本发明涉及煤化工技术领域，尤其涉及一种预测热解炉辐射管磨损速率的方法。
背景技术：
我国拥有丰富的含碳的低品位能源和废弃物资源，主要包括低阶煤、生物质、油页岩、废旧轮胎、污泥等，且我国油气资源缺乏，进口原油在每年递长，据统计2013年我国原油进口量达2.8亿吨，其原油对外依存度不断增加。基于此，一种蓄热式下行快速热解反应器，不使用热载体而采取蓄热式辐射管布置技术，工艺简单、运行可靠，并容易实现大型化，能够满足工业运行的要求。同时，可以从含碳的低品位能源和废弃物资源中提取人造石油、人造天然气资源，不仅能补充我国石油、天然气资源缺口，又能解决含碳的低品位能源和废弃物资源化利用这一世界难题。
然而，下行热解炉在长周期高温环境下运行过程中，热解原料为粉状，例如煤粉，其内煤粉颗粒的剧烈向下运动可能会引起热解炉中提供热源的关键部件辐射管出现冲蚀磨损现象。当辐射管表面的磨损量达到一定程度时，将不能承受炉膛内的颗粒对其表面的冲击，一旦辐射管表面材料被磨破，颗粒将会穿透辐射管，重则影响快速热解炉装置的高效长周期安全稳定运行，造成不安全因素和较大的经济损失。
技术实现要素：
为了解决上述问题，本发明提供了一种预测热解炉辐射管磨损速率的方法，该方法包括以下步骤：
1)采用三维设计软件对煤粉热解炉装置进行1:1的几何建模；
2)采用MP-PIC方法对构建的热解炉几何模型进行网格划分，设置初始化流场和边界条件，计算每个空间微元体的守恒方程；
3)采用MP-PIC方法模拟不同操作工况下的热解炉内热解化学反应过程，提取瞬时颗粒速度以及冲蚀角度；
4)采用磨损模型计算辐射管的瞬时磨损速率，并将所述颗粒速度、冲蚀角度、磨损速率等工艺参数作为基础数据；
5)采用神经网络对所述基础数据进行训练，得到磨损速率模型；
6)根据所述磨损速率模型，预测磨损速率，获得瞬时磨损量。
进一步地，所述步骤2)中的初始化流场和边界条件是根据热解炉操作条件以及相关物理性质来设置；所述相关物理性质包括：颗粒粒径、颗粒密度、流体性质、反应温度、颗粒进料量。
进一步地，所述步骤3)中模拟时间为100s，
优选地，提取10-100s之间的瞬时颗粒速度以及冲蚀角度。
进一步地，所述步骤4)中的磨损速率模型的计算公式为：
式中，er为磨损速率；K为材料相关参数；f(θ)为粒子冲击函数；θ取值为(0，π/2)，单位为弧度；urel为粒子与壁面间的相对速度，uref为颗粒参考速度常数；n为指数。
进一步地，所述f(θ)的计算公式为：
f(θ)＝Aθ+Bθ2+Cθ3+Dθ4+Eθ5+Fθ6+Gθ7+Hθ8
式中，A、B、C、D、E、F、G、H为常数。
优选地，所述的urel计算公式为：
urel＝us-uwall
式中，us为颗粒速度；uwall为壁面速度。
进一步地，所述步骤5)中神经网络对基础数据训练流程为：
确定输入层、输出层、隐含层，
将颗粒速度、炉膛温度、炉膛压力、颗粒进料量以及冲蚀角度作为输入层变量，磨损速率作为输出层变量；
比较不同节点训练模型获得的均方误差，找出最佳隐含层节点数H；
采用正切S型函数tansig作为输入层和隐含层之间的传递函数，采用选择性作用函数Lin作为输出层和隐含层之间的传递函数；
采用神经网络对训练数据进行模型训练，使得迭代结果误差小于允许误差0.001-0.00001，模型构建完成。
进一步地，所述隐含层节点数H的参考公式为：
式中，m为输入节点数；n为输出节点数；L为常数。
优选地，所述迭代次数为100-200次，学习率为0.1-0.5。
进一步地，所述步骤6)中根据热解炉膛温度、炉膛压力以及颗粒进料量预测辐射管磨损速率。
本发明的一种预测下行床快速热解炉辐射管磨损速率的方法，优点在于：
1.本发明的一种预测下行床快速热解炉辐射管磨损速率的方法，快速精确地在线预测辐射管表面材料的瞬时磨损量，并监控累计磨损量，判断辐射管的磨损情况，及时有效地指导辐射管的维护，保证了快速热解炉的安全稳定运行，减少由此造成的不安全因素和经济损失。
2.本发明的预测下行床快速热解炉辐射管磨损速率的方法简便、易操作，预测精度高，模型的适用性强。
3.本发明的预测下行床快速热解炉辐射管磨损速率的方法克服了现有技术没有考虑高温高压环境对辐射管磨损的影响、磨损量的计算结果与实际情况相差较远的缺点。
附图说明
图1是本发明预测快速下行床快速热解炉辐射管磨损速率的方法流程图。
图2是本发明所使用的神经网络结构图。
图3是本发明神经网络算法流程图。
图4是本发明中三种操作工况下热解炉颗粒速度的轴向分布图。
其中，X1、X2、Xn为输入层变量；ωij为输入层与隐含层之间传递函数；ωjk为输出层和隐含层之间的传递函数；Ym为期望输出。
具体实施方式
以下将根据附图及具体实施例对本发明的一种预测快速下行床快速热解炉辐射管磨损速率的方法进行进一步地详细说明。
根据图1所示的本发明预测快速下行床快速热解炉辐射管磨损速率的方法的流程图，本发明的方法包括以下步骤：
1)采用三维软件对煤粉热解炉装置进行1:1的几何建模；
2)采用MP-PIC方法对构建的热解炉几何模型进行网格划分，根据热解炉操作条件以及相关物理性质(颗粒粒径、颗粒密度、流体性质、反应温度、颗粒进料量等)来设置初始化流场和边界条件，计算每个空间微元体的质量守恒方程、动量守恒方程、能量守恒方程、组分守恒方程，进而得到颗粒速度、冲蚀角度、炉膛温度、炉膛压力等；
此时，需判断全流程是否满足收敛标准，如果收敛则进行步骤3)；如果不满足，则返回到步骤2)的操作，直到满足收敛标准。
3)采用MP-PIC方法模拟不同操作工况下的热解炉反应，模拟时间为100s，并提取10-100s的瞬时颗粒速度以及冲蚀角度；
4)采用磨损模型计算辐射管的瞬时磨损速率，并将颗粒速度以及冲蚀角度所对应的磨损速率作为基础数据；
5)采用神经网络对所述基础数据进行训练，得到磨损速率模型；
6)根据所述磨损速率模型，预测磨损速率，获得瞬时磨损量。
根据本发明的实施例，所述的磨损速率模型的计算公式为：
式中，er为磨损速率；K为材料相关参数；f(θ)为粒子冲击函数；θ取值为(0，π/2)，单位为弧度；urel为粒子与壁面间的相对速度，uref为颗粒参考速度常数；n为指数。
根据本发明的实施例，所述的f(θ)的计算公式为：
f(θ)＝Aθ+Bθ2+Cθ3+Dθ4+Eθ5+Fθ6+Gθ7+Hθ8
式中，A、B、C、D、E、F、G、H为常数。
根据本发明的实施例，所述的urel计算公式为：
urel＝us-uwall
式中，us为颗粒速度；uwall为壁面速度。
由于BP(Back Propagation)神经网络具有良好的非线性品质、极高的拟合精度和泛化功能，是一种单向传播的多层前馈神经网络，主要特点是信号前向传播，误差反向传播。因此，我们利用BP神经网络模型，将上述基础数据中的几十组或几百组数据作为训练数据，其余数据作为验证数据，获得炉膛温度、炉膛压力、颗粒进料量与磨损速率的关系。
需要说明的是，训练数据无特殊要求，仅在基础数据库中随机选取。
根据图2所示的是本发明神经网络算法结构图，其中，X1、X2、Xn为输入层变量；ωij为输入层与隐含层之间传递函数；ωjk为输出层和隐含层之间的传递函数；Ym为期望输出。
而本发明中输入层与隐含层之间用正切S型函数tansig作为传递函数，用选择性作用函数Lin作为输出层和隐含层之间的传递函数。
根据图3所示的本发明所使用的神经网络的结构图，所述的神经网络对基础数据训练流程为：
确定输入层、输出层、隐含层，
以颗粒速度、炉膛温度、炉膛压力、颗粒进料量以及冲蚀角度作为输入层变量，磨损速率作为输出层变量；
比较不同节点下训练模型获得的均方误差，找出最佳隐含层节点数H；
采用正切S型函数tansig作为输入层和隐含层之间的传递函数，采用选择性作用函数Lin作为输出层和隐含层之间的传递函数；
采用神经网络对训练数据进行模型训练，使得迭代结果误差小于允许误差0.001-0.00001，模型构建完成。
图3所示的为80组基础数据进行训练的流程图，选择其中的60组数据作为基础数据，剩余的20组数据作为训练数据。
根据本发明的实施例，所述的隐含层节点数H的参考公式为：
式中，m为输入节点数；n为输出节点数；L为常数。
本发明中所设置的迭代次数为100-200次，学习率为0.1-0.5，目标值为0.00001～0.0001；当迭代结果的误差小于允许误差0.001～0.00001，系统结束迭代计算，模型构建完成。
根据图4所示的本发明三种操作工况下热解炉颗粒速度的轴向分布图，其中，三种操作工况分别为Case 1、Case 2和Case 3，其中，
Case 1的颗粒进料为1.2t/h，辐射管温度为600℃，煤粉的粒径为4mm，热解炉的炉膛压力为0.1MPa；
Case 2的颗粒进料为3t/h，辐射管温度为700℃，煤粉的粒径为2mm，热解炉的炉膛压力为0.2MPa；
Case 3的颗粒进料为4t/h，辐射管温度为800℃，煤粉的粒径为1mm，热解炉的炉膛压力为0.6MPa。
由图4可以看出，操作条件影响颗粒速度分布。
颗粒冲蚀角度是颗粒速度在x，y，z三个方向上的综合效应，在模拟过程中角度通过x，y，z三个方向上速度值以及其方向计算自动求解得到。
当模拟时间小于10s时，热解炉内气固流动未达到稳定阶段，因此，0-10s数据不具有代表性，模拟结果与稳定阶段相差较大，不能反映实际实验情况，因此，在提取过程中提取10-100s的数据作为基础数据。
并且，通过前期模拟研究发现，模拟时间达到10s左右，热解炉内气固流动达到稳定状态，为了获得更多的模拟结果，选取了模拟时间为100s。模拟时间选取多少不影响模拟结果，但模拟时间过短，获得数据量小；模拟时间过长，计算耗时长，综合考虑模拟时间定为100s。
实施例一
一种预测立式方形蓄热式煤粉快速热解炉辐射管磨损速率的方法，包括以下步骤：
1)采用Solidworks软件对立式方形蓄热式煤粉快速热解炉装置进行1:1的几何建模，热解炉高为12m，顶部为2.0×3.0m的长方形，底部为1.0×3m的长方形，内部排布40根辐射管，共排布20层，每层排布两根辐射管；
所用的辐射管直径为180mm，辐射管两两水平和垂直间距分别为300mm。
2)采用MP-PIC方法对其进行网格划分，按照实际物性设定煤粉颗粒、气体性质；所采用的煤粉的平均粒径为0.5mm，真密度为1400kg/m3；煤粉从炉膛顶部均匀进料，在热解炉内发生反应，从底部排出；颗粒进料量为3t/h；初始化时，整个炉膛内部充满氮气，无颗粒堆积；辐射管表面温度为700-900℃，热解炉装置的炉膛压力为0.1Mpa。
3)计算上述实际反应时间为100s，提取20-100s，时间间隔为1s下的颗粒速度us和冲蚀角度θ；
将上述数据带入磨损速率公式：
其中，K＝2.0e-9，
f(θ)＝Aθ+Bθ2+Cθ3+Dθ4+Eθ5+Fθ6+Gθ7+Hθ8
其中，A、B、C、D、E、F、G、H为常数，取值分别为9.37、-42.295、110.864、-175.804、170.137、-98.398、31.211以及-4.170；θ取值为(0，π/2)，单位为弧度；
urel为粒子与壁面间的相对速度，
urel＝us-uwall
uref为颗粒参考速度常数，默认值为1m/s；n为指数，默认值为2.6；uwall为0。
4)由磨损速率公式计算得到相应的磨损速率。
5)利用BP神经网络模型，将上述数据中的任60组数据作为训练数据，其余20组数据作为验证数据，获得炉膛温度、炉膛压力、颗粒进料量与磨损速率的关系。
BP神经网络训练具体步骤为：将颗粒速度、冲蚀角度、炉膛温度、炉膛压力和颗粒进料量工艺参数作为输入层变量，磨损速率作为输出层变量；隐含层节点数选择参考公式
式中，m为输入节点数，优选为20，n为输出节点数，优选为1，分别比较不同节点下训练模型获得的均方误差，找出最佳隐含层节点数H；输入层与隐含层之间用正切S型函数tansig作为传递函数，用选择性作用函数Lin作为输出层和隐含层之间的传递函数，用函数输入输出数据训练BP神经网络，使训练好的网络能够拟合非线性函数输出。利用BP神经网络对训练样本进行模型训练，设置的迭代次数为200次，学习率为0.5，目标值为0.00001；当迭代结果的误差小于允许误差0.001-0.00001，系统结束迭代计算，模型构建完成。
6)基于构建的模型，根据在线的热解炉炉膛温度、炉膛压力以及颗粒进料量数据，在线预测辐射管瞬时磨损量以及监控累计磨损量，计算得到辐射管磨损量为0.027mm/a。
以上实施例一对于本专利计算得到的辐射管的磨损量0.027mm/a与实验检测的辐射管磨损厚度相比，误差在2％左右，由此可说明本发明所采用的方法具有较高的精度。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。