水電站混凝土澆筑用冷水管結垢系數的神經網絡預測模型

朱 敏，趙 瑋，任萬英

(1.內蒙古機電職業技術學院水利與土木建筑工程系，內蒙古 呼和浩特 010070；2.達信建設發展有限公司，內蒙古 呼和浩特 010020；3.華北水利水電大學電力學院，河南 鄭州 450003)

0 引 言

為了防止水電站大壩的大體積混凝土在澆筑過程中產生大量的溫度裂縫，在拌和樓中設置冷水站對砂漿預冷從而降低澆筑混凝土的溫度，最終達到控制混凝土入倉溫度，提高澆筑質量的目的[1]。水電站拌和樓的冷水站是大體積混凝土拌和中使用的一種大型換熱器[2]。冷水站的應用實現了大壩混凝土冷卻系統自動化，加速了壩體大體積混凝土的澆筑速度，提高了接縫灌漿的質量[3]。在冷水站工作的過程中通過冷水管進行溫度交換，由于冷卻水中含有的雜質積聚而產生污垢。結垢是限制冷水站工作效率的一個的主要問題。污垢的存在使得熱傳導能力降低，導致冷凝壓力增加從而降低了循環效率[4]。對污垢進行精確、有效的預測以制定最優化的冷水管清洗工作計劃，是提高冷水站熱循環效率的重要前提[5]。

由于影響冷水管結垢的各種因素包括結垢因子F的初值、液體性質等，在不同預測條件的參數下，預測結果具有變異性[6]。一些學者提出冷水管污垢預測的研究新方法，從預測和監測角度對換熱設備的污垢開展研究[7]。近年來，隨著人工智能的建模方法在各種工程領域取得了大量應用，利用智能模型方法預測冷水管污垢系數的研究已經取得了一些成果。其中包括冪率預測模型[8]、漸進預測模型[9]、灰色預測模型[10]以及概率模型[11]等。

本文基于K均值算法和Chebyshev神經網絡模型的原理，設計出了一種基于神經網絡權值的智能確定方法，進而建立冷水管的污垢系數F的預測模型。在預測過程中，綜合考慮多種冷水管試驗工況進行污垢系數的預處理。最后用K均值算法對輸入數據進行分類，用改進Chebyshev神經網絡算法對不同類別的污垢系數進行仿真計算，對結果進行了評價。

1 污垢形成特點分析

冷水管結垢和清洗的周期性過程使得各種工況的條件參數始終處于動態變化，這對污垢預測有重要影響[12]。冷水管污垢清洗過程如圖1所示。冷水管的結垢過程是循環往復的，隨著冷水管的運行，管內積聚的污垢越來越多。污垢包括2種類型，一種是冷卻水中的懸浮固體和微生物沉積引起的松散污垢，即軟污垢；另一種是無機鹽沉降引起的結晶污垢，即硬污垢。當污垢系數F達到一定值時，采用水力或海綿球系統對冷水管進行清洗，可以有效去除松散污垢，但無法徹底清除結晶污垢。因此，經過水力和海綿球清洗后，污垢系數不可能降低為0。因為殘余污垢的存在，使得經過多次清洗后污垢系數仍然會增加。當殘余污垢超過臨界值時，冷水管的換熱性能急劇下降，水力或海綿球清洗失效。因此，需要采用化學試劑清洗污垢，使得污垢系數接近0。污垢的積聚與消散過程是兩種清洗過程的結合，即水力或海綿球清洗周期(TWP)和化學清洗周期(CWP)。污垢系數為

圖1 結垢過程中的污垢系數變化特點

F(t)=Ffs(t)+Ffh(t)=Ffs(t0)+Ffs(t-t0)+ΔFfh(t-t0)

(1)

式中，Ffs為軟污垢系數，采用水力或海綿球清洗；Ffh為硬污垢系數，采用化學清洗。

從結垢的機理上看，液體系統結垢可分為結晶結垢、顆粒結垢、腐蝕結垢、化學反應結垢生物結垢和冷凍結垢6大類[13]。冷水管污垢的形成可能是多種污垢機理共同作用的結果。例如，結晶污垢和腐蝕污垢往往混合并存于一個受熱面，在傳熱壁上同時產生的幾種污垢相互影響。對于冷水管基本結垢類型的認識是防止結垢的重要前提。

污垢形成過程不僅是質量、能量和動量交換的動態組合，而且是大量復雜過程同時進行的綜合反應。因此，影響結垢過程的因素很多，如液體的性質、管壁溫度、液體與管壁之間的溫度梯度、液體流速、管壁狀態等。不同因素條件導致了不同的結垢特性，但在各種污垢的形成過程中，一般會經歷5個階段，分別是起始、輸運、粘附、老化、侵蝕階段。雖然污垢形成過程不盡相同，但都是在潔凈的受熱面與不潔凈的流體接觸后產生的。結垢過程主要是兩個相反過程的疊加效應，一是由于雜質沉積在受熱面，污垢因子增加；另一個原因是受流體影響的污垢材料被剝離，污垢因子降低。實際上，污垢因子隨時間的變化是兩種性能疊加的結果[14]。

2 改進神經網絡污垢預測模型

2.1 神經網絡模型簡介

神經網絡是一種模擬人腦功能的抽象數學模型，通過自我調節和組織能力，“學習”處理特定的目標任務。人工神經網絡具有自我學習能力的優點，可以在學習數據中盡量減小數據偏差以獲得目標范圍內的預測結果[15]。

根據網絡的結構及工作方式可將神經網絡分為前饋型和反饋型網絡。其中Chebyshev神經網絡是從輸入到輸出的高度非線性映射[16]，能夠進行自組織學習以調整節點的權值，從而對復雜非線性問題進行考慮各因素的綜合處理。Chebyshev神經網絡的結構如圖2所示，神經網絡基本思想是通過對n個輸入學習樣本(X1～Xn)和目標矢量Y之間的誤差來修改樣本的權值，使得計算中間值(P1～Pn)與期望值Y盡可能接近。

圖2 Chebyshev神經網絡結構示意

神經網絡算法是一種監督式的學習算法，由信息正向傳遞和誤差的反向傳播2部分組成。在正向傳遞過程中，輸入信息經隱含層逐層計算，并傳至輸出層，在計算中每一層神經元狀態只對其下一層的神經元狀態產生影響。在輸出層輸出值為達到目標時計算誤差變化值，經過反向傳播修改各層神經元權值，經此計算過程直至達到期望的目標值。

根據圖2所示，Chebyshev神經網絡算法中各重要參數的計算過程為

(1)隱含層中第i個神經元的輸出，即

(2)

(2)輸出層第k個神經元的輸出，即

(3)

(3)定義誤差函數

(4)

2.2 K均值算法

在K均值算法中，每個數據集對象的平均值表示被分割的集群。首先，隨機選取k個對象作為初始數據集的中心；其次，根據每個物體到中心的距離，將剩下的物體分配到最近的集合中；最后，將每個集合平均值重新計算為新集合中心，重復此過程，直到規則函數收斂。通常使用平方誤差規則函數進行收斂判據，即

(5)

式中，E為所有對象與集合中心的平方誤差之和；P為數據空間中的一點；mi為結合Ci的平均值。

不同季節的溫度對污垢因子有重要影響。根據污垢因子與光照時間的關系，光照時間越長，平均細胞數與污垢因子F越大。選取具有代表性的8月和10月的統計數據進行模型驗證。

2.3 改進的神經網絡算法

在實際的冷水管系統運行中，經常會遇到冷卻水流速、負荷突變等因素的干擾。因此，對外部干擾的識別與控制進行研究是有必要的。當冷卻水流速和負荷沒有突變時，污垢系數不會發生突變。進行污垢系數預測之前，已知最大臨界值和最小臨界值，故設置污垢系數F的閾值：①污垢系數的正最大變量為ΔF+；②污垢系數的負最大變量為ΔF-；③污垢系數最大值F+；④污垢系數最小值F-。

當污垢系數的外部干擾過大時，根據以下規則處理預測值:

If Δf(k)≥ΔF+,then Δf(k)=ΔF+;

If Δf(k)≤ΔF-,then Δf(k)=ΔF-;

Iff(k-1)+Δf(k)≥F+,then Δf(k)=F+-f(k-1);

Iff(k-1)+Δf(k)≤F-,then Δf(k)=F--f(k-1);

其中，Δf(k)為連續時間序列中反向差分的污垢系數值；f(k)為當前步污垢系數的值；f(k-1)為前一步污垢系數的值。

當冷卻水流速或負荷有較大突變時，腐蝕階段的污垢剝落是影響的關鍵，此時污垢系數急劇降低。對于這種情況，按以下方法進行處理：如果冷卻水流速等于或大于一個限值Vmax,則污垢系數為f(k)=f(k-1)-C，C為常數。如果冷卻水速度小于Vmax，則污垢系數將按照冷卻水速度或負載沒有突然變化處理。

采用上述方法對神經網絡模型的輸入數據進行預處理，對數據采樣后的Chebyshev神經網絡自適應算法進行改進，理論上可以達到要求的目標。

2.4 污垢預測

利用新建的改進神經網絡模型和K均值算法，對污垢進行預測。步驟為①將輸入數據用K均值算法對污垢系數進行季節識別后，對軟污垢分階段進行識別；②用改進神經網絡模型計算結垢過程中各個階段預測值；③將各階段的預測值進行疊加，得到軟污垢的預測值Ffs；④采用數理統計方法計算硬污垢預測值Ffh；⑤將軟污垢Ffs和硬污垢預測值Ffh進行求和，即獲取污垢系數的最終預測值。

3 預測實例

為了給神經網絡預測模型提供必要的依據，通過MATLAB軟件編輯的K-均值算法對不同月份的數據進行分類并求出相應的污垢因子。取8月和10月的數據做樣本，如圖3所示。結果表明，由于外部環境因素的影響，尤其是溫度因素的影響，8月的污垢系數F遠遠大于10月。圖4所示為8月和10月污垢系數模擬結果，從圖中可以看出不同階段污垢特征曲線不同。

圖3 K均值算法仿真樣本

圖4 系數預測

根據上述污垢形成機理，采用K均值算法將數據集為啟動階段、粘附階段和老化階段3類，仿真結果如圖5、6所示。啟動階段、粘附階段和老化階段的污垢系數區間分別為[0，0.05]、[0.05，0.38]和[0.38，0.4]。從圖5可知，啟動階段的污垢系數增長緩慢，附著階段的污垢系數增長平穩，老化階段的污垢系數呈飽和平穩狀態。

圖5 不同階段的污垢系數示意

圖6 不同階段的污垢系數預測結果

由于冷卻水流速對輸送階段和侵蝕階段的影響較大，將這2個階段進行分析，如圖7所示。在圖7中，圖7a顯示冷卻水流速的變化曲線，圖7b顯示相應流速下的污垢系數變化曲線。在污垢系數F初值為0.3，當冷卻水流速V較慢時，侵蝕主要形式為污垢的溶解和磨蝕，此過程的污垢系數的侵蝕速率比較緩慢，小于污垢的累積速率故圖中所示的污垢系數有所增加。而當冷卻水流速V突增時，侵蝕形式主要是污垢剝落。污垢系數F衰減速率較快，而污垢累積效應小于侵蝕效應，從而使得污垢系數的數據急劇下降。

圖7 污垢系數與積聚時間的關系

冷水管污垢系數的實際輸出數據由圖8的實線所示。由本文提出的基于K均值和Chebyshev神經網絡模型仿真計算結果如圖8所示的虛線所示。同時，本文亦采用前人的開發的污垢預測模型方法對污垢系數進行同步預測，這里比較冪率預測模型和漸進預測模型的預測曲線[17]。從圖8可以看出，本文提出的神經網絡自適應算法能夠很好地逼近實際的污垢系數曲線，預測效果明顯優于冪率預測模型和漸進預測模型。

圖8 各預測模型輸出結果的比較

4 結 論

(1)利用MATLAB軟件建立了一種預測大壩混凝土澆筑冷水站中冷水管污垢系數的方法，基于K均值算法可以有效地對不同月份和不同階段的污垢系數進行分類，并且利用神經網絡和分段建模相結合的污垢系數預測方法取得了很好的效果。

(2) 改進的Chebyshev神經網絡模型的自適應算法在進行壩體混凝土澆筑冷水管污垢預測時，對污垢系數存在的小擾動具有一定的適應性。

(3)利用神經網絡模型結合K均值算法預測冷水管污垢系數的方法，比漸進預測模型與冪率預測模型的輸出結果具有更好的效果，這種方法的提出為混凝土澆筑冷水管凈化方案的設計提供了科學合理的數據支撐。