专利名称：散堆填料塔液泛气速预测的集成方法
技术领域：
本发明涉及散堆(乱堆)填料塔设计阶段重要参数预测方法的技术领域，特别涉及一种通用的适合散堆填料塔中液泛气速的预测方法。
背景技术：
塔设备常用于工业生产中的精馏、吸收、萃取以及冷却过程中的传热与传质。填料塔具有生产能力大、分离效率高、压力降小、操作弹性大和持液量小等优点，在精细化工、石油化工、医药、环保等行业都得到广泛应用。尤其在石油化工中，与精馏和吸收塔相关的能耗占了很大的比例。因此，填料塔的操作越接近其最大的有效生产能力，装置的生产效率越闻，相应的能耗越少。塔内液泛的发生是现有工业填料塔在操作时主要存在的问题，它破坏了塔的正常操作，也是限制其运行效率不高、能耗大的重要原因。塔中发生液泛时的速度称为液泛气速，也称泛点气速。一般来说，液泛点是填料塔的操作极限。对于大部分填料，气速达到液泛点时，传质效率会迅速下降。填料塔只有在泛点气速下才能稳定操作，但如果操作气速太低又会造成气液的分布不均匀及投资浪费。同时，液泛气速也是计算在给定液相负荷下塔的最大承载能力的必要参数，是填料塔设计的重要依据。因此，确定各种类型填料的液泛气速也变得尤为重要，准确的预测液泛气速对填料塔的设计与操作都具有重要的意义。迄今为止，利用各种机理和操作条件建立了不同形式的液泛气速预测模型，在工业应用上主要依靠传统的经验公式(或相应的关联图)。但是这些经验模型都需特定的填料常数，其通用性较差。另外，随着各种新型填料的出现，许多条件与经验公式并不相符，使模型的预测效果降低。因此，由于各种限制条件，至今还没有较准确且通用的模型适合某类工业填料塔的应用。在实际生产操作中，考虑到传统液泛预测模型的准确性低和适用范围等因素，大多数塔的操作指标都远低于最大有效能力。为防止液泛的发生，实际操作速度一般在液泛气速50%以下，即实际工作点远离最佳工作点。这种保守操作导致了塔生产能力和分离效率不高，经济效益较差，能耗显著增加。因此，这些传统模型在工业应用中都还有较大的局限，不能满足工程应用以及激烈的市场竞争和需求，有必要建立一种准确度较高，通用性较强的液泛气速模型以适应工程应用。随着过程数据能够及时获得，各种数据驱动的建模方法得到广泛研究和应用，但用于液泛气速预测的却很少。经文献检索发现，一种反向传播神经网络(BP-NN)曾用于液泛气速的建模和预测，虽然BP-NN方法的非线性建模能力较强，但存在训练费时、拓扑结构难确定和推广能力差等问题，且当样本较少时，易出现过拟合问题。最近，最小二乘支持向量机回归(LSSVR)在不少化工过程建模中获得了较好的效果。LSSVR采用结构风险最小化原则和核技巧，较NN等方法能提高模型在限样本情况下的建模能力和泛化能力。同时，LSSVR采用等式约束，避免了求解耗时的二次规划问题，训练速度很快。这为液泛重要参数，如液泛 气速的建模和预测提供了新方法。同时，考虑到实际工业生产中的填料种类繁多，加上相关的液泛数据并不好获得，使得采集的液泛数据出现多样性和不平衡性的特点。此时，单一模型并不能很好地提取数据中的相关特征信息。因此，本发明提供了一种集成方法，能够针对不同类型填料的气速进行预测。
发明内容
本发明提供了一种散堆填料塔液泛气速的预测方法，针对以上所述的现有填料塔中液泛气速预测技术中存在的不足和缺陷，提出一种基于LSSVR的集成模型预测方法，可以较有效的针对液泛数据的特点，提取相关特征信息，提高模型的预测精度。一种散堆填料塔液泛气速的预测方法，包括:(I)将从以往的填料塔液泛实验中采集的相关液泛数据集作为一个样本，分析填料塔液泛的特征及影响因素，确定液泛气速模型的输入和输出。首先，选择影响液泛的流动参数作为模型的输入变量，主要有液相雷诺数Ra、斯托克斯数S\、伽利略数Ga^及填料层厚度校正系数Sb和填料球形度输出变量为Lockhart-Martinelli参数(x )。这些流动参数组成一个样本，用[Xi,;^]表示，其中Xi表不第i个样本的输入变量(每个样本包含5个输入变量)，Yi表不该样本的输出变量。模型的输出和输入变量的函数关系式可表示成下式:
权利要求
1.一种散堆(乱堆)填料塔中液泛气速的预测方法，其特征在于:采用一种无监督聚类算法对散堆填料塔的液泛数据进行聚类，用聚类后得到的子集分别建立相应的子模型，利用这些子模型对液泛气速进行预测，所得子模型预测再进行加权融合，以得到最终预测结果。使用该集成模型，可以对各种类型的散堆填料塔中的液泛气速进行较准确的预测。
2.如权利要求1所述的一种散堆填料中液泛气速的预测方法，其特征在于包括以及几个步骤: (1)将从以往的填料塔液泛实验中采集的相关液泛数据作为建模样本集，分析填料塔液泛的特征及影响因素，确定液泛气速模型的输入和输出。
(2)采用模糊C均值(FCM)聚类算法将液泛样本数据集聚类成若干个样本子集，通常子集个数为3飞个。
(3)对聚类后的每个样本子集进行单独学习训练，采用最小二乘支持向量机回归(LSSVR)算法，建立液泛气速预测的LSSVR子模型。
(4)分别使用这些LSSVR子模型对液泛气速进行预测，得到若干组预测值，由一种加权最小二乘法(WLS)对其进行融合，得到的结果为液泛气速的最终预测值。
3.根据权利要求2所述的散堆填料塔中液泛气速的预测方法，其特征在于所述的液泛模型的输入和输出分别为:液相雷诺数Ra、斯托克斯数sty伽利略数、填料层厚度校正系数Sb、以及填料球形度炉作为模型的输入变量，Lockhart-Martinelli参数x则为输出变量。
4.根据权利要求3所述的散堆填料塔中液泛气速的预测方法，其特征在于其液泛气速与模型输出的关系为:
5.根据权利要求2所述的散堆填料塔中液泛气速的预测方法，其特征在于所述的步骤(2)中的FCM聚类算法在进行聚类中心初始化时，根据液泛数据各输入变量的特征属性确定初始聚类中心。
6.根据权利要求2所述的散堆填料塔中液泛气速的预测方法，其特征在于所述的步骤(3)中的LSSVR模型的核函数采用径向基(RBF)核函数，数学表达式为K(x，xi)=exp(-| !X-XiI |2/2σ2)，其中，x、xi表示液泛样本数据，σ为核函数参数宽度系数。
7.根据权利要求6所述的散堆填料塔中液泛气速的预测方法，其特征在于在采用液泛数据样本建立模型的过程中，正则化参数Y和宽度系数σ的数值采用交叉验证选择方法确定，确定的过程为: 首先，确定正则化参数Y和宽度系数σ的选择范围,通常2°彡Y彡28, 2-1 ^ σ彡24;然后确定这两个参数的交叉计算的间距，通常以2的倍数为间隔；在选择范围内对两参数进行交叉计算，直到模型对样本数据的训练误差之和最小为止，所确定的参数(Y，σ )即为模型LSSVR的参数。
全文摘要
散堆填料塔中液泛气速的预测方法，采用一种无监督聚类算法对散堆填料塔的液泛数据进行聚类，用聚类后得到的子集分别建立相应的子模型，利用这些子模型对液泛气速进行预测，所得子模型预测再进行加权融合，以得到最终预测结果。使用该集成模型，可以对各种类型的散堆填料塔中的液泛气速进行较准确的预测。
文档编号G06Q50/04GK103106545SQ20131004795
公开日2013年5月15日 申请日期2013年2月6日 优先权日2013年2月6日
发明者刘毅, 李常跞, 高增梁 申请人:浙江工业大学