本发明涉及浸没式顶吹喷枪，尤其涉及一种基于机器学习的冶炼旋流干粉喷枪设计方法及系统。
背景技术：
1、浸没式顶吹喷枪(top-submerged lance,tsl)工艺是一种通过一支经过特殊设计的竖直安装的喷枪将高流量的射流或射流-颗粒物由顶吹喷枪注入高温熔池中的浸入式喷吹方法。而射流-颗粒同轴旋流因其具有低载荷以及良好的动量/热传递效率等优点在各种工业过程中备受关注。在冶炼过程中，安装有旋流器的浸没式顶吹喷枪将轴向射流转化为混沌旋流后夹带颗粒注入高温熔池中，反应炉内的颗粒在旋流的扰动作用下呈螺旋运动，增强了相间的动量和质量传递性能，提升了颗粒的熔化、反应速率。然而，在实际应用过程中，气相对固体颗粒的切向夹带作用和相间的四向耦合，这种瞬时的复杂流动具有较强的各向异性行为，且螺旋运动的气-固两相流所呈现的混沌非线性特性导致了工业设备的设计和工艺的优化在很大程度上依赖于实际经验。因此，全面了解同轴气-固旋流的运动机理、流动模式、气相旋流强度、颗粒分散和湍流流动结构有利于提高气相和固相之间的动量、热量和质量传递效率以及优化反应器装置。
2、目前，关于研究同轴射流-颗粒旋流主要依靠实验测量来探讨其流形流态和颗粒行为，并分析影响旋流强度和颗粒分散特征的因素。然而，由于工业尺度反应器内多相信息的局部和瞬时细节复杂且测量成本高，周期长，众多学者开始使用计算流体力学(cfd)与离散单元法(dem)耦合研究颗粒-颗粒或颗粒-壁面相互作用。研究发现旋流夹带颗粒加速运动并提升了反应器的运行性能，而旋流强度直接影响了颗粒在反应器内的运动及分散特性。旋流的非线性运动特征导致反应器内呈现多尺度湍流运动特性，改变旋流器结构会使得这种湍流运动变得更为复杂。该方法为理解气-固旋流系统的基础物理规律提供深入而全面的见解。
3、在上述描述中，虽然cfd-dem耦合技术能够详细模拟颗粒-流体相互作用以及颗粒运动轨迹，但它在处理高度非线性和复杂的多相流动问题时，cfd-dem模拟可能需要消耗大量的计算资源和时间，这限制了其在设计优化中的应用效率，仍存在局限性。因此本发明引入机器学习中的人工神经网络(ann)技术与cfd-dem相结合来深入了解旋流混沌干粉喷枪的几何结构对喷枪的旋流强度和湍流强度的影响，建立二者间的非线性映射关系，以此来优化喷枪的结构，提高其性能和使用寿命。
4、现有技术一，中国专利，申请号：cn201910751432.9公开了一种拉瓦喷射浸没式顶吹喷枪，涉及有色金属冶炼技术领域，包括中空的枪体，枪体为圆筒形，枪体的一端为封闭端，另一端为开口端，其特征在于，所述枪体的内腔从封闭端至开口端依次分为混合段、输送段、旋流段和紊流段，一燃料管从封闭端中心同轴向穿入枪体中并延伸至紊流段中，枪体内的燃料管外套设有一导压管，封闭端的枪体外安装有端压取样器，端压取样器插入枪体内并连接导压管；混合段的枪体侧壁上开有至少两个流体接口；枪体内安装有至少一个拉瓦尔喷射装置，拉瓦尔喷射装置位于任意相邻的两个流体接口之间；旋流段的枪体内安装有旋流器。虽然结构简单、流体混合均匀、安全可靠、使用寿命长，但是在处理高度非线性和复杂的多相流动问题时，需要消耗大量的计算资源和时间。
5、现有技术二，中国专利，申请号：cn202110223827.9公开了一种浸没式顶吹转炉，包括顶吹转炉本体，顶吹转炉本体顶部设有物料进出口，物料进出口内插入有浸没式顶吹喷枪。炉子的反应效率高，利用浸没式顶吹熔池熔炼，物料可以连续加入炉内，减少停炉加料时间，提高熔炼作业率。由于浸没式顶吹喷枪可以直接插入熔池，且浸没式顶吹喷枪内设有旋流器，浸没式顶吹喷枪对熔池的搅动剧烈，物料混合更为均匀，提高了炉子内的反应效率。顶吹转炉设置了探测棒，可以随时对熔体取样分析，减少停炉取样的次数，炉温保持恒定，炉寿更长。顶吹转炉的支撑采用托圈、托辊组合结构，采用大小齿轮传动，虽然使传动更平稳，克服炉体的振动冲击，但是同时也减弱了对液相区域的搅拌能力。
6、现有技术三，中国专利，申请号：cn202010588955.9公开了顶吹熔炼设施的改造方法、连续炼铜设施及方法，顶吹熔炼设施的改造方法包括：取消顶吹吹炼设施的转炉或吹炼炉；降低顶吹熔炼设施的顶吹熔炼炉的炉膛高度；取消顶吹熔炼炉的单支浸没式顶吹主喷枪；在顶吹熔炼炉的顶部设置彼此间隔开的至少三支顶吹熔炼喷枪；在顶吹熔炼炉上增设铜锍排放口；取消顶吹熔炼设施的沉降电炉的电极和电极配套装置，在沉降电炉的顶部设置彼此间隔开的至少三支顶吹吹炼喷枪，以将沉降电炉改造为顶吹吹炼炉；通过流槽将顶吹熔炼炉的铜锍排放口与顶吹吹炼炉的铜锍进口相连。顶吹熔炼设施的改造方法虽然可以充分利用现有顶吹熔炼设施，还可利于产出高品位铜锍，为连续吹炼创造条件，还可降低连续炼铜的投资成本，但是会致喷枪环形管壁和中心管外壁面的摩擦系数迅速增大，从而导致喷枪寿命短。
7、目前现有技术一、现有技术二以及现有技术三存在处理高度非线性和复杂的多相流动问题时，需要消耗大量的计算资源和时间、同时也减弱了对液相区域的搅拌能力以及会致喷枪环形管壁和中心管外壁面的摩擦系数迅速增大，从而导致喷枪寿命短的问题，为解决上述问题，本发明提供了一种基于机器学习的冶炼旋流干粉喷枪设计方法及系统。
技术实现思路
1、本发明的主要目的在于提供一种基于机器学习的冶炼旋流干粉喷枪设计方法及系统，以解决现有技术中处理高度非线性和复杂的多相流动问题时，需要消耗大量的计算资源和时间、同时也减弱了对液相区域的搅拌能力以及会致喷枪环形管壁和中心管外壁面的摩擦系数迅速增大的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、一种基于机器学习的冶炼旋流干粉喷枪设计方法，所述熔池熔炼旋流混沌干粉喷枪结构参数优化方法,包括：
4、使用cfd-dem耦合软件对不同结构参数配置下的旋流混沌干粉喷枪进行模拟计算；在cfd-dem耦合软件中提取流场的关键特征参数，通过关键特征参数计算流体的切向动量与轴向动量之比，形成目标参数；
5、将流场特征参数与目标参数相匹配，构建数据集，将数据集进行清洗；将数据集分为训练集和验证集，根据训练集训练人工神经网络模型；并使用验证集评估训练好的人工神经网络模型；
6、分析人工神经网络模型中各个超参数对模型性能的影响；确定对目标参数影响最大的结构参数，并设定参数组合；计算出参数组合的目标参数，根据计算结果选择个体进行交叉和变异，形成适应度最优参数组合；
7、计算达到最大迭代次数或适应度函数收敛，若达到了将新的模型组合进行仿真验证，若没有达到则继续进行交叉和变异。
8、作为本发明的进一步改进，形成目标参数的过程，包括：
9、对旋流混沌干粉喷枪进行局部加密，旋流叶片边界处和喷枪出口处等关键位置，使用cfd-dem耦合软件对不同结构参数配置下的旋流混沌干粉喷枪进行模拟计算；
10、在cfd-dem软件中提取出流场的关键特征参数；
11、其中，关键特征参数包括每个数据点的密度、坐标、切向速度utan、轴向速度uaxi，喷枪环形管内径r，环形区到混合区的范围由r0到r1，喷枪的特征长度l，射流的速度u及积分体积v；
12、通过参数计算流体的切向动量通量与轴向动量通量之比sn以及喷枪内射流的湍流强度。
13、作为本发明的进一步改进，计算流体的切向动量通量与轴向动量通量之比sn以及喷枪内射流的湍流强度的过程，包括：
14、在cfd-dem软件中提取出流场的关键特征参数；
15、计算流体的切向动量通量与轴向动量通量之比sn；sn的方程表述为：
16、
17、式中，snlocal表示切向动量通量与轴向动量通量之比，表示局部区域的动量分布特征，gangular,local表示局部区域的切向动量通量，表示流体在切向方向上的动量传递，glinear,local表示局部区域的轴向动量通量，表示流体在轴向方向上的动量传递，r表示半径，通常指流场的特征半径或某个特定区域的半径，ρ表示流体的密度，表示单位体积内流体的质量，r表示径向距离，表示从流场中心到某一点的距离，uaxi表示轴向速度，表示流体在轴向方向上的速度分量，utan表示切向速度，表示流体在切向方向上的速度分量，r0表示积分下限，通常表示流场的内边界半径，r1表示积分上限，通常表示流场的外边界半径；
18、引入气相的喷枪内射流的湍流强度雷诺数re和湍流雷诺tre用于评估喷枪内射流的湍流强度；其中，re被定义为惯性力与摩擦力之比，而tre被定义为流体湍流动能kg与摩擦力做功w之比，其表达式列为：
19、
20、
21、式中，re表示雷诺数，表示惯性力与粘性力之比，用于评估流体的湍流强度，ρg表示气相流体的密度，表示气相流体单位体积内的质量，ug表示气相流体的特征速度，表示气相流体在某个特征长度上的速度，l表示特征长度，表示流场的特征尺寸，通常是流场的宽度或高度，μg表示气相流体的动力粘度，表示气相流体的粘性特性，tre表示湍流雷诺数，表示流体湍流动能与摩擦力做功之比，用于评估湍流的强度，kg表示气相流体的湍流动能，表示气相流体中湍流运动的能量，v表示流体的体积，表示流场中流体的总体积，表示平均速度平方，表示流体速度的均方值，表示平均速度的平方，表示流体平均速度的平方值，w表示摩擦力做功，表示流体中摩擦力所做的功，μ表示流体的动力粘度，表示流体的粘性特性，表示速度梯度，表示流体速度在某个方向上的变化率，nv表示法向量，表示流场中某个方向上的单位向量，<ui′uj′>表示雷诺应力张量，表示流体中速度脉动的相关性。
22、作为本发明的进一步改进，使用验证集评估训练好的人工神经网络模型的方程，包括：
23、将流场特征参数与目标参数相匹配，构建数据集，对数据集进行清洗等操作；将数据集以80％训练集和20％验证集进行划分；
24、使用网格搜索方法调节人工神经网络模型，选择损失函数最小的人工神经网络模型进行训练；根据训练集训练人工神经网络模型，通过反向传播算法调整网络参数，并采用早停策略避免过拟合；
25、使用验证集评估训练好的人工神经网络，计算人工神经网络模型在验证集上的误差指标；设置阈值，若超出阈值，则重新调整人工神经网络模型；若低于阈值，则进行特征提取并分析。
26、作为本发明的进一步改进，构建数据集的过程，包括：
27、检查数据集中的缺失值；若出现缺失则采用均值填充进行处理如下：
28、j′＝1
29、
30、式中，xi′指缺失值所在位置的值，n′表示数据集中非缺失值的总数，xi′j′表示第i′个样本或数据点的第j′个特征值；
31、绘制各个机构参数和流程特征值的箱形图；计算每个参数的上四分位数、下四分位数和四分位距，确定上下限阈值；低于下限或高于上限的值标记为异常值；通过替换或删除等方法分析异常值；
32、将提取到的结构参数和流场特征进行标准化处理；标准化公式如下：
33、
34、其中，xnorm为标准化后的数据，x为原始数据，μ为数据的均值，σ为数据的标准差。
35、作为本发明的进一步改进，训练集训练人工神经网络模型的过程，包括：
36、设计人工神经网络模型网络结构，选择relu作为激活函数，选用huner loss作为损失函数；将训练集输入至人工神经网络模型中，并使用adam优化器对人工神经网络模型进行调整网络的权重和偏置；
37、其中，人工神经网络模型网络结构输入层(包含7个输入特征：叶片长度、叶片旋转角度、叶片安装高度、叶顶间隙、叶片厚度、ch4管直径、混合区长度)、若干隐藏层和输出层(包含3个输出特征：sn,re,tre)；
38、确定学习率、隐层数量、节点数、批量数和批量大小等草参数的取值范围；将所有超参数构成一个网格；对于网格中每一种超参数组合，使用训练集对人工神经网络模型进行训练；
39、使用验证集对每次训练后的人工神经网络模型进行均方误差、准确率等验证，设置阈值，选择与阈值相比误差最小的超参数组合对应的人工神经网络模型作为最终人工神经网络模型。
40、作为本发明的进一步改进，形成适应度最优参数组合的过程，包括：
41、采用shap重要性评估方法，分析人工神经网络模型中的各个结构参数对目标参数的影响；通过目标特征重要性的分析，确定对目标参数影响最大的关键结构参数，设定参数组合，将组合输入至训练好的人工神经网络模型中，预测对应的目标参数；
42、通过人工神经网络模型预测输出的目标参数与实际参数的差距，调整参数组合，采用遗传算法随机生成初始结构参数种群；不断迭代优化，直至达到最大迭代次数或函数收敛，最后得到适应度最优参数组合；
43、选取适应度最优参数组合进行cfd-dem仿真验证，并对验证后的性能进行测试矫正。
44、作为本发明的进一步改进，预测对应的目标参数的过程，包括：
45、设收集训练人工神经网络数据集，数据包括输入特征和对应的目标参数；在模型训练完成后，使用shap方法计算每个输入特征对目标参数的贡献值；设置贡献值标准，进行对比，选择贡献值高于标准的特征；
46、根据对比的得到的贡献值，对其进行重要性排序；其中贡献值越高，表示该特征对目标参数影响越大，相对重要性就越高；根据排序结果，选择排列第一的关键特征；
47、将选定的关键特征组合输入至训练好的人工神经模型中进行目标参数的预测；通过实际参数与预测参数进行对比，若高于某个阈值，则重新进行训练和预测；重复上述步骤，直至最大迭代次数或到达预设标准。
48、作为本发明的进一步改进，采用遗传算法随机生成初始结构参数种群的过程，包括：
49、通过特征重要性的分析，确定对目标参数影响最大的关键结构参数，并设定参数组合，将参数输入至训练好的人工神经网络模型中，预测对应的目标参数；
50、通过人工神经模型预测输出目标参数与实际目标参数之间的差距，调整结构参数，使差距最小化；
51、随机生成初始结构参数种群，并通过人工智能网络模型预测每个参数组合的sn、re以及tre；计算每个组合的适应度函数，即sn、re以及tre预测值与目标sn、re以及tre间的差距；根据适应度函数选择表现较好的个体进行交叉和变异，生成新的参数种群；
52、重复选择、交叉和变异的过程，不断迭代优化，直至达到最大迭代次数或是适应变函数收敛；最终适应度最优的参数组合进行cfd-dem仿真验证；设置验证阈值，若高于阈值，将继续进行根据适应度函数选择个体进行交叉和变异，生成适应度最优参数组合。
53、为实现上述目的，本发明还提供了如下技术方案：
54、一种基于机器学习的冶炼旋流干粉喷枪设计系统，其所述的熔池熔炼旋流混沌干粉喷枪结构参数优化方法，包括：
55、流场模拟与数据采集模块，用于使用cfd-dem耦合软件对不同架构参数配置下的旋流混沌干粉喷枪进行模拟，计算前对旋流叶片边界处和喷枪出口处的网格进行加密；在cfd-dem耦合软件中提取流场的特征参数；对每个数据点的密度、坐标、切向速度以及轴向速度来计算流体的切向动量通量与轴向动量通量之比以及喷枪内射流的湍流强度，并将计算后的数据传输至数据清洗及模型训练模块；
56、数据清洗及模型训练模块，用于将流程热证参数与计算后的数据相匹配，构建数据集；检查数据集中缺失值，利用数据分布的箱型图方法描述数据的分布以及识别异常值；并对提取的结构参数和流场特征进行标准化处理；将处理后的训练集输出至人工神经网络模型中，使用网格搜索方法调节模型；通过反向传播算法调整网络参数，使损失函数值减小；使用验证集评估训练好的人工神经网络模型；
57、模型训练和验证模块，用于通过特征重要性分析，确定目标参数影响最大的关键结构参数，并设定参数组合；将设定参数组合输入至训练好的人工神经网络模型，预测对应的目标参数；通过人工神经网络模型预测输出的目标参数与实际目标参数相比较，调整结构参数差距最小化；采用遗传算法随机生成初始结构参数种群，并通过人工智能网络模型预测每个参数组合的sn、re以及tre；计算每个组合的适应度函数，即sn、re以及tre预测值与目标sn、re以及tre间的差距；设置适应度函数阈值，选择与阈值相差最小的个体进行交叉和变异，形成新的参数种群；重复选择、交叉和变异的过程，不断迭代优化，直至达到最大迭代次数或适应度函数收敛；将最适应度最优参数组合进行cfd-dm仿真验证；设置验证阈值，若高于阈值，将继续进行根据适应度函数选择个体进行交叉和变异，生成适应度最优参数组合。
58、本发明通过结合计算流体力学(cfd)与离散单元法(dem)耦合技术和人工神经网络(ann)技术，能够快速预测不同结构参数组合的旋流数(sn)、湍流强度雷诺数(re)和湍流雷诺数(tre)，有效缩短设计周期；再通过遗传算法(ga)对参数组合进行迭代优化，结合ann模型预测输出的目标参数值，基于适应度函数选择表现优异的个体进行交叉和变异，逐步减少预测值与目标值之间的差距；不仅提高了优化效率，还提升了结果的精确性和可靠性；最终，将优化后的参数组合进行cfd-dem仿真验证，证明其稳定性和高效性，确保能够达到预期的性能指标。