[发明专利]一种对储油罐管式加热工艺参数及加热管结构优化的方法

权利要求书

1.一种对储油罐管式加热工艺参数及加热管结构优化的方法，其特征在于：

一、利用模拟储油罐管式加热过程的试验装置，模拟储油罐管式加热过程，实时记录管式加热过程的三维温度场与速度场数据，模拟储油罐管式加热过程的试验装置包括实验储罐、PIV装置，实验储罐(2)内设置加热管(19)；

所述的PIV装置由双腔激光器(12)、高分辨率跨帧相机(16)、电脑(15)以及配套软件、同步器(17)、电源配置器(9)、导光臂(14)与对应光源透镜(13)组成，可以对实验储罐内三维温度场与速度场数据进行实时收集；

使用PIV装置对实验储罐内介质的三维温度场与三维速度场进行监测，首先打开同步器(17)使拍照时间与激光发射时间在同一时刻，打开电脑上安装的配套软件，在导光臂(14)安装光源透镜(13)，调整高分辨率跨帧相机(16)与导光臂(14)方向至所在平面垂直，调整高分辨率跨帧相机焦距与光圈直至在电脑中出现清晰图像；打开电源配置器(9)，双腔激光器开始运行，在实验储罐内放置示踪粒子与温度显影剂，使用电脑设置合适的激光发射时间与发射频率，开始进行拍摄；

二、确定影响因素及评价指标，以加热管的类型、规格、加热管位置、加热管内加热介质的温度和流量作为影响管式加热效果的因素，称为影响因素；提出均匀度理论与场协同理论，以实验储罐(2)内介质的温度场均匀度、协同角、升温速率以及加热效率作为评价管式加热效果的指标，称为评价指标；

三、设计影响因素的组合方案并开展基础实验，对每组方案进行实验并记录各影响因素数值，计算其温度场均匀度、协同角、升温速率与加热效率；

(1)均匀度：

在n维欧式空间内的点集S，认为其是可数的，对于其中任意x_i∈S，x_i的最近临体记为MP(x_i)，称M(x_i)＝d(x_i,MP(x_i))为x_i的临近距离，将以x_i为球心，M(x_i)/2为半径的封闭球称为B(x_i)，称其为x_i的独占球，体积记为v(x_i)，x_i的外切封闭体有无限多，记其中之一为CU(x_i)，称其为x_i的独占体，体积记为vc(x_i)，V_n(r)是n维球的体积，n＝1,2,...，r是球的半径；

在n维欧式空间内：

对于n维欧式空间，令为点集的总独占球体积，A_v表示总区域体积，称L为点集S的均匀度；

(2)协同角：

对于层流边界层的能量守恒方程：

其中λ是流体介质的导热系数，ρ是密度，c_p是比热容，x与y表示方向，u是x方向速度，v是y方向速度，T是温度，对方程两边在讨论域中积分后得到：

δ_t代表热边界层厚度，q(x)为壁面热流，w是导热厚度，将(5)左边的对流项改写成矢量形式：

是流体的速度矢量，是温度梯度，再引入三个无因次变量和

U_∞是来流速度，T_∞是来流温度，T_w是壁面温度，是热边界层的相对厚度，是速度矢量与来流速度的比值，是对流换热的温度梯度与热边界层厚度的积再与导热的温度差的比值，将无因次变量带入并进行整理，得：

Re_x是雷诺数，Nu_x是努塞尔数，Pr是普朗特数，被积因子写成

其中β是速度方向和温度梯度方向的夹角，在加热过程中，用速度方向和温度梯度方向的夹角β来表征传热效果；

(3)升温速率：

升温速率通过粒子图像测速装置配合温度显影剂获得实验储罐内实验介质的温度数据；

(4)加热效率：

采用加热效率评价不同加热管的加热效果；

Q₁＝cmΔT＝cvA(T₁-T₂) (10)

其中Q₁是单位时间加热管向实验储罐内实验介质释放的热量，c是加热管内加热介质的比热容，m是加热介质的质量流量，v是加热介质的速度流量，A是加热管的截面积，ΔT是加热管首段与末端的温度差，T₁是加热管首段处加热介质的温度，T₂是加热段末端处加热介质的温度；

Q₂＝c′m′ΔT′＝c′m′(T′₂-T′₁) (11)

其中Q₂是单位时间实验储罐(2)内实验介质由加热管(19)获得的能量，c′是实验储罐(2)内实验介质的比热容，m′是实验储罐(2)内实验介质的质量，ΔT′是单位时间实验储罐(2)内实验介质的温度差，T′₁是加热开始阶段实验储罐(2)内实验介质平均温度，T′₂是加热进行单位时间后实验储罐(2)内实验介质平均温度；

φ是管式加热过程中的加热效率；

四、将步骤三得到的若干组影响因素值与评价指标输入神经网络，对数据进行训练并估算每个粒子得到全局最优，计算得到基于当前数据下影响因素与评价指标的函数关系；

五、采用专家调查法确定各评价指标权重，对评价指标加权求和得到最优的评价指标数值；

六、应用引入变异因子抑制局部最优的粒子群算法，对影响因素与评价指标的函数进行求解，得到最优评价指标数值对应的影响因素数值；

七、根据粒子群算法预测的影响因素数值进行实验，将计算的评价指标数值与预测值进行对比，存在一个常数ε，若偏差小于ε，则得到最优管式加热过程工艺参数与加热管结构；若偏差大于ε，则将该组数据输入神经网络，重复步骤四到七，继续计算，直至得到最优影响因素。