[发明专利]基于递推岭ELM的填料塔载点气速预测方法

说明书

技术领域

本发明适用于散堆(乱堆)填料塔设计阶段重要参数建模和预测的方法，特别针对一种通用的适合多种散堆填料塔中载点气速的建模和预测方法。

背景技术

填料塔设备常用于工业生产中的精馏、吸收、萃取以及冷却过程中的传热与传质，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。在很多石油炼厂和大型化工企业，填料塔设备的投资费用和能耗都非常巨大。因此，填料塔的操作越接近其最大的有效生产能力，则装置的生产效率越高，相应的单位能耗也能减少。

在填料塔当中，流体力学性能主要包括了泛点、载点等。填料塔的操作条件主要是根据液泛气速选定的，只有在低于泛点气速时，才能保证塔设备的稳定运行。因此，液泛气速通常是操作上限。但是，当气速过低时，也会导致气液分布不均匀和浪费等一系列问题，载点即当塔内发生拦液时的空塔气速，一般塔设计时取液泛气速的60％～80％，较理想的操作气速设定为液泛气速的70％，即载点位置附近，因此载点气速也是填料塔设计时的一个重要参数。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，填料塔的载点气速是影响塔性能的重要参数，确定各种类型填料的载点气速也变得尤为重要，准确的预测载点气速对填料塔的设计与操作都具有重要的意义。

填料的载点气速受到气液两相流量、系统性质、填料表面积大小、表面特性等一系列因素影响。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，并推导出了载点气速计算的半理论公式。但是，由于两相流理论的复杂性，迄今为止，这些经验模型都需特定的填料常数，其通用性较差，另外，随着各种新型填料的出现，许多条件与经验公式并不相符，使模型的预测效果降低。因此，至今还没有较准确且通用的载点气速预测模型，可同时适合多种工业填料塔的应用。为了能满足市场竞争需求，有必要建立一种准确度较高，通用性较强的载点气速模型以适应工程应用。

近年来，集散系统广泛应用于流程工业中，大部分过程数据能够及时获得，各种数据驱动的建模方法也得到了研究和应用，但用于载点气速的却很少。经文献检索发现，一种反向传播神经网络(BP-NN)曾用于载点气速的建模和预测(Piche S，Larachi F，Grandjean B P A.Loading capacity in paked tower-database，correlation and analysis[J].Chemical Engineering &Technology，2001，24(4)：373-380.)，BP-NN是一种多层前馈神经网络，其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。缺点是训练次数多，学习效率低，收敛速度慢，易形成局部极小等，这使得该方法并不实用。

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，主要参考文献为“Feng G，Huang G B，Lin Q P.Error minimized extreme learning machine with growth of hidden nodes and incremental learning[J].IEEE Transactions on Neural Networks，2009，20(8)：1352-1356.”，该方法在机器学习领域中获得了较好的效果，但至今仍未用于过程建模，尤其是填料塔重要参数的建模与预测。与传统的方法所不同的是，ELM随机分配隐藏节点并通过分析来求得单隐层前馈神经网络的输出权值，ELM的学习速度会千倍于传统的前馈神经网络算法，如BP-NN，并且趋于达到最小的训练误差和权值范数，因此也有很好的泛化能力，也不需过多的干预。这为填料塔重要参数，如载点气速的建模和预测提供了新方法。