基于神經網絡的旋風分離器分離效率研究

胡江瑋，陸金桂

(南京工業大學 機械與動力工程學院，江蘇 南京 211816)

0 引言

旋風分離器是一種普遍應用于發電、機械、礦山等行業，具有結構簡單、分離效率高、性能穩定等優點的設備[1]。

分離效率是旋風分離器的主要工作性能，而旋風分離器的結構尺寸對分離效率有較大的影響。為了設計更高性能的旋風分離器，現階段人們采用CFD的方式對旋風分離器的結構和性能進行了研究。Khairy等[2]研究了進氣口截面寬度對旋風分離器的流場分布和分離性能的影響，孫勝等[3]研究了進氣口結構與旋風分離器分離效率之間的規律，多數學者研究了單一結構對旋風分離器分離效率的影響，在多個結構參數變化的復雜情況下，李昌劍等[4]提出了基于響應曲面法的旋風分離器分離效率模型。本文應用計算流體力學Fluent軟件對Stairmand HE型高效旋風分離器進行兩相流數值模擬，以分離器的多個結構參數為輸入，利用BP神經網絡非線性擬合強的優點，建立基于神經網絡的旋風分離器分離效率模型，旨在預測不同結構參數下的旋風分離器分離效率。

1 仿真計算

1.1 計算模型

旋風分離器的結構看似簡單，但內部卻存在復雜的三維湍流運動，需要對模型進行一定的簡化。進行數值模擬計算時先把空氣當做是連續相，顆粒視為離散相，計算的步驟是先對連續相的流場進行求解，接著再添加離散相，依據離散相顆粒受力方程獲得顆粒的運動軌跡。

連續相采用RNG模型計算。其湍動能和耗散率方程[5]為：

(1)

(2)

其中：

μeff=μ+μt

(3)

(4)

式中：Gk為由平均速度梯度引起的湍動能；Gb為由浮力影響引起的湍動能；YM為可壓縮湍流脈動膨脹對總耗散率的影響，αε、αk分別為湍動能和耗散率的有效普朗特數的倒數。

在Fluent中，針對顆粒體積分數<10%的氣-固兩相流的模擬通常使用離散相模型(DPM)進行計算，用隨機軌道模型對顆粒運動進行追蹤，在拉格朗日坐標系下，顆粒軌跡求解微分方程為：

(5)

其中：

(6)

(7)

(8)

式中：u為流體相速度，m/s；μp為顆粒速度，m/s；μ為流體動力黏度，Pa·s ；ρ為流體密度，kg/m3；ρp為顆粒密度，kg/m3；dp為顆粒直徑，mm；Re為相對雷諾數；CD為曳力系數；gx為X方向重力加速度，m/s2；Fx為X方向的其他作用力，N。

1.2 旋風分離器模型

本文以Stairmand HE型高效旋風分離器為對象，建立三維實體模型，進行數值模擬計算。旋風分離器的結構模型如圖1 所示，表1為旋風分離器初始結構參數。

圖1 旋風分離器結構模型

表1 旋風分離器的幾何尺寸 mm

1.3 邊界設定

旋風分離器模型入口速度設置為16 m/s；升氣管出口設置為自由流出(outflow)，流量為1；排塵口設置為自由流出(outflow)，流量為0；湍流強度設置為10%；流體介質設置為空氣，密度為1.094 kg/m3，黏度為1.789×10-5Pa·s；固體顆粒密度為2 100 kg/m3，質量流量為0.001 kg/m3；選擇PRESTO法對壓力梯度進行處理，采用二階精度QUICK差分格式，壓力耦合選擇SIMPLE算法處理[6]。

1.4 分離效率

對于分離效率的計算采用顆粒跟蹤法。當顆粒射入分離器時便開始跟蹤，經過分析粒子在分離器內的運動情況，將碰到排塵口的顆粒看作是被捕集、除掉的顆粒；碰到升氣管上端面的顆粒被認為是逃逸的顆粒。這樣總分離效率由式(9)所得：

(9)

2 數值仿真計算結果

通過數值模擬得到了流場和粒子軌跡的計算結果。Y=0剖面上的切向速度云圖如圖2 所示。切向速度在軸心處接近于0。Z=791截面上的速度矢量圖如圖3 所示。從圖3中可以看出，在旋風分離器內部氣流大致可分為2 個區域，即外旋轉氣流和內旋轉氣流。

圖2 Y=0剖面上的切向速度分布

圖3 Z=791圓柱和圓錐交界面上的速度矢量

旋風分離器內1～100μm粒子的運動軌跡圖如圖4 所示。顆粒在旋風分離器中的運動狀況非常復雜，且帶有很大的隨機性，其運動軌跡隨著顆粒粒徑的不同而有較大變化。

圖4 粒子運動軌跡

Y=0剖面上壓力分布云圖如圖5所示。從圖中可以看出，剖面上壓力由軸心向壁面方向不斷增大，存在明顯的徑向梯度，這是由旋流中離心力造成的。

圖5 Y=0剖面上壓力分布

3 分離效率的神經網絡預測

BP神經網絡是一種包括輸入層、隱含層及輸出層的三層神經網絡。網絡上下層之間實現權連接，而每層節點之間沒有連接，輸入參數正向傳播，誤差逆向傳播。BP神經網絡是一個具有高度非線性的信息處理系統，能對旋風分離器的結構參數和分離效率之間的非線性關系進行學習。通過學習樣本輸入和輸出值，設計網絡的隱含層與每層的結點，并設定學習速率和允許誤差，然后進行訓練[7]。BP神經網絡的容錯能力能容納計算分離效率過程中的不確定因素，并對結構參數和分離效率之間的非線性關系建模，其泛化能力能夠預測旋風分離器在其他參數水平下的分離性能。

3.1 旋風分離器設計參數的選取

為了建立神經網絡分離效率模型，參考一定的文獻，選取了對旋風分離器分離效率影響較大的3個結構：排塵口直徑Dd、直筒段高度Hc、升氣管直徑Dx，把與分離器筒體截面直徑D的比值即Dx/D、Dd/D、Hc/D作為神經網絡輸入層[8]。表2為3個結構參數的取值范圍。

表2 主要設計參數的取值范圍

把設計參數的最小值、中間值、最大值定為三水平，建立以Dx/D、Dd/D、Hc/D為輸入，以分離效率Z為因變量的17個實驗樣本組，其中前12組為BP神經網絡模型學習訓練組, 后5組為模型驗證組對建立的神經網絡模型進行驗證。表3列出了1-12組的樣本參數。

表3 神經網絡模型學習訓練樣本

3.2 BP神經網絡參數設定

神經網絡的隱含層節點數在神經網絡中有著重要的地位，節點的數目影響著神經網絡的學習和訓練精度，節點數目太少會使神經網絡的容錯能力變差，而節點數太多會延長網絡的學習時間從而會導致誤差變多。本文隱含層節點數目計算方法：

N=2n+1

(10)

式中，N為隱含層節點個數，n為輸入層節點個數。因為本文的輸入層的因素個數為3，所以隱含層節點個數經計算定為7。同時學習速率也會對神經網絡產生重要的影響，學習率太小，神經網絡能夠收斂，但是速度太慢耗費時間；而學習率太大，學習速度就會變得很快，有可能導致振蕩或發散。此處設置學習率為0.1。神經網絡的誤差設置根據訓練和研究的問題所決定，此處設置誤差率為0.001。

3.3 建立神經網絡模型

確定BP神經網絡的結構，學習速率等設置參數，樣本數據進行歸一化處理后，對樣本進行學習訓練，得到訓練好的神經網絡模型。

3.4 預測結果分析與比較

使用訓練完成的神經網絡來對后5組數據完成分離效率預測，預測值見表4。進行分析后，得到BP神經網絡預測的相對誤差均<5%, 結果表明，BP神經網絡在預測旋風分離器分離效率還是相當可靠的。

表4 模型預測結果與實驗值比較

4 結語

1) 通過FLUENT對旋風分離器進行兩相流數值模擬，建立基于神經網絡的旋風分離器分離效率模型。用5組數據驗證神經網絡分離效率模型，預測誤差<5%，模型的預測值與模擬結果吻合較好，表明建立的神經網絡模型是可行的，為旋風分離器的分離性能計算提供了新方法。

2) BP神經網絡模型具有結構簡單，預測精度高的優點，可以快速地預測旋風分離器的分離效率，為旋風分離器的性能優化設計提供了參考依據。