论文部分内容阅读
本文以液化天然气(LNG)翻滚问题为工程背景,研究多组分液体翻滚发生临界条件、翻滚发生时间和持续时间预测模型。翻滚是LNG储存运输过程中较容易发生的—种事故——在LNG储罐内存在密度分层时,环境漏热作用下上层LNG中的甲烷优先蒸发,液体的重组分含量相对升高,密度变大;由于分层界面阻隔了液层间的自然对流运动,下层LNG吸收的热量仅少量通过导热传递至上层液体,导致下LNG的温度升高,密度逐渐降低。当液层间的分界面不稳定时,LNG将会发生翻滚,控制不当,将会对LNG储运安全以及周围环境产生威胁。因此,为了预防LNG翻滚的发生,应该加强对翻滚发生的预测预警,本文利用遗传神经网络对翻滚预测模型进行研究,主要工作和结论如下:(1)构建用于多组分液体翻滚发生条件、发生和持续时间预测的神经网络模型,使用遗传算法优化神经网络的初始权值和阈值,用MATLAB编写遗传神经网络程序代码。(2)以分层多组分液体翻滚过程的计算流体力学模拟算例为基础,通过分析侧壁边界浮升流速度、主流区流场和浓度分布的变化规律以及分层界面的迁移特征,建立了以初始浮力比、侧壁漏热、初始浓度差、初始密度差为输入指标,以临界浓度差、临界密度差和翻滚发生时间为输出指标的指标体系;通过对不同初始条件下翻滚时刻特征指标的提取,获得28组样本数据并进行归一化处理,将样本输入神经网络进行训练并优化,结果表明种群大小为400,进化代数为400,隐含层数为9时训练效果最好,构成了4-9-3的神经网络结构;通过测试样本分析使用随机权值/阈值和遗传算法优化后的权值/阈值仿真误差,表明优化后的网络拟合性更好,预测误差降低了83.63%。将2组LNG模拟计算结果代入该神经网络,与原值相比临界密度差的相对误差最大为7.59%,临界浓度差相对误差最大为7.29%,翻滚发生时间相对误差最大为12.17%。(3)通过分析翻滚过程中的浓度分布云图、边界穿透速度以及储罐中心区的浓度和密度变化规律,建立了以侧壁漏热率、翻滚浓度差、临界密度差、临界穿透速度、最大穿透速度为输入指标,以翻滚持续时间为输出指标的指标体系;通过对不同初始条件下翻滚过程特征指标的提取,获得28组样本数据并进行归一化处理,将样本输入神经网络进行训练并优化,结果表明种群大小为400,进化代数为400,隐含层数为9时训练效果较好,获得最佳网络结构5-9-1;通过测试样本分析使用随机权值/阈值和遗传算法优化后的权值/阈值仿真误差,表明优化后的网络精确度更高,预测误差降低了18.37%。将2组LNG计算结果输入,翻滚持续时间相对误差最大为5.54%。