System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及加氢机。更具体地说,本专利技术涉及一种基于神经网络的加氢机整体管路设计方法。
技术介绍
1、氢能具有能量密度大、热值高、可储存、可再生、可电可燃、零污染、零碳排等优点,可广泛应用于能源、交通运输、工业、建筑等领域,被誉为21世纪最具发展前景的清洁能源之一。加氢机作为加氢站中的核心装备之一,是作为给氢能源汽车加氢过程的终端装备。随着国内加氢技术的逐渐成熟,为实现快速加注,对加氢机提出了大流量的需求。而加氢机要做到大流量,需要加氢机内部管路、阀门、传感器等均具有大流通能力,即氢气流经过程中压损较低。目前,现有技术中暂无成熟方法能够得到加氢机整体管路中所有管阀件的整体压损来判断加氢机包含接头、阀门、传感器等部件的整体管路的设计是否满足实际需要。
技术实现思路
1、本专利技术的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
2、为了实现根据本专利技术的这些目的和其它优点,提供了一种基于神经网络的加氢机整体管路设计方法,包括以下步骤:
3、s1、根据加氢机的出口压力以及流量要求,选择构成加氢机整体管路所需的管阀件;
4、s2、将各管阀件划分为具有cv值的第一类部件和不具有cv值的第二类部件;
5、s3、根据各管阀件的布置顺序以及设计的氢气流量,以下游车载气瓶压力为位于末端的部件的出口压力,按从末端到首端的顺序依次计算各管阀件的压损;其中,
6、对于所述第一类部件,以出口压力和cv值为输入参数,建立进口压力神经
7、对于所述第二类部件,根据圆管缩径或扩径压降计算公式分别计算各所述第二类部件的压损;
8、s4、汇总得到加氢机整体管路的压损;
9、s5、与上游瓶组压力进行对比校核,判断加氢机整体管路设计是否满足要求,满足要求则完成加氢机整体管路的设计,不满足要求则返回步骤s1重新选择管阀件。
10、优选的是,步骤s3中,所述第一类部件的压损具体由以下步骤得到:
11、a1、建立样本数据集,所述样本数据集包括各所述第一类部件的进口压力、出口压力和cv值的历史数据或测试数据;
12、a2、搭建神经网络模型;
13、a3、应用所述样本数据集训练所述神经网络模型,得到所述进口压力神经网络预估模型;
14、a4、将对应的所述第一类部件的出口压力和cv值输入所述进口压力神经网络预估模型,得到预估的进口压力,进而得到所述第一类部件的压损。
15、优选的是,步骤a1中所述样本数据集具体由以下步骤得到:
16、a1.1、收集n组各所述第一类部件的进口压力、进口温度、出口压力和流量的历史数据或测试数据;
17、a1.2、按以下公式计算步骤a1.1中各组历史数据对应的cv值,
18、
19、
20、式中,p1为进口压力;p2为出口压力;n2=6950,为常数;q为流量;△p=p1-p2为压损;gg为氢气与空气的比重;t1为进口温度;
21、a1.3、选取各组数据中的进口压力、出口压力和cv值作为对应的所述第一类部件的样本数据集。
22、优选的是,步骤a2中,所述神经网络模型包括输入层、隐藏层和输出层;其中输入层包含2个神经元,分别为出口压力和cv值;隐藏层包含10个神经元;输出层包含1个神经元,为进口压力。
23、优选的是,步骤a3具体包括:将所述样本数据集按照70%、15%、15%的比例随机分为训练样本、验证样本和测试样本,采用levenberg-marquardt算法对所述训练样本进行训练,训练次数为1000次,期望达到的误差为10-10;训练完成后,分别对训练结果、验证结果和测试结果进行mes值和r值拟合效果分析。
24、优选的是,步骤s3中,对于所述第二类部件具体通过以下公式计算其压损,
25、k1=0.5(1-β2)
26、k2=(1-β2)2
27、
28、式中,k1为缩径阻力系数;k2为扩径阻力系数;β为所述第二类部件的直径与进口或出口处管路直径的比值;v1为进口或出口处管路内的氢气流速;v2为所述第二类部件内的氢气流速。
29、本专利技术至少包括以下有益效果:
30、本专利技术提供的基于神经网络的加氢机整体管路设计方法,通过对所选择的管阀件进行分类,分别利用cv值和缩径或扩径尺寸,结合神经网络计算模型和理论计算公式,得到各管阀件的压损,进而汇总得到加氢机整体管路的压损,然后与上游瓶组压力与下游车载气瓶压力进行对比校核,判断所选的管阀件是否满足设计需求,尤其适用于大流量的加氢机整体管路设计,可有效提高加氢机整体管路的可靠性。
31、本专利技术的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的加氢机整体管路设计方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于神经网络的加氢机整体管路设计方法,其特征在于,步骤S3中,所述第一类部件的压损具体由以下步骤得到:
3.如权利要求2所述的基于神经网络的加氢机整体管路设计方法,其特征在于,步骤A1中所述样本数据集具体由以下步骤得到:
4.如权利要求2所述的基于神经网络的加氢机整体管路设计方法,其特征在于,步骤A2中,所述神经网络模型包括输入层、隐藏层和输出层;其中输入层包含2个神经元,分别为出口压力和Cv值;隐藏层包含10个神经元;输出层包含1个神经元,为进口压力。
5.如权利要求2所述的基于神经网络的加氢机整体管路设计方法,其特征在于,步骤A3具体包括:将所述样本数据集按照70%、15%、15%的比例随机分为训练样本、验证样本和测试样本,采用Levenberg-Marquardt算法对所述训练样本进行训练,训练次数为1000次,期望达到的误差为10-10;训练完成后,分别对训练结果、验证结果和测试结果进行MES值和R值拟合效果分析。
6
...【技术特征摘要】
1.一种基于神经网络的加氢机整体管路设计方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于神经网络的加氢机整体管路设计方法,其特征在于,步骤s3中,所述第一类部件的压损具体由以下步骤得到:
3.如权利要求2所述的基于神经网络的加氢机整体管路设计方法,其特征在于,步骤a1中所述样本数据集具体由以下步骤得到:
4.如权利要求2所述的基于神经网络的加氢机整体管路设计方法,其特征在于,步骤a2中,所述神经网络模型包括输入层、隐藏层和输出层;其中输入层包含2个神经元,分别为出口压力和cv值;隐藏层包含10个神经元;输出层...
【专利技术属性】
技术研发人员:李红,赵钰,杨凡,李松,宋满华,
申请(专利权)人:中石化石油机械股份有限公司氢能装备分公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。