CC BY
17
УДК 543.4:5.44.2
А. Р. Мухутдинов, З. Р. Вахидова, М. В. Двоеносова
ИССЛЕДОВАНИЕ ОСОБЕННОСТИ ГОРЕНИЯ ФРЕЗЕРНОГО ТОРФА НЕЙРОСЕТЕВЫМ МОДЕЛИРОВАНИЕМ
Ключевые слова: нейросетевая модель, фрезерный торф, горение твердого топлива, влажность, теплота сгорания.
На основе исследований с использованием нейросетевой модели были установлены некоторые особенности процесса горения фрезерного торфа.
Keywords: neural network model, milled peat, burning solid fuel, moisture, heat of combustion.
On the basis of studies using neural network model were established some features of the combustion process of milled peat.
Введение
Известно, что горение торфа является сложным нестационарным процессом, зависящим от ряда параметров. Применение данного твердого топлива на электрических станциях обусловлено его составом: большим содержанием углерода, высоким выходом летучих веществ, малым содержанием серы, вредных негорючих остатков и примесей. Основными недостатками являются: низкая, чем у угля теплота сгорания и трудность сжигания из-за высокого содержания влаги [1].
В настоящее время компьютерное и математическое моделирование является одним из наиболее прогрессивных методов изучения сложных процессов [2-5]. Однако, в ходе исследования при помощи существующих математических методов, часто наблюдается картина, когда отдельные экспериментальные точки не ложатся на кривую [в частности, при аппроксимации полиномами по методу наименьших квадратов (при одинаковых условиях эксперимента)]. Как правило, такие точки не учитываются при представлении в научных изданиях, то есть, принимаются за ошибку [1, 5-8].
Повышение эффективности работы теплоэнергетического оборудования возможно только на основании точного моделирования. Сложность построения математической модели процесса горения фрезерного торфа существующими методами заключается в том, что выходная характеристика зависит более чем от двух входных параметров. Кроме того, при увеличении размерности задачи, резко возрастает сложность ее решения, что делает невозможной единую программную реализацию для случаев произвольной размерности. Методы исследования на основе искусственных нейронных сетей позволяют при моделировании сложных процессов учитывать их нестабильность.
Методика и оборудование эксперимента
Разработанная по экспериментальным данным (35 опытов) [1] (табл. 1) в программной среде по методике [5] нейросетевая модель прогнозирует эксплуатационные характеристики горения торфа (в частности - теплоту сгорания), в зависимости от следующих параметров: влажности,
зольности, степени разложения, выхода летучих веществ, содержания серы, плотности. При создании модели было принято допущение, что кислородный баланс в топке постоянен и составляет а=1,25 [1].
Исследование влияния влажности (W) на зависимость теплоты сгорания от плотности (Q=f(y)) проводилось в диапазоне плотности 150^415 кг/м3. Ранее полученные результаты исследования зависимости теплоты сгорания от влажности (Q=f(W)) показали, что в диапазоне влажности от 6,5% до 7,5% наблюдается стабильность процесса горения [6]. Поэтому для проведения дальнейшего вычислительного эксперимента нейросетевой моделью, разработанной в работе [6], был выбран диапазон значений влажности W= 6,5^7,5 %.
По экспериментальным данным [1] (табл. 1) была создана база знаний в среде MS Access. Значения экспериментальных данных вводились без предварительного отсева экспериментов, где по теплоте сгорания получен большой разброс.
Таблица 1 - База знаний для нейросетевого моделирования [6]
№ опыта W, % A,% R, % V,% S,% кг/м3 Q, ккал/ кг
1 8,5 2,9 15,5 72,8 0,2 150 5050
2 7,1 3 19,5 71,6 0,2 200 5380
3 8,6 3 15 72,9 0,22 155 5100
4 7,5 4 21,6 70,4 0,29 190 5390
5 7,4 5 20,8 69,4 0,33 180 5475
- - - - -- - - -
10 7,3 11,5 19,2 71 0,21 175 5475
20 8 14 21,4 70,8 0,34 245 5400
- - - - - - - -
35 9,1 17 25,8 68,2 0,55 415 5850
Затем база данных помещалась в свободно распространяемую среду №итоРго, где создавалась компьютерная нейросетевая модель: определялись входные и выходные параметры, структура искусственной нейронной сети. В качестве входных данных для обучения использовались: влажность -зольность - А, степень разложения - Я, выход летучих веществ - V, содержание серы - 8, плотность - у. Выходным параметром является теплота сгорания - р.
После чего происходило обучение и тестирование нейронной сети. В ходе работы выбирались оптимальная структура искусственной нейронной сети (определено количество скрытых слоев - 2, нейронов в слоях: 24; 12), функция активации (сигмоидная функция) и метод оптимизации (сопряженные градиенты). Общее число шагов обучения методом сопряженных градиентов составило 465 шагов для выборки из 35 экспериментов.
После тестирования сеть показала максимальную относительную ошибку 3,3 %, что подтверждает возможность данной нейросетевой модели точно прогнозировать теплоту сгорания торфа.
Результаты экспериментов и их обсуждение
С применением разработанной
нейросетевой модели было проведено исследование влияния влажности торфа на зависимость его теплоты сгорания от плотности при различных значениях влажности, а также проанализированы полученные результаты.
Исследование новых зависимостей Р=:(у) при различных значениях влажности ^=6,5; 7,3 и 7,5 %), позволило уточнить выявленные ранее оптимальные значения эксплуатационного параметра влажности торфа.
Первоначально исследовалась зависимость теплоты сгорания от плотности при W=6,5 % кривая (2) (рис.1).
50001--1-------г—г
1511 175 200 225 т.кг/м*
Рис. 1 - Влияние влажности на зависимость теплоты сгорания от плотности:
1 - экспериментальная кривая, полученная после аппроксимации;
2 - кривая, полученная на основе нейросетевой модели ^=6,5 %);
3 - кривая, полученная на основе нейросетевой модели ^=7,3 %);
4 - кривая, полученная на основе нейросетевой модели ^=7,5 %);
- экспериментальные точки;
- точки воспроизводимости нейросетевой модели;
х - точки, принимаемые в литературных данных за ошибку
Нейросетевая модель выявила резкое снижение теплоты сгорания в диапазоне плотности 225^245 кг/м3 с максимальным спадом при 245 кг/м3. На данном участке наблюдается падение значения теплоты сгорания на 6,5%. Таким образом, подтверждаются результаты, полученные в предыдущем исследовании [6]. При этом в диапазоне плотности 175^225 кг/м3 наблюдается стабильное горение.
Далее исследовалась Q=f(f) при ^=7,3% и №^=7,5%. В отличие от предыдущего случая нейросетевые кривые (3) и (4) носят более выраженный волновой характер. Так при W=7,3 % в диапазоне плотности 195^203 кг/м3 наблюдается спад теплоты сгорания на 4,9%, в диапазоне плотности 203^218 кг/м3 происходит рост теплоты сгорания на 7%, а в диапазоне плотности 218^245 кг/м3 значение теплоты сгорания снова падает на 8,9 %. Тот же характер кривой повторяется и при W=7,5 %. Однако в тех же диапазонах значений плотности рост и падение теплоты сгорания значительнее и составляет, соответственно 5,4 %, 7,7 % и 8,6 %.
Из сравнения представленных зависимостей (рис. 1) следует, что изменение влажности с 7,3 % до 7,5 % не оказывает существенного влияния на характер зависимости 0=:(у). Однако, во всем изученном диапазоне плотности повышение влажности приводит к снижению стабильности процесса горения. Следует также отметить, что нейросетевая модель при изменении значения влажности в определенных диапазонах показывает снижение значения теплоты сгорания. Это ярко выражено при значении влажности 6,5% в диапазоне плотности 225^245 кг/м3. При значениях влажности 7,3 % и 7,5 % в диапазоне плотности 195^245 кг/м3 отмечаются пики роста и спада значений теплоты сгорания. Максимальное увеличение значения теплоты сгорания для влажности 7,3 % составило 7 % при р=5680 Ккал/кг, для влажности 7,5 % - 7,7 % при р=5690 Ккал/кг, соответственно. Данные значения незначительно выше (~2 %) значений теплоты сгорания, приводимых в справочной литературе [8]. Таким образом, целесообразно выдерживать плотность в диапазоне 175^224 кг/м3 при значении влажности 6,5%. При всех исследуемых значениях влажности ^=6,5; 7,3 и 7,5 %) моделируемые кривые фиксируют уменьшение теплоты сгорания с ростом плотности. Также необходимо отметить, что нейросетевые кривые (2), (3), (4) проходят через точки, значительно удаленные от
экспериментальной кривой (1), что позволяет учесть особенности процесса горения торфа.
Проведенные исследования с
использованием нейросетевой модели выявили особенности, учитывающие нестабильность процесса горения торфа, а также показали влияние на теплоту сгорания влажности в условиях постоянного кислородного баланса в топке.
Выводы
1. Показана возможность применения нейросетевой модели для исследования процесса горения торфа.
2. С использованием нейросетевой модели выявлены новые зависимости, объясняющие закономерность ошибок и учитывающие нестабильность процесса горения торфа.
3. Установлено, что нейросетевая модель при изменении влажности торфа в определенных диапазонах плотности показывает увеличение разброса значений теплоты сгорания. Выявлено, что зависимость Q=f(y), полученная с помощью нейросетевой модели со значениями влажности 7,3 % и 7,5 % в условиях постоянного кислородного баланса в топке, имеет схожий характер.
4. Уточнены результаты исследования, полученные на предыдущем этапе: стабильное горение наблюдается в диапазоне плотности 175^224 кг/м3 при значении влажности 6,5 %.
5. Показана перспективность применения нейросетевого моделирования для прогнозирования эксплуатационных параметров процесса горения торфа в теплогенерирующем оборудовании для повышения надежности и эффективности их работы, энерго- и ресурсосбережения.
Литература
1. Попов В.М., Шабаров А.М., Гущин А.И., Базов И.А. Энергетическое использование фрезерного торфа. - М.: Энергия, 1974. - 304 с.
2. Мухутдинов А.Р. Нейросетевая оптимизация процесса сжигания твердого топлива в энергетических установках для минимизации вредных выбросов / А.Р. Мухутдинов, З.Р. Вахидова, Г.М. Мухутдинова / Вестник Казан. технол. ун-та. - 2013 - Т.16, № 2. - С. 76-78.
3. Мухутдинов А.Р. Повышение эффективности работы котла ТП-230 за счет нейросетевых технологий / А.Р. Мухутдинов, З.Р. Вахидова, П.Е. Любимов / Вестник Казан. технол. ун-та. - 2011 - Т.14, № 21. - С. 91-94.
4. Мухутдинов А.Р. Оптимизация рецептуры образца аммиачно-селитренного состава для термоимплозионной обработки призабойной зоны пласта по характеристикам прочности / А.Р. Мухутдинов, И.Ф. Садыков / Вестник Каз. гос. технол. ун-та. 2001. Часть №1. С.149-153.
5. Мухутдинов А.Р. Нейросетевое моделирование процесса горения твердого топлива и повышение эффективности теплогенерирующего оборудования. Казань: Изд-во Казанского ВВКУ, 2008. - 288 с.
6. Мухутдинов А.Р., Двоеносова М.В. Разработка нейросетевой модели и применение ее для выявления новых закономерностей процесса горения фрезерного торфа. // Промышленная энергетика. - М.: НТФ «Энергопрогресс», 2010 - №1, С. 39-41.
7. Хзмалян Д. М., Каган Я. А. Теория горения и топочные устройства. - М.: Энергия, 1976.
8. Роддатис К.Ф., Полтарецкий А.Н. Справочник по котельным установкам малой производительности. / Под ред. К.Ф. Роддатиса. - М.: Энергоатомиздат, 1989.
© А. Р. Мухутдинов - д-р техн. наук, проф. КНИТУ, [email protected]; З. Р. Вахидова - канд. техн. наук, доц. КФУ, [email protected]; М. В. Двоеносова - руководитель проектов ICL КП, [email protected].
© A. R. Mukhutdinov - Doctor of Science, prof. KNRTU, [email protected]; Z. R. Vahidova - Ph.D. in Science KFU, [email protected]; M. V. Dvoenosova - project manager ICL KP, [email protected].
