预测方法。

背景技术

填料塔设备在化工、炼油、石化、医药、及环保等工业领域均有非常广泛的应用。在石油炼厂和很多化工生产装置中，填料塔设备的投资费用约占整个工艺设备费用的1/4。因此，填料塔的操作越接近其最大的有效生产能力，装置的生产效率越高，相应的能耗越少。

填料的流体力学特性主要包括液泛速度、压力降及持液量三者，它们是选用填料以及设计填料塔首先需要考虑的因素。其中，液泛速度是确定塔径大小的根据；压力降为计算动力消耗所必需，在真空精馏中又是决定某种填料是否适用的指标；而塔内持液量又是影响上述两项数值的条件，而且，它也决定在操作温度下液体的停留时间。对于一定形状和大小的填料，必须了解其性质和操作条件对流体力学特性的影响。因此，填料塔的持液量是一个影响塔性能的重要参数，确定各种类型填料的持液量也变得尤为重要，准确的预测持液量对填料塔的设计与操作都具有重要的意义和应用价值。

填料的持液量由静持液量和动持液量两部分组成，静持液量是由表面张力和重力之间的平衡决定的，受到系统性质、填料表面积大小、表面特性等一系列因素影响，一般情况下认为气体和液体的流量对静持液量影响不大。而动持液量则与填料特性、系统性质和气液两相流量都有关。早期的研究成果主要是根据实验数据而提出的用于塔设计计算的经验和半经验公式。此后，逐步建立了一些物理模型，并推导出了持液量计算的半理论公式。但是，由于两相流理论的复杂性，迄今为止，对持液量数据的关联基本上局限于载点气速以下的范围；而且，现代工业生产中所使用的大尺寸填料及新型填料在高液体负载操作下的持液量鲜有报道。因此，至今还没有较准确且通用的持液量预测模型，可适合多种工业填料塔的应用。为了能满足激烈的市场竞争需求，有必要建立一种准确度较高，通用性较强的持液量模型以适应工程应用。

随着过程数据能够及时获得，各种数据驱动的建模方法得到广泛研究和应用，但用于持液量的却很少。经文献检索发现，一种反向传播神经网络（简记为BP-NN）曾用于持液量的建模和预测，BP-NN是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传递，从而使网络预测输出不断逼近期望输出。但由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得该算法并不是非常实用。

极限学习机（extreme learning machine，ELM）是一种单隐层前馈神经网络的学习方法，在不少过程建模中获得了较好的效果，但至今仍未用于填料塔重要参数的建模与预测。与传统的神经网络不同的是，ELM隐藏层中的参数没有直接的关联，因此不需要对其所包含的参数进行调整，只要随机赋予输入权值和隐层节点的阀值，并且应用Moore-Penrose方法获得隐层输出矩阵的广义逆，通过一步计算即可确定网络的输出权值，因而较BP-NN等传统方法可极大的提高学习速度，不需过多的干预，还具有较强的泛化性能。这为填料塔重要参数，如持液量的建模和预测提供了新方法。

在ELM当中，当自变量之间存在复共线性关系时，易导致病态解，从而出现过拟合现象的问题，而引入岭回归方法，通过选择适当的岭参数可避免此问题。同时，针对在岭参数极限学习机（ridge extreme learning machine，RELM）建模过程中，存在的不断初始化模型会导致预测的不可靠以及每次都重建模型导致计算更多且缺乏效率的问题。提出了基于RRELM的建模方法，建模过程中采用了递推和快速留一交叉验证（fast leave-one-out cross-validation,FLOO-CV）准则的选择方法，以控制模型复杂度，降低计算量，提高模型可靠性，最终保证模型较好的预测精度。

发明内容

针对以上所述的现有填料塔中持液量预测技术中存在的不足和缺陷，提出一种可以较有效的针对持液量数据的特点、提高模型的预测精度，适合多种不同散堆填料塔中持液量的预测方法。

本发明所述的一种散堆填料塔中持液量的预测方法，包括以下步骤：

1）选择影响持液量的流动参数作为模型的输入变量，建立数据样本：

输入变量：气液相弗劳德数St_L、气相斯托克斯数St_G、液相雷诺数Re_L、液相弗劳德数Fr_L、液相奥内佐格数Oh_L；

输出的变量：持液量h_T；