CC BY
35
УДК 543.4:544.016
А. Р. Мухутдинов, М. И. Садыков, М. Г. Ефимов, Р. И. Сафиуллин
МОДЕЛИРОВАНИЕ ПРОЦЕССА ГОРЕНИЯ СМЕСЕВОГО ТВЕРДОГО ТОПЛИВА
С ИСПОЛЬЗОВАНИЕМ СОВРЕМЕННЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
Ключевые слова: искусственная нейронная сеть, компьютерная модель, горение, твердое топливо, эксплуатационные параметры, прикладное программное обеспечение.
На основе исследований с использованием современных информационных технологий разработана нейросете-вая модель, позволяющая установить влияние эксплуатационных характеристик горения твердого топлива на скорость горения и объем газообразных продуктов. Установлены некоторые особенности и закономерности горения заряда.
Keywords: artificial neural network, computer model, burning, solid fuel, operational parameters, application software.
On the basis of research using modern information technologies, a neural network model has been developed that makes it possible to determine the effect of the combustion performance of solid fuel on the combustion rate and the volume of gaseous products. Certain features and regularities of charge combustion are established.
Введение
В настоящее время одним из эффективных методов установки связи нефтяной скважины с пластом является разрыв пласта пороховыми газами. Он основан на разрушении горных пород за счет одновременного механического и теплового воздействия продуктов горения зарядов устройств. Однако рецептуры этих зарядов заимствованы из военной техники и им присущи серьезные недостатки: сложность, дороговизна и повышенная опасность.
В последнее время смесевые твердые топлива (СТТ) на основе аммиачной селитры (АС) находит широкое применение для интенсификации добычи нефти в различных устройствах. Они хорошо зарекомендовали свои технические характеристики в условиях агрессивной среды нефтяных скважин. Однако выявленные недостатки, связанные с нарушением нормального воспламенения и сгорания СТТ или с преждевременной потерей герметичности, снижают надежность их эксплуатации.
Для устранения вышеперечисленных недостатков был проведен ряд экспериментальных исследований в направлении повышения воспламеняемости СТТ за счет введения каталитических добавок и применения современных информационных технологий.
В тоже время для решения большинства проблем с помощью исследований в нефтяной промышленности необходимо проведение сложных и дорогостоящих экспериментов. Из вышесказанного становиться очевидным значение методов оптимального планирования экспериментов, позволяющих в ряде случаев существенно сократить затраты времени и материальных средств на выполнение исследовательских работ. На современном этапе наиболее универсальным средством для оптимального планирования экспериментов являются прикладные программы, в основе которых лежат искусственные нейронные сети (ИНС) [1-6]. Они позволяют, исходя из одного только эмпирического опыта, строить нейросетевые модели, которые способствуют извлечению знаний из данных и позволяют выявлять ранее не исследованные зависимости и закономерности, активно использовать их для решения конкрет-
ных практических задач. Поэтому изучение возможности использования компьютерного моделирования процесса горения СТТ на основе современных информационных технологий для извлечения новых знаний, является актуальной задачей, имеющей научный и практический интерес.
Объект и методика исследования
Целью данной работы является разработка нейросетевой модели процесса горения СТТ на основе АС для прогнозирования значения выходных параметров (скорость и объем продуктов горения) и ее применение для выявления особенностей этого процесса.
Объектом исследования является процесс горения СТТ, а его основными эксплуатационными параметрами: скорость и объем продуктов горения, от которых зависит эффективность метода (механическое и тепловое воздействие).
Результат прогнозирования скорости горения и объема газообразных продуктов осуществляется компьютерной моделью, основанной на ИНС, в зависимости от следующих параметров: содержание окислителя, горючего и двух катализаторов (%); плотность заряда СТТ (р103, кг/м3) и давление (P106, Па). По экспериментальным данным (61 опыт), полученным на стендовой установке, имитирующей скважинные условия, создавалась база знаний (см. табл.) в среде MS Excel, которая делилась на обучающую (59 примеров) и тестирующую (2 примера) выборки. Значения экспериментальных данных вводились без предварительного отсева экспериментов. Входными данными для обучения являлись: содержание окислителя, %; горючего, %; катализатора 1, %; катализатора 2, %; плотность (р103, кг/м3); среднее давление (P106, Па).
Выходными параметрами являются: скорость горения (u10-3, м/с) и объем газообразных продуктов (V10-3, м3/кг).
Далее проводилось обучение и тестирование ИНС. В программной среде разработки ИНС применялся процесс обучения «с учителем» (табл.1).
Вестник технологического университета. 2017. Т. 20, №19 Таблица 1 - База знаний для нейросетевого моделирования
№ п/п Окислитель, % Горючее, % Катализатор 1, % Катализатор 2, % р103, кг/м3 Р106, Па и-10"3, м/с Г10"3, м3/кг
1 75,45 15,45 4,55 4,55 1,2б 14,95 8,92 349,83
2 79,53 7,14 8,57 4,7б 1,2 14,1 17,82 329,94
3 78,04 7,01 8,41 б,54 1,18 9,95 17,53 232,83
4 78,04 7,01 10,28 4,б7 1,31 11,59 15,б7 254,12
5 81,07 7,28 б,8 4,85 1,1б 10,8б 10,41 271,21
- - - - - - - - -
б1 81,5 7,5 11 0 1,09 3б,2 9,82 58,27
Результаты исследований и их обсуждение
В ходе работы с использованием разработанной базы знаний оптимизирована структура ИНС (сеть с общей регрессией) и оптимальная ее структура [(общее количество скрытых слоев - 3 и количество нейронов в слое: 59), функция активации (логистическая функция) и функция масштаба (линейная функция)]. В соответствии с количеством входных и выходных параметров, определено количество нейронов в первом слое - 6, в последнем - 2. Общее число шагов обучения сетью составило 4320 шагов для выборки из 59 экспериментов.
После тестирования сеть показала максимальную относительную ошибку 5%, что подтверждает возможность данной нейросетевой модели с наименьшей погрешностью прогнозировать скорость горения заряда на основе нитрата аммония и объем газообразных продуктов горения.
С применением разработанной модели были проведены следующие исследования:
• определен уровень значимости входных параметров по влиянию на скорость и объем продуктов горения;
• получены следующие зависимости:
- скорость горения от давления u=f(Р);
- объема газообразных продуктов от давления
V=f(Р)■;
- скорости горения от плотности и=/(р);
- объема газообразных продуктов от плотности
V=f(p)
• проведен анализ полученных результатов.
В ходе определения значимости влияния входных параметров на выходные было выявлено, что давление оказывает значительное влияние на изменение скорости горения и объема газообразных продуктов, что согласуется с литературными данными. Также высокий уровень значимости по влиянию на изменение скорости горения и объема газообразных продуктов имеет плотность заряда. Показатели значимости определяют дальнейший ход исследования, поэтому рассматривалось влияние давления и плотности заряда на скорость горения и объем газообразных продуктов. Для построения зависимостей и проведения их сравнительного анализа, проводился вычислительный эксперимент с помощью нейросе-тевой модели. Поскольку плотность заряда СТТ является регулируемым при исследовании в системе, остановимся подробнее на нем. Графики зависимости скорости горения от давления и=/(Р) и объема газообразных продуктов от давления V=fР) представлены на рис. 1 и 2.
г ЮЛ м/с
150
100
50
/
У
10 20 30 40 50 60 70
90 100 Р' 10«, Па
Рис. 1 - Зависимость скорости горения от давления: ■ - экспериментальная точка
К-10"3, м3/кг-
250 200 150
/
50 О
10 20 30 40 50 60 70 80 90 100 Р-106, Па Рис. 2 - Зависимость объема газообразных продуктов горения от давления: ♦ - экспериментальная точка
пазоне
•лб
По зависимости и=/(Р) (рис. 1) видно, что в диа-давлений от 2010б до 94 10б Па наблюдается плавный рост значения скорости горения с 1,9910-3 до 51,210-3 м/с, а в диапазоне давлений от 94 10б до 102 10б Па наблюдается резкий рост значения скорости горения с 51,210-3 до 147,4б10-3 м/с (на б5,28%).
По зависимости V=fР) (рис. 2) видно, что в диа-
пазоне
давлений
от
2010б
до
10210 Па наблюдается плавное увеличение объема газообразных продуктов с 41,1810-3 до 21б,4510-3 м3/кг.
Следующим этапом работы было определение зависимости скорости горения и объема газообразных продуктов от плотности заряда.
Графики зависимости скорости горения от плотности и=/(р) и объема газообразных продуктов от плотности V=f(р) представлены на рис. 3 и 4.
Рис. 3 - Зависимость скорости горения от плотности заряда: ■ - экспериментальная точка
Рис. 4 - Зависимость объема газообразных продуктов горения от плотности заряда: ♦ - экспериментальная точка
По зависимости и=Др) (рис. 3) видно, что в диапазоне плотностей от 1,05 ■ 103 до 1,20 ■ 103 кг/м3 наблюдается резкий спад значения скорости горения с 50,95-10-3 до 30,26 10-3 м/с (на 40,61%).
По зависимости V=f(p) (рис. 4) видно, что в диапазоне плотностей от 1,03 ■ 103 до 1,21103 кг/м3 наблюдается резкий спад объема газообразных продуктов с 182,3 9 ■ 10-3 до 162,31 ■ 10-3 м3/кг (на 11%).
Выводы
1. Разработана методика решения задач прогнозирования на основе нейросетевой модели процесса горения заряда СТТ с двумя катализаторами.
2. Изучена и показана возможность нейросетево-го моделирования процесса горения заряда СТТ в условиях жидкой среды и давления. Наглядно продемонстрирован прогноз выходных параметров, в данном случае скорости горения и объема газообразных продуктов, на заранее обученной сети, с относительной погрешностью равной 5%. Проведен сравнительный анализ полученных зависимостей.
3. Разработана нейросетевая модель процесса горения заряда на основе твердого топлива, которая учитывает сразу несколько эксплуатационных параметров процесса горения, на основании которой впервые получены зависимости:
- скорость горения от давления u=fP);
- объема газообразных продуктов от давления
V=f(P);
- скорости горения от плотности u=fp);
- объема газообразных продуктов от плотности
v=fp)
4. Установлено, что для зависимости u=fP) в диапазоне давлений от 94-106 до 102-106 Па наблюдается резкий рост значения скорости горения на 65,28%. Для зависимости u=fp) в диапазоне плотностей от 1,05-103 до 1,20-103 кг/м3 наблюдается резкий спад значения скорости горения на 40,61%. Для зависимости V=fp) в диапазоне плотностей от 1,03 ■ 103 до 1,21-103 кг/м3 наблюдается уменьшение значения объема газообразных продуктов на 11%.
Литература
1. Mukhutdinov A.R. Application of a neural network model for revealing specific features and regularities of solid fuel burning process / Mukhutdinov, A.R., Lyubimov P.E. / Thermal Engineering (Englich translation of Teploenergetika) 57 (4), 2010, pp.336.
2. Mukhutdinov A.R. Development of a neural network programming module for predicting the strength properties of solid fuel / Mukhutdinov, A.R., Okulin M.V. / Chemical and Petroleum Engineering 47 (3), 2011, pp.266.
3. Мухутдинов А.Р. Нейросетевое моделирование теплообмена в бензоле при частоте 600 кГц / А.Р. Мухутдинов, З.Р. Вахидова, М.А. Хакимова / Вестник Казан. технол. ун-та. - 2013 - Т.18, № 3. -С. 96-99.
4. 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. тех-нол. ун-та. - 2013 - Т.16, № 2. -С. 76-78.
5. 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.
6. Мухутдинов А.Р. Нейросетевое моделирование и оптимизация сложных процессов и наукоемкого теплоэнергетического оборудования / А.Р. Мухутдинов, Г.Н. Марченко, З.Р. Вахидова / Казань: Казан. гос. энерг. ун-т, 2011. - 296 с.
© А. Р. Мухутдинов - д-р техн. наук, проф. КНИТУ, [email protected]; М. И. Садыков - к.т.н., старший научный сотрудник кафедры «Технологии твердых химических веществ» КНИТУ, [email protected]; М. Г. Ефимов - аспирант кафедры «Технологии твердых химических веществ» КНИТУ, [email protected]; Р. И. Сафиуллин - студент той же кафедры КНИТУ, [email protected].
© A. R. Mukhutdinov - Doctor of technical sciences, prof. KNRTU, [email protected]; M. I. Sadykov - Ph.D., senior researcher of the Department «Technologies of solid chemical substances» KNRTU, [email protected]; M. G. Efimov - postgraduate student of the Department «Technologies of solid chemical substances» KNRTU, [email protected]; R. I. Safiullin - student the same Department KNRTU, [email protected].
