本发明属于生物质热解动力学领域,具体涉及一种通过耦合pso与ga的混合优化算法及数值反演模型确定生物质热解动力学参数的方法。
背景技术:
1、生物质作为可再生资源,在可持续发展和能源转型的背景下,受到越来越多的关注。中国农林生物质废弃物年总量高达12亿吨,传统焚烧和填埋的处理方式不仅污染环境且浪费资源。因此,开发生物质资源的能源利用技术是解决该问题的重要途径。热解是将生物质转化为木炭、生物油和生物质气体等高价值产品的有效方法,确定热解动力学参数是优化热解过程的关键途径。热解动力学参数包括反应路径、指前因子、活化能和反应级数等,其描述了生物质热解反应的速率和路径。准确确定这些参数有助于优化反应条件、改进反应器设计和预测产品分布等。然而,由于生物质组成和反应机制复杂,准确确定热解动力学参数仍然具有挑战性。
2、传统动力学分析方法在处理生物质材料多组分平等或连续热解反应时较为麻烦且精度不高,近年来越来越多的新方法聚焦于通过优化算法和数值反演模型确定复杂反应的动力学参数。但此类方法多采用单一的优化算法,单一算法均有其自身缺陷,如粒子群优化算法(pso)虽收敛效率高,但容易陷入局部最优解;遗传算法(ga)虽能克服此问题,但收敛效率低。
技术实现思路
1、本发明针对现有技术中的不足,提供一种基于pso-ga混合算法的生物质热解动力学参数确定方法。
2、为实现上述目的,本发明采用以下技术方案:
3、基于pso-ga混合算法的生物质热解动力学参数确定方法,其特征在于,包括:
4、建立用于处理热解反应的数值反演模型;
5、确定pso-ga混合算法的适应度函数;
6、采用pso-ga混合算法,通过适应度函数值的比较,寻找出最优的阿伦尼乌斯常数;
7、将最优的阿伦尼乌斯常数代入数值反演模型进行数值反演计算,得到热解反应中各组分的瞬时质量和瞬时质量损失速率。
8、为优化上述技术方案,采取的具体措施还包括:
9、进一步地,所述建立用于处理热解反应的数值反演模型,过程如下:
10、建立如下的热分解反应:
11、vrea,1 comp1+vrea,2 comp2→vpro,1 comp3+vpro,2 comp4;
12、式中,comp1和comp2为反应物的两个组分,comp3和comp4为生成物的两个组分,vrea,1和vrea,2分别是与comp1和comp2相对应的按质量计算的反应物的化学计量系数,vpro,1和vpro,2分别是与comp3和comp4相对应的按质量计算的反应物的化学计量系数;
13、热分解反应的反应速率为:
14、
15、式中,rj为第j个反应的反应速率,和为第j个反应的样品初始质量归一化的两个反应物瞬时质量,t为时间,aj、ej和nj分别为第j个反应的指前因子、活化能和反应阶数,nj=nj,1+nj,2,r为理想气体常数,t为温度;
16、多组分热解反应中,第i个组分的质量损失速率方程为:
17、
18、式中,mi为第i种组分的瞬时质量,nj为热解反应总数,vj,i为第i种组分在第j个反应中的化学反应计量数;
19、得到热解固体残留物总质量m和质量损失速率mlr为:
20、
21、式中,ns和ng分别为固体组分总数和气体组分总数,ms为第s种固体组分的瞬时质量,vj,g为第g种气体组分在第j个反应中的化学反应计量数。
22、进一步地,所述确定pso-ga混合算法的适应度函数,具体如下:
23、
24、式中,r2为适应度函数,nm和nmlr分别为tga实验所测质量和质量损失速率的数据点总数,ml,exp和ml,num分别为瞬时质量的实验结果和模拟结果,mlrl,exp和mlrl,num分别为质量损失速率的实验结果和模拟结果,和分别为ml,exp和mlrl,exp的平均值。
25、进一步地,所述采用pso-ga混合算法,基于确定的适应度函数,寻找出最优的阿伦尼乌斯常数,具体包括如下步骤:
26、s1:首先采用pso优化算法对阿伦尼乌斯常数进行全局搜索,生成经过pso优化的阿伦尼乌斯常数;
27、s2:判断是否满足pso终止条件,若满足,迭代结束,输出优化结果,若不满足,进行步骤s3的操作;
28、s3:选择预设比例的经过pso优化的阿伦尼乌斯常数,采用ga优化算法进行局部搜索,生成经过ga优化的阿伦尼乌斯常数,将经过ga优化的阿伦尼乌斯常数替换部分经过pso优化的阿伦尼乌斯常数,跳转到步骤s1中继续进行pso优化。
29、进一步地,步骤s1中,初始时,对每个反应随机生成一定数量的阿伦尼乌斯动力学三因子,所述阿伦尼乌斯动力学三因子包括前因子、活化能和反应阶数,一组阿伦尼乌斯动力学三因子组成一组阿伦尼乌斯常数;给每组阿伦尼乌斯常数随机分配一个位置,并为每组阿伦尼乌斯常数随机分配一个初始速度;对于每组阿伦尼乌斯常数,根据其位置计算适应度函数值;
30、全局搜索时,比较每组阿伦尼乌斯常数当前位置的适应度函数值与其个体最佳位置的适应度函数值,如果当前位置更优,则更新个体最佳位置;比较所有阿伦尼乌斯常数的适应度函数值,选择适应度函数值最好的阿伦尼乌斯常数作为全局最佳位置;根据阿伦尼乌斯常数的当前速度、个体最佳位置和全局最佳位置,更新每组阿伦尼乌斯常数的速度和位置。
31、进一步地,步骤s2中,所述pso终止条件设定如下:设定适应度函数的最小容许值,如果连续两个pso迭代的最终位置的适应度函数值均小于设定的最小容许值,则证明优化过程已经收敛,迭代结束,最后一步的优化结果为最终解;反之迭代继续。
32、进一步地,步骤s3中,所述采用ga优化算法进行局部搜索,生成经过ga优化的阿伦尼乌斯常数,具体为:随机选择预设比例的经过pso优化的阿伦尼乌斯常数作为父代进行交叉和变异,生成新一代阿伦尼乌斯常数作为经过ga优化的阿伦尼乌斯常数。
33、进一步地,步骤s3中,所述预设比例设置为30%。
34、本发明还提出了一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序使计算机执行如上所述的基于pso-ga混合算法的生物质热解动力学参数确定方法。
35、本发明还提出了一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时,实现如上所述的基于pso-ga混合算法的生物质热解动力学参数确定方法。
36、本发明的有益效果是:本发明提出了一种耦合pso和ga的混合优化算法,并结合数值反演模型,确定生物质热解动力学参数,该混合优化算法收敛效率高且不会陷入局部最优解,在确定生物质材料复杂热解力学参数过程中有独特优势。本发明所提出的方法不局限于生物质材料,还可应用于其他固体可燃材料的热解动力学参数确定。与传统动力学参数分析方法相比,传统分析方法需至少3个(通常要求5个以上)热重加热速率下的数据进行拟合,而本发明所提出的方法只需1个加热速率数据即可确定出全部参数,且收敛效率、参数精度和外推能力均有所提升。本发明所提出的方法实现过程简单、可靠性高、收敛速度快、结果精度高,具有较好的应用前景。