一种基于数字镜像的催化剂辅助设计方法与流程

本发明属于燃煤脱硝技术领域，具体涉及一种基于数字镜像的催化剂辅助设计方法。

背景技术：

当前，我国对燃煤锅炉污染物排放限值要求越来越严格，大多数燃煤电厂配置有scr脱硝系统以满足燃煤锅炉nox的排放要求。受场地、布局等因素的限制，scr脱硝系统改造空间有限，烟气与scr还原剂充分混合的距离有限，因而进入反应器的流场、浓度场分布容易存在偏差。

此外，部分scr设备的设计投用并非在锅炉设计初期进行的，而是在后期为满足国家环保规定要求加装的。这就使得多数机组在后期scr脱硝系统安装运行之后，存在流场均匀性差等问题。

影响scr脱硝系统运行的两个重要指标为脱硝效率与氨逃逸率。影响scr脱硝性能的不仅有速度、氨氮比、温度、催化剂活性，还与scr反应器内的流场、浓度场的分布有关。脱硝系统内存在流场分布不均、混乱、氨气浓度分布不均等问题，会直接影响脱硝效率与氨逃逸率。随着各种影响参数的不均匀性增加，催化剂的寿命会降低，且流场的不均匀性造成的影响更大。当烟气流场的不均匀性增大时，烟气进入scr反应器时可能会出现局部流速过大或者过小的情况，且由于烟气中含有大量的飞灰，在经过催化剂孔道时如若速度较高，飞灰会磨损催化剂表面，如若速度较低，飞灰堆积于催化剂孔道内，在时间的推移下影响逐步加重。

作为催化剂作为scr脱硝系统的核心，其设计与选型会对脱硝系统性能有很大影响。目前，设计催化剂的主要方法是在设计scr脱硝系统时采用数值模拟的方式进行模拟计算。数值模拟作为一种高效便捷的方式越来越多的应用于scr催化剂的优化设计中。这种通过数值模拟来为催化剂设计提供指导的方法，存在计算周期长等问题。通过数值模拟结果，在设计scr系统时对反应器入口速度与还原剂分布进行限制设定，以使得出口排放达到现行的标准。但对于这种提前设定调整入口风速与还原剂分布的方法，数值模拟计算时间长，不易调整设定，方法较为繁琐复杂，且在现场不易进行操作。

技术实现要素：

发明目的：为了解决现有技术存在的问题，本发明提供一种基于数字镜像的催化剂辅助设计方法，通过该方法进行更有效的催化剂设计、运行优化及换装，从而提高脱硝效率，降低氨逃逸率。

技术方案：为了实现上述发明目的，本发明采用如下技术方案：

一种基于数字镜像的催化剂辅助设计方法，包括如下步骤：

1)建立催化剂单孔道模型，并根据模型进行数值模拟；

2)将scr催化剂入口参数、出口参数作为bp神经网络的训练输入、训练输出数据；利用所述训练输入数据、训练输出数据对bp神经网络进行训练；选取部分数值模拟数据作为测试输入，利用训练所得的bp神经网络模型预测催化剂出口参数，根据bp神经网络建立相应数据库；

3)将催化剂按催化剂自身结构划分为若干个单孔道区域，为模拟现场流场分布不均的情况，为每个单孔道区域设置不同的初始条件；

4)根据每个孔道的初始参数，查询所建立的数据库，获得其出口参数，并将三层催化剂入口、出口参数耦合；

5)根据催化剂出口参数，对催化剂的设计选型以及后续催化剂的运行维护、换装提供辅助信息。

进一步的，所述的步骤1)具体步骤为：建立催化剂单孔道模型，并根据模型进行数值模拟，以获得运行参数对其脱硝性能的影响；建立scr催化剂单孔道模型后，为模型给定不同的初始输入参数，模拟速度范围为3-8m/s、氨氮比范围为0.8-1.2、温度范围为270-360℃、入口no浓度范围为50-500mg/m³，共计1250个样本；根据不同的输入参数进行数值模拟，获得氨逃逸率、出口no浓度输出参数。

进一步的，所述的步骤2)具体步骤为：

2.1)数据采集

将步骤1)中获得的数值模拟结果作为bp神经网络建模的输入、输出数据；并将输入数据利用公式xk＝(xk-xmin)/(xmax-xmin)进行归一化处理，其中xmin、xmax分别为训练输入数据中输入变量的最小值、最大值；2.2)根据公式l<n-1,l＝log2n确定网络隐含层节点数l的范围，其中n、m为输入层节点数，a为1～10之间的整数；根据上式获得隐含层节点数l的范围，之后在范围内根据数次试凑获得所需隐含层节点数l；

2.3)神经网络训练

根据输入数据、各层之间的连接权值、各层阈值，获得隐含层和输出层的输出；并将输出层输出数据与期望输出值进行比较，得到训练误差；根据训练误差，利用梯度修正法不断反向更新网络权值和阈值，直至训练结束；若计算误差小于模型中设定的最小误差，即训练结束；

2.4)神经网络预测

将各scr催化剂单孔道入口初始条件作为测试输入数据，输入到训练结束后得到的bp神经网络模型，预测得到脱硝效率和氨逃逸率作为测试输出。

进一步的，所述的步骤3)的具体步骤为，将催化剂按其自身结构特点划分为若干个单孔道催化剂，为第一层催化剂每个单孔道区域入口处设置初始的速度、氨氮比、温度、入口no浓度。

进一步的，所述的步骤4)的具体步骤为，把步骤3)设置好的入口条件输入到数据库中，经过查找获得对应的出口参数；并将第一层每一单孔道的输出参数作为第二层对应单孔道的输入参数，并继续进行查找数据库的操作，以此类推。

进一步的，所述的步骤5)的具体步骤为，根据催化剂出口参数，如脱硝效率、氨逃逸率，对催化剂的设计选型以及后续催化剂的运行维护、换装提供辅助信息，更加高效、便捷；根据上述方法，对于催化剂入口流场分布不均、内部流场分布不均导致的脱硝效率低下、氨逃逸率问题，通过获取scr催化剂流场的历史数据信息来代表scr脱硝系统实际运行时催化剂的情况；根据历史数据信息以及所建立的数据库，在催化剂设计选型时可以适当调整催化剂的分布结构，运行维护与换装时通过数据库预测换装时间、催化剂失活程度。

发明原理：催化剂的设计是一个比较复杂的问题，涉及到各种因素。传统的催化剂设计一般依赖于以往的设计经验来建立机理或数学模型。这样根据对反应机理的经验认识进行催化剂设计，存在误差大、远离实际等问题，导致其适用范围受到很大限制。本发明对催化剂单一孔道进行数值模拟，并将其结合到整体催化剂模块，可以充分的模拟现场情况，更加贴近实际。利用神经网络建立数据库，实现催化剂相关数据的存储与更新，为催化剂设计、运行优化、换装提供全面、便捷、高效的数据传递与应用。神经网络不是直接反映催化剂各组分性能之间的相互作用，而是通过层层关联，采用非线性隐含式的作用函数更加客观的建立催化剂入口、出口参数之间的耦合关系。神经网络建模是一个黑箱过程，避开了大量时间的数值模拟与繁琐的催化剂反应机理，自动找出输入、输出数据之间的关系，为催化剂设计、运行优化、换装提供大量数据关系。

有益效果：与现有技术相比，本发明的一种基于数字镜像的催化剂辅助设计方法，依据单孔道的脱硝反应情况建立相应数据库，使每一孔道的情况更接近于实际情况，并以多个单孔道模拟整层催化剂模块、以单层催化剂耦合整体催化剂，可以更好的反映scr反应器入口流场、浓度场分布不均的情况，使催化剂设计更加贴近实际；利用数据库存储数值模拟后的大量信息，既避免了数值模拟的计算周期时间长等问题，又避免了数据库存储的信息过于理想化，实现对催化剂在流场不均、浓度场不均等情况下的模拟，以此来为催化剂设计、运行优化、换装提供依据，为催化剂设计与换装、scr脱硝系统运行优化提供指导。

附图说明

图1为scr催化剂单孔道与整体模块示意图；

图2为scr催化剂模块分区示意图；

图3为神经网络建模框图；

图4为初始条件示意图；

图5为计算流程示意图。

具体实施方式

下面结合附图和具体实施实例对本发明进一步说明。

一种基于数字镜像的催化剂辅助设计方法，包括如下步骤：

1)建立催化剂单孔道模型，并根据模型进行数值模拟，以获得运行参数对其脱硝性能的影响；建立scr催化剂单孔道模型后，为模型给定不同的初始输入参数，模拟速度范围为3-8m/s、氨氮比范围为0.8-1.2、温度范围为270-360℃、入口no浓度范围为50-500mg/m³，共计1250个样本；根据不同的输入参数进行数值模拟，获得氨逃逸率、出口no浓度等输出参数；

2)将scr催化剂入口参数、出口参数作为bp神经网络的训练输入、训练输出数据；利用所述训练输入数据、训练输出数据对bp神经网络进行训练；选取部分数值模拟数据作为测试输入，利用训练所得的bp神经网络模型预测催化剂出口参数，根据bp神经网络建立相应数据库；

3)将催化剂按催化剂自身结构划分为若干个单孔道区域，为模拟现场流场分布不均等情况，为每个单孔道区域设置不同的初始条件，如速度、氨氮比、温度、入口no浓度等；

4)根据每个孔道的初始参数，查询所建立的数据库，获得其出口参数，并将三层催化剂入口、出口参数耦合；

5)根据催化剂出口参数，如脱硝效率、氨逃逸率等，对催化剂的设计选型以及后续催化剂的运行维护、换装提供辅助信息，更加高效、便捷；根据上述方法，对于催化剂入口流场分布不均、内部流场分布不均导致的脱硝效率低下、氨逃逸率等问题，可通过获取scr催化剂流场的历史数据信息来代表scr脱硝系统实际运行时催化剂的情况。根据历史数据信息以及所建立的数据库，在催化剂设计选型时可以适当调整催化剂的分布结构等，运行维护与换装时也可以通过数据库预测换装时间、催化剂失活程度等。

步骤2)具体步骤为：

2.1)数据采集

将步骤1)中获得的数值模拟结果作为bp神经网络建模的输入、输出数据。并将输入数据利用公式xk＝(xk-xmin)/(xmax-xmin)进行归一化处理，其中xmin、xmax分别为训练输入数据中输入变量的最小值、最大值；

2.2)根据l<n-1,l＝log2n公式确定网络隐含层节点数；其中n、m为输入层节点数，a为1～10之间的整数；根据上式获得隐含层节点数l的大致范围，之后在范围内根据数次试凑获得最佳隐含层节点数；

2.3)神经网络训练

根据输入数据、各层之间的连接权值、各层阈值，获得隐含层和输出层的输出，并将输出层输出数据与期望输出值进行比较，得到训练误差；根据训练误差，利用梯度修正法不断反向更新网络权值和阈值，直至训练结束；若计算误差小于模型中设定的最小误差，即训练结束；

2.4)神经网络预测

将各scr催化剂单孔道入口初始条件作为测试输入数据，输入到训练结束后得到的bp神经网络模型，预测得到脱硝效率和氨逃逸率作为测试输出。

步骤3)具体步骤为：

将催化剂按其自身结构特点划分为若干个单孔道催化剂，为第一层催化剂每个单孔道区域入口处设置初始的速度、氨氮比、温度、入口no浓度等；

步骤4)具体步骤为：

把步骤3)设置好的入口条件输入到数据库中，经过查找获得对应的出口参数；并将第一层每一单孔道的输出参数作为第二层对应单孔道的输入参数，并继续进行查找数据库的操作，以此类推。

图1显示出了scr单孔道模型与催化剂整体关系示意图，整体模块包括三层催化剂。scr反应器中催化剂采用模块放置，其层数取决于所需的催化剂反应表面积。典型的布置方式为布置2～3层催化剂层。整体模块研究虽可以更好的模拟实际运行中催化剂的流场情况，但是由于催化剂微孔内的结构与分布十分复杂，对其反应情况的研究应针对微元体开展。单孔道脱硝反应是衡量整个催化剂脱硝能力的重要因素。将催化剂整体按其结构分为若干个单孔道，每个单孔道不同的入口条件可以很好的模拟流场、浓度场分布不均的情况。

图2所示，将实际的scr催化剂单孔道简化为是一个方形通道简化模型，烟气由烟气入口进入通道后，烟气沿气流方向完成脱硝过程，其脱硝过程是由流动、传热传质与脱硝反应共同组成的。其中传质过程包括随气体流动引起的反应气体输运，以及因浓度梯度引起的反应气体扩散。当nh3和烟气混合物经过催化剂层时，反应过程为：在孔道内，反应成分(no、nh3)从烟气主流扩散至催化剂孔道壁面，进而在催化剂壁面的微孔内扩散。之后吸附于催化剂上，并在催化剂上进行化学反应。生成的n2和h2o从催化剂表面上解吸附。解吸附后反应生成物在催化剂壁面的微孔内向外扩散，然后从催化剂孔道壁面向烟气主流扩散。即完成一次微观反应。催化剂孔道内不断的进行以上的反应以实现脱硝过程。最终由烟气出口流出，并进入下一层催化剂对应的通道。

如图2所示的催化剂模块分区示意图，将每层催化剂根据催化剂自身结构分成若干块单孔道区域，每个单孔道区域大小相同。对每个单孔道设置以不同的初始流场、浓度场条件，即可模拟scr反应器入口烟气流场、浓度分布不均的情况。对其中一个单孔道进行多组初始条件的数值模拟，获得神经网络模型的原始数据。

图3为本发明实例的bp神经网络模型的拓扑结构图。本发明构建的bp神经网络分为3层，包括输入层、隐含层、输出层。其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。bp算法利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。其学习过程为，由信号的正向传递到误差的反向传递。利用图2所建立的催化剂单孔道模型的数值模拟结果，进行bp神经网络建模。经过正向传播与反向传播过程，不断减小网络误差，优化网络。

bp神经网络建模主要包括采集阶段、训练阶段、预测阶段、优化阶段。采集阶段即将数值模拟所获得大量的结果数据作为神经网络建模训练用数据。由于输入数据之间的具有数量级差异，需要对输入数据进行归一化处理。输入变量中第k个数据的归一化处理结果为：

xk＝(xk-xmin)/(xmax-xmin)

其中xmin为训练输入数据中输入变量的最小值，xmax为最大值。

bp神经网络训练时先进行初始化。隐含层节点数对网络的预测精度影响很大，根据下式进行确定隐含层节点数l的范围：

l<n-1

l＝log2n；

其中n为输入层节点数，m为输出层节点数，a为1～10之间的整数。根据上式获得隐含层节点数l的范围，之后在范围内根据数次试凑获得最佳隐含层节点数l。

确定输入层、隐含层、输出层的节点数之后开始进行bp神经网络的训练。根据输入数据、各层之间的连接权值、各层阈值，获得隐含层和输出层的输出。并将输出层输出数据与期望输出值进行比较，得到训练误差。根据训练误差，利用梯度修正法不断反向更新网络权值和阈值，直至训练结束。若计算误差小于模型中设定的最小误差，即训练结束。

不断改变scr催化剂单孔道入口的初始条件，将各初始条件作为测试输入数据，对测试输入数据进行归一化处理后，输入到训练结束后得到的bp神经网络模型，即可得到对应测试的输出数据。

本发明实例的初始条件示意图如图4所示。对于整体催化剂模块，将催化剂按如图2所示分区，且各个单孔道区域初始条件设置如图4所示。为每个单孔道区域入口处设置初始的速度、氨氮比、温度、no浓度等。反应中，放热与向外界传递的热量损失较小，可以忽略其对气体温度的影响，认为脱硝过程是在恒温下进行的。

计算流程如图5所示。根据图4所示设置好第一层催化剂的初始条件，给定已知输入，并根据给定条件查找数据库，从而通过数据库给定输出参数。目前已有研究表明，首层催化剂的脱硝不均匀程度对第二层催化剂入口氨氮比不均匀分布影响较大，进而会影响第二层的催化剂脱硝效果。因而本发明的实例对三层催化剂进行整体应用。并将上层催化剂的出口结果作为下层催化剂的入口条件，即将输出参数传递给下一层催化剂。再利用下层催化剂的入口条件查找数据库获得输出参数，以此类推。

综上所述，应用于本发明所述的一种基于数字镜像的催化剂设计方法，可实现催化剂设计、运行优化、换装，引入bp神经网络进行数值模拟数据分析，得到催化剂信息数据库。极大的缩短了催化剂设计过程中数值模拟的计算周期时间，使得催化剂设计、运行优化与换装更加高效便捷，以提高scr脱硝系统脱硝效率、降低氨逃逸率。

以上对本发明的方法与具体实施方法进行了详细的介绍，并给出了相应的实施实例。当然，除上述实例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明所要保护的范围之内。