[发明专利]一种反应器内部三维反应场动态实时可视化方法

权利要求书

1.一种反应器内部三维反应场动态实时可视化方法，其特征在于包括如下模块：

运行数据库存取模块、典型工况分析模块、数值仿真模块、数据聚类及标准化模块、深度学习预测模块、三维可视化模块共计六个模块；

其中，运行数据库存取模块、典型工况分析模块、数值仿真模块，均为离线模块；数据聚类及标准化模块、深度学习预测模块、三维可视化模块，均为在线模块；

具体步骤如下：

步骤一：基于运行数据库存取模块，构建反应器的历史运行数据及实时运行数据库

a)从反应器的历史运行数据库中，按照一定时间间隔△t，提取反应器的历史运行数据，历史运行数据包括反应器入口参数、反应器内部监测参数、反应器出口参数；

-反应器入口参数，包括反应器入口进料的成分、入口进料的流量Q_I、入口进料的速度v_I、入口进料的温度T_I，其中，I表示不同的入口反应物种类；

-反应器内部监测参数，包括反应区域的温度值T_x,y,z、压力值P_x,y,z、气体组分浓度C_x,y,z，其中，x,y,z表示笛卡尔坐标系下反应器内部的三维空间坐标位置；

-反应器出口参数，包括反应器出口处的气体流量Q_O、平均温度T_O、平均压力P_O；

b)在反应器运行过程中，按照一定时间间隔△t，提取反应器的实时运行数据，并进行工况分析；

-反应器入口参数，包括反应器入口进料的成分、入口进料的流量Q_I、入口进料的速度v_I、入口进料的温度T_I，其中，I表示不同的入口反应物类型；

-反应器内部监测参数，包括反应区域的温度值T_x、压力值P_x、气体组分浓度C_x，其中，x,y,z表示笛卡尔坐标系下反应器内部的三维空间坐标位置；

-反应器出口参数，包括反应器出口处的气体流量Q_O、平均温度T_O、平均压力P_O；

c)将反应器的历史运行数据和实时运行数据存储于数据库中，构建反应器的运行数据库，并剔除数据异常点及进行数据标准化处理；具体为：

利用K-means算法进行处理，降低数据维度；判断数据中是否包含空值、0值或异常值，如果包括，则用拉格朗日插值法填充数据；而后，对数据进行标准化处理；其中，所述标准化处理公式表示为：

式中，表示第k个样本在n维数据标准化下的生产参数，表示第k个样本按时间序列排列的n维元数据，K为数据集数量，表示第k个样本的n维数据，k＝1,2,…，N，N为数据集数量；

步骤二：基于典型工况分析模块，确定反应器典型基准工况

a)在步骤一中构建的反应器运行数据库，采用K-means均值聚类算法，计算获得反应器运行过程中基准运行工况的数据；

步骤三：基于数值仿真模块，进行基准运行工况下的反应器内部反应场离线三维CFD计算流体动力学数值仿真计算

a)根据反应器入口物料成分及化学反应条件，采用Chemkin软件计算求解各物料间的化学反应过程，获得各基元反应组成及对应的化学方程式，以及各步基元反应的反应动力学参数；

b)根据反应器的运行工艺、结构及尺寸参数，建立反应器的三维计算域物理模型；

c)采用gambit计算域网格划分软件，对反应器的三维计算域模型进行网格划分，对反应器的入口、出口及结构复杂区域，进行网格的局部加密以获得高精度的仿真结果；以及，设置反应器入口、出口及壁面的边界条件类型，设置反应器入口的边界条件为质量入口、反应器出口的边界条件为压力出口、反应器壁面的边界条件为恒温壁面；

d)根据在步骤二中获得的反应器基准工况运行数据，设置反应器三维计算域模型的入口进料成分、入口进料的流量Q_I、入口进料的速度v_I、进料的温度T_I，其中，I表示不同的入口反应物类型；

e)利用高性能计算机和CFD数值仿真平台，采用步骤三a)中获得的化学基元反应，选择湍流流动模型、多相流模型、辐射及反应机理模型，利用在步骤三c)获得的反应器计算域网格模型进行反应器内部的三维化学反应过程求解仿真，模拟得到反应器内部三维空间任意位置坐标(x，y，z)对应的速度(v_x，v_y，v_z，)、温度T_x,y,z、压力P_x,y,z、反应产物组分浓度C_x,y,z的分布数据；其中，湍流流动模型、多相流模型、辐射模型及反应机理模型分别表示为：

在湍流流动模型中，使用可实现k–ε双方程模型模拟反应器内的湍流流动过程；

在多相流模型中，采用基于欧拉-欧拉方法的Mixture模型，其中，连续性方程和动量方程分别表示如下：

式中，ρ_m为密度，为哈密顿算子，v_m为质量平均速度，为质量平均速度的矢量形式，μ_m为混合黏性系数，T为相的温度，表示温度为T情况下的质量平均速度矢量形式，F为体积力，为体积力的矢量形式，B为总相数，k为第k相，g_m为重力加速度，为重力加速度的矢量形式，α_k为第k相的体积分数，ρ_k为第k相的密度，v_dr,k为第k相的滑移速度，为第k相的滑移速度矢量形式；

在辐射模型中，使用P-1辐射模型来模拟辐射热传递，该模型中也包括了离子间的相互辐射，描述辐射通量的方程可表示如下：

式中，β为吸收系数，C_s为散射系数，h为线性各向异性相函数系数，为哈密顿算子，G为入射辐射；

在反应机理模型中，化学反应速率常数遵循阿伦尼乌斯公式，表示如下：

式中，k_a为反应速率常数，Z为摩尔气体常量，T_a为热力学温度，Z_a为表观活化能，A为指前因子，e为自然常数；

f)基于步骤三e)中获得的CFD三维数值仿真结果，采用步骤一中构建的反应器运行数据库进行数据验证和CFD计算模型优化，直至使CFD三维数值仿真结果的计算误差小于5％；

g)反复进行步骤三a)至步骤三f)，计算获得反应器基准运行工况中，各个工况的全部CFD三维数值仿真结果，建立反应器基准运行工况反应过程的仿真数据库；

步骤四：基于数据聚类及标准化模块，对步骤三中建立的反应器CFD三维仿真数据库，采用数据挖掘与主成分分析法进行数据集划分，参数处理，整合冗余，降低维数，经处理后得到8-10个主成分

a)针对反应器的CFD三维仿真数据库，为了减少后续的数据建模数量，每个反应器基准运行工况中随机提取的数据量为2-3万组，数据提取过程中，确保每个工况的数据提取坐标相同；

b)提取的CFD仿真数据信息包括：反应器内部的各计算节点坐标位置(x，y，z)、对应各节点的流体速度(v_x，v_y，v_z，)、旋度φ_x,y,z、反应产物组分浓度C_x,y,z温度T_x,y,z及压力T_x,y,z；

c)采用数据挖掘和主成分分析法，对数据进行相关性分析；具体结合K-means均值聚类算法和降维算法，进行数据集划分及参数处理，以整合冗余数据，进行数据降维，得到8到10个主成分；

步骤五：基于深度学习预测模块，采用回归预测算法及神经网络模型计算得到反应器全运行工况下的三维反应场数据

a)结合回归预测算法及神经网络模型，建立反应器内部反应过程的主要参数快速预测模型，参数包括：三维空间任意位置坐标(x，y，z)对应的速度(v_x，v_y，v_z，)、温度T_x,y,z、压力P_x,y,z、反应产物组分浓度C_x,y,z的分布数据；其中，神经网络模型采用BP神经网络模型，回归预测算法采用lasso回归预测算法，在lasso回归预测算法中，假定lasso模型的损失函数为：

式中，J(β)为损失函数，β_j为回归参数，s为总数据数量，L为特征变量，p为计算数据量，G为实际输出，λ为正则项系数；β_j的选取，使用次梯度的方法，对第一部分求偏导，得到：

每次选取需进行优化并不断迭代得到最优回归系数；

在BP神经网络模型中，输出层为反应器内部的反应场参数(包括三维空间任意位置坐标(x，y，z)对应的速度(v_x，v_y，v_z，)、温度T_x,y,z、压力P_x,y,z、反应产物组分浓度C_x,y,z)，记录每层隐含层节点个数、限定输入层节点数和迭代次数、定义输入层到隐含层权重和隐含层到输出层权重、隐含层的阀值和输出层的阀值，设置学习速率和最小误差；其中，学习率设置范围为0.1到0.6之间，最小误差为1％；

b)基于在步骤四中获得的反应器基准运行工况的数据库，将该数据库中反应器的入口参数作为输入数据集，入口参数包括：入口进料成分、入口进料的流量Q_I、入口进料的速度v_I、入口进料的温度T_I；将经过数据处理得到的8到10个主成分作为输出数据集，进行神经网络模型的训练，主成分包括三维空间任意位置坐标(x，y，z)对应的速度(v_x，v_y，v_z，)、温度T_x,y,z、压力P_x,y,z、反应产物组分浓度C_x,y,z；

c)循环以上过程直至误差满足精度要求或学习次数大于设定的最大次数，训练过程结束；其中，精度要求为预测值误差在5％以内，拟设定的最大学习次数为1000次；

d)采用训练后的神经网络模型，开展反应器全工况下的三维反应场预测，具体将待预测的非典型工况的反应器入口参数与基准运行工况的差值，作为神经网络预测模型的输入变量；将非基准运行工况与基准运行工况的主成分差值作为预测模型的输出变量，开展反应场中主成分的预测；

步骤六：基于三维可视化模块，实现反应器全运行工况下的三维可视化

a)基于步骤五中模型预测得到的非基准运行工况下反应器三维反应场数据，获得反应器三维反应场数据库；

b)将非基准运行工况下的三维反应场数据库与基准运行工况下的三维反应场数据库进行整合，形成全运行工况下的三维反应场数据库；

c)基于全运行工况下的三维反应场数据库，使用OpenGL软件绘制三维反应场图像，构建三维空间任意位置坐标(x，y，z)对应的速度(v_x，v_y，v_z，)、温度T_x,y,z、压力P_x,y,z、反应产物组分浓度C_x,y,z的立体分布云图及数值标尺，实时显示在电脑端软件界面上，进行三维可视化展示。