[发明专利]气化工艺的反向设计装置及方法

说明书

一种气化工艺的设计方法，包括如下步骤：确定原料特征和设计需求，所述设计需求即设计目标取值范围；根据所述原料特征和设计需求，给出设计变量的假定值，利用所述假定值和经验公式计算得到设计变量初始值；根据得到的设计变量初始值，确定反向设计的设计变量优化范围；通过非支配模糊排序法对得到的初始种群中的个体进行排序；采用带有模糊目标权系数的谱系聚类法对所有非支配个体进行聚类，最后利用非支配模糊排序法对不同类进行排序，获取最符合设计要求的设计变量与设计目标区间。反向设计对设计目标的要求更宽泛，设计变量更全面，设计过程具有更明确的方向性，设计结果更加符合设计需求，工作量大大减小，且不要求设计者有丰富的经验。

技术领域

本发明涉及气化工艺设计领域，尤其涉及一种气化工艺的反向设计装置及方法。

背景技术

气化工艺设计包含三个主要内容：设计变量、设计目标和设计方法。设计方法是气化工艺设计的核心内容，传统设计方法大致可分为两种：经验法和试错法。

经验法是最常用的方法，主要依据设计者的经验来假设相关参数并配合相关经验公式进行设计，由于气化工艺设计问题的复杂性，该方法很难同时考虑多个设计目标，且一般只能对气化炉结构参数进行设计，无法设计运行参数。

试错法主要通过模拟大量工况来寻找满足设计目标的设计变量，常用的模拟仿真模型有动力学模型、热力学平衡模型(Thermodynamic Equilibrium Model，TEM)和人工神经网络模型(Artificial Neural Networks，ANN)，动力学模型较为复杂，模拟前需确定很多参数，因此较少用于气化工艺初设计，TEM是一种简单易行的理想化模型，其假定气化过程中的多个化学反应在离开气化反应器时都达到了化学平衡状态，并基于质量守恒、能量守恒与化学平衡分析对气化反应结果进行预测，模型只涉及气化炉内反应，而不考虑气化炉的几何结构。在实际生产中，反应物在气化炉中的反应时间有限，气化炉内一般无法达到热力学平衡，因此TEM只能给出理想的气化产率，用于实际生产预测时误差较大。ANN是一种新兴的智能化模型，因其能够很好地处理非线性问题而被广泛应用，在保证训练样本数量与质量以及合理的网络结构下，ANN可根据给定输入参数对输出参数进行高速精准的预测，近几年，ANN在生物质气化领域中的应用越来越多，ANN虽可保证较高的预测精度，但在缺少实验数据的设计阶段，其重要输入参数“气化温度”的确定较为困难，因此，应用ANN对气化结果进行预测受到了限制。同时，由于气化工艺设计参数的非线性等因素，试错法工作量大，且难以找到最优的设计方案。

智能优化算法是如遗传算法，可理解为一种“反向”算法，可根据对设计目标值的要求逐步确定最佳的设计变量值，相对于经验法，其优势是可同时考虑多个设计目标，相对于试错法，其优势是计算量更少更高效。多目标遗传算法(MOGA)中适应度函数和种群个体间的排序规则是算法的核心，适应度函数建立了优化变量与优化目标的映射关系，对于气化工艺来说，可对应于气化仿真模型，种群个体间的排序即为设计方案(包括设计变量和设计目标)的排序，设计者对气化工艺的多个设计目标要求范围和重视程度不尽相同，因此对应于MOGA中种群个体的排序规则很难用一个统一的标准确定。现有气化仿真模型用于气化工艺初设计时存在的问题和限制，以及对MOGA中个体排序方法的确定是智能优化算法应用与气化工艺设计的主要问题。

现有的气化工艺设计方法，得到的多组设计方案是互相独立的，选择哪组设计方案是设计者必须面对的问题，同时在气化设备生产与运行过程中，受生产技术和设备性能的影响，气化设备很难按照设计参数精准地生产与运行，因此，在气化工艺设计过程中，考虑设计余量很有必要。

发明内容

有鉴于此，本发明的主要目的在于提供一种气化工艺的反向设计装置及方法，以期至少部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一方面，提供了一种气化工艺的反向设计方法，包括以下步骤：

步骤1：确定原料特征和设计需求，所述设计需求即设计目标取值范围；