气化工艺的反向设计装置及方法制造方法及图纸

一种气化工艺的设计方法，包括如下步骤：确定原料特征和设计需求，所述设计需求即设计目标取值范围；根据所述原料特征和设计需求，给出设计变量的假定值，利用所述假定值和经验公式计算得到设计变量初始值；根据得到的设计变量初始值，确定反向设计的设计变量优化范围；通过非支配模糊排序法对得到的初始种群中的个体进行排序；采用带有模糊目标权系数的谱系聚类法对所有非支配个体进行聚类，最后利用非支配模糊排序法对不同类进行排序，获取最符合设计要求的设计变量与设计目标区间。反向设计对设计目标的要求更宽泛，设计变量更全面，设计过程具有更明确的方向性，设计结果更加符合设计需求，工作量大大减小，且不要求设计者有丰富的经验。

【技术实现步骤摘要】
气化工艺的反向设计装置及方法
本专利技术涉及气化工艺设计领域，尤其涉及一种气化工艺的反向设计装置及方法。
技术介绍
气化工艺设计包含三个主要内容：设计变量、设计目标和设计方法。设计方法是气化工艺设计的核心内容，传统设计方法大致可分为两种：经验法和试错法。经验法是最常用的方法，主要依据设计者的经验来假设相关参数并配合相关经验公式进行设计，由于气化工艺设计问题的复杂性，该方法很难同时考虑多个设计目标，且一般只能对气化炉结构参数进行设计，无法设计运行参数。试错法主要通过模拟大量工况来寻找满足设计目标的设计变量，常用的模拟仿真模型有动力学模型、热力学平衡模型(ThermodynamicEquilibriumModel，TEM)和人工神经网络模型(ArtificialNeura1Networks，ANN)，动力学模型较为复杂，模拟前需确定很多参数，因此较少用于气化工艺初设计，TEM是一种简单易行的理想化模型，其假定气化过程中的多个化学反应在离开气化反应器时都达到了化学平衡状态，并基于质量守恒、能量守恒与化学平衡分析对气化反应结果进行预测，本文档来自技高网...

【技术保护点】
1.一种气化工艺的设计方法，其特征在于，包括如下步骤：/n步骤1：确定原料特征和设计需求，所述设计需求即设计目标取值范围；/n步骤2：根据步骤1中的原料特征和设计需求，给出设计变量的假定值，利用所述假定值和经验公式计算得到设计变量初始值；/n步骤3：根据步骤2得到的设计变量初始值，确定反向设计的设计变量优化范围，并将所述优化范围作为多目标遗传算法的优化范围，在优化范围中随机产生规模为N的初始种群Pt，即得到多个包含所有设计变量的个体，每个个体中的设计变量值均在优化范围中随机产生，使用热力学平衡模型-人工神经网络模型和相关公式计算每个个体的适应度，即根据设计变量值确定相应的设计目标值；/n步骤4...

【技术特征摘要】
1.一种气化工艺的设计方法，其特征在于，包括如下步骤：
步骤1：确定原料特征和设计需求，所述设计需求即设计目标取值范围；
步骤2：根据步骤1中的原料特征和设计需求，给出设计变量的假定值，利用所述假定值和经验公式计算得到设计变量初始值；
步骤3：根据步骤2得到的设计变量初始值，确定反向设计的设计变量优化范围，并将所述优化范围作为多目标遗传算法的优化范围，在优化范围中随机产生规模为N的初始种群Pt，即得到多个包含所有设计变量的个体，每个个体中的设计变量值均在优化范围中随机产生，使用热力学平衡模型-人工神经网络模型和相关公式计算每个个体的适应度，即根据设计变量值确定相应的设计目标值；
步骤4：通过非支配模糊排序法对步骤3中得到的初始种群Pt中的个体进行排序，对排序后的种群进行遗传算法的“选择、交叉、变异”操作，产生新种群Qt，将初始种群Pt和新种群Qt合并为过渡群体Rt，通过非支配模糊排序法对过渡种群Rt中的个体进行排序，选择前N个优势个体放入新种群Pt+1中，当新种群Pt+1符合多目标遗传算法设定的收敛标准时，输出所有非支配个体，进入步骤5，否则重复步骤4；
步骤5：采用带有模糊目标权系数的谱系聚类法对步骤4输出的所有非支配个体进行聚类，计算聚类过程最后5步的PSF值，选择PSF值最大的一组聚类结果，把每类看成由各个设计变量和设计目标组成的区间集，随机从每类设计变量区间集中产生10～100个样本，通过TEM-ANN模型预测方法进行检验，并调整设计目标区间，最后利用非支配模糊排序法对不同类进行排序，获取最符合设计要求的设计变量与设计目标区间。


2.根据权利要求1所述的方法，其特征在于，在步骤1中，所述原料特征包括工业分析数据、元素分析数据和原料低位热值；所述工业分析数据包括水分、灰分、挥发分和固定碳的含量；所述元素分析数据包括C％、H％和O％。


3.根据权利要求1所述的方法，其特征在于，所述步骤3中对于气化工艺的TEM-ANN模型预测方法的步骤具体包括：
子步骤31：收集包含原料特征、气化炉结构参数、运行参数和对应气化产气结果的实际工况样本，建立数据库，并用所述实际工况样本对ANN进行训练与检验；
子步骤32：给定原料特征、气化炉结构参数和运行参数，并假定气化温度，并通过训练好的ANN得到相应工况下的气化产气组分浓度；
子步骤33：根据质量守恒方程和ANN得到的气化产气组分浓度，求解相应工况下1摩尔生物质原料气化产生的各产物组分的摩尔数，利用各产物组分摩尔数和能量守恒方程求解气化温度；
子步骤34；计算子步骤33中计算的气化温度和子步骤32中输入ANN的气化温度之差，若两者之差小于1K，输出气化温度和各气体组分浓度，否则，返回子步骤32。


4.根据权利要求1所述的方法，其特征在于，步骤3对于气化工艺的TEM-ANN模型预测方法的步骤中，还包括根据所述气化产气组分浓度和原料特征计算得到产气热值、产气率和气化效率的步骤，具体计算公式如下：
LHVg＝0.126·CO％+0.108·H2％+0.359·CH4％；






其中，Gp为产气率，Nm3/kg，nCO、为1摩尔生物质原料气化产生的各气体组分的摩尔数，Mb为1摩尔气化生物质的质量，单...

【专利技术属性】
技术研发人员：陈冠益，赵晟，颜蓓蓓，陶俊宇，李健，马文超，程占军，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12