论文部分内容阅读
基于人工神经网络理论对多种燃料混烧进行了研究,揭示了多种燃料混烧过程中所呈现的一些规律,重点讨论了其非线性规律。涉及的内容包括不同煤种分层掺烧(混烧)的优化数学模型构建、流化床中多组分固体废弃物混烧氮氧化物排放规律的实验与预测研究、城市生活垃圾灰熔点的预测研究。
由于本文的研究工作基于人工神经网络理论,因此首先对人工神经网络做了一个概述,重点介绍了文中所运用到的两种神经网络类型—BP人工神经网络和径向基人工神经网络的网络结构、算法和建模的一般步骤。
不同煤种掺烧(混烧)作为一项符合我国国情的煤燃烧技术已得到人们的重视,并将进一步予以推广。由于对混烧的特性尚不够了解,目前采用较多的是用加权平均法对混烧的特性指标进行预测,并以此为基础建立不同煤种掺烧的优化数学模型,采用线性规划的方法求解模型以获得优化掺烧方案。然而,一些实验及理论研究表明,混烧的很多特性指标并不能简单地表示成单煤相应指标的加权平均。鉴于此,本文根据混烧特性指标的实验数据,对混烧特性指标与单煤相应指标之间是否呈线性关系进行了验证。发现混烧的挥发分、发热量、水分、灰分和硫分与各掺烧单煤相应特性指标之间呈线性关系,可采用线性回归公式对混烧的这些特性指标进行预测;而混烧煤灰的软化温度及结渣特性与单煤相应指标呈非线性关系,如果采用线性方法预测将导致较大的误差甚至错误。因此本文采用径向基神经网络建立了混烧煤灰的软化温度预测模型,采用模糊神经网络建立了电站煤粉锅炉的结渣预测模型。检验表明,神经网络模型可达到更为准确的预测效果。基于以上混烧特性指标的预测,建立了新的不同煤种掺烧优化数学模型。以广东某电厂700MW大型燃煤机组锅炉的不同煤种掺烧为算例,对模型进行了效果验证,发现本文模型所得的掺烧方案不仅比直接加权平均模型更准确,而且在该算例中表现出更好的经济性。
采用循环流化床焚烧固体废弃物是固体废弃物处理的发展方向之一,已得到人们的重视。不同种类的固体废弃物在循环流化床中混烧,是值得研究的固体废弃物处理方式。固体废弃物焚烧将导致包括氮氧化物的排放的二次污染,越来越引起人们关注。因此,对流化床中固体废弃物混烧的氮氧化物排放规律进行研究是很有意义的工作。目前主要针对单组分焚烧进行研究,而实际中往往是多组分固体废弃物混烧,其氮氧化物排放规律与单组分焚烧不一致。为了对多组分固体废弃物混烧的氮氧化物排放规律进行认识,在实验室自行设计的循环流化床装置上进行了塑料粉、稻壳、木粉的单独焚烧实验以及它们的混合物混烧实验。对实验结果进行对比分析,揭示了固体废弃物各组分的混合比、炉温及过量空气系数对多组分固体废弃物混烧氮氧化物排放的影响规律。最后基于已知实验数据,以塑料粉和稻壳混烧为例,建立了多组分固体废弃物混烧氮氧化物排放的径向基神经网络预测模型,模型建模简单,不需要事先简化和假设,预测效果准确。
城市生活垃圾灰渣的熔融特性(灰熔点)是热化学处理垃圾的重要特性指标,因此对城市生活垃圾灰熔点的预测是有价值的工作。考虑到城市生活垃圾也属于多组分复杂混合物,本文采用径向基神经网络建立了城市生活垃圾软化温度的预测模型,预测效果优于目前所采用的线性回归方法。