轉運站除塵裝置多相流粉塵流場研究

秦亞璐，趙靜一，劉昊軒，郭 銳，劉旭亮，丁柏元

（1.燕山大學 機械工程學院，河北 秦皇島 066004；2.河北省特種運載裝備重點實驗室，河北 秦皇島 066004；3.秦皇島燕大一華機電工程技術研究院有限公司，河北 秦皇島 066004；4.秦皇島長城環境設備有限公司，河北 秦皇島 066004）

目前，大型礦山以及發電廠等行業多用帶式輸送轉運系統運輸煤等物料，但在運輸過程中，因為物料與轉運站內壁不斷撞擊產生大量粉塵，并隨著物料從上輸送帶下落到下輸送帶，這一過程中粉塵隨著產生的誘導風進入外界空氣中，對空氣造成了污染。因此針對粉塵排放濃度超標問題，相關人員在1940年就開始對這類問題進行了研究，到目前為止提出了許多關于利用自循環除塵技術解決某工況下粉塵排放超標的問題。在早期，S.T.Huque等［1］對散裝固體的運輸問題做了許多研究，研究了轉運系統內物料碰撞動力學、物料輸送速度、物料的運行軌跡等相關方面的計算和預測的模型以及設計方法。杜楊等［2在轉運站自循環除塵裝置上加裝了DSF負壓導料槽，試驗結果表明其除塵效果有了明顯的改善，粉塵排放濃度達到了國家要求的排放標準。Cleary等［3］應用文丘里管進行除塵研究，通過對管內壓降、除塵效率等方面對文丘里管的除塵效果進行了研究，建立物理模型并對粉塵收集狀況進行了試驗研究，試驗結果表明文丘里管的除塵效果比較好。李勇等［4］對某實際工況下轉運系統的曲線落煤管進行了研究，建立系統的幾何模型，利用DEM數值模擬等方法分析曲線落煤管結構參數、煤的運輸量等對其出口處煤流速度的影響，通過數據處理對該結構參數進行了尋優運算。潘宏生［5］通過對正壓回流循環管、落煤管等結構的優化設計，并且將轉運系統中的密閉式導料槽、橡膠阻尼簾等結構的組合運用，最終形成了無動力抑塵除塵裝置，相比其他的除塵方法，此方法在節能以及除塵效果方面都有較大的優勢。

相比其他除塵裝置，自循環除塵裝置無論是在除塵效果還是成本上均有明顯的優勢。而現階段國內外對自循環除塵技術的研究主要是在原有的技術基礎上加裝其他裝置，目前還未對自循環除塵裝置進行數值模擬以及尋找能夠準確預測粉塵排放濃度的方法。本文結合CFD數值模擬和對BP神經網絡的訓練，得到預測出口處粉塵排放濃度的方法。

1 數值建模

1.1 幾何模型

自循環除塵裝置主要由密閉式導料槽、落煤管集流阻尼裝置、下輸送帶、擴容區、追蹤糾偏托輥等結構組成［6］。根據已有的參考文獻初步設計轉運站除塵裝置結構的三維幾何模型如圖1所示。

1.2 數學模型

含塵氣流在自循環除塵裝置內的運動是復雜運動，可將其簡化為湍流狀態下的氣固兩相流運動，并且設定氣體為定常狀態，不可壓縮，同時忽略熱量的傳遞。因此用以下公式進行運算。

連續性方程：

動量方程：

k-ε標準運算模型公式：

式中：C1ε取值為1.44、C2ε取值為1.92、C3ε取值為0.09；GK為層流湍動能（J）；Gb為浮力湍動能（J）；YM為過渡的擴散產生的波動值；Sk、Sε自定義；σk為方程的湍流普朗特數，σk＝1.0；σε為方程的湍流普朗特數，σε＝1.3。

雷諾數公式：

式中：Re為雷諾數；ν為流體的流速（m／s）；dH為管道的當量直徑（m）；μ為流體的黏性系數（Pa·s）；A為截面面積（m2）；P為濕周長（m）。

在本文中，取v＝2.91 m／s，A＝0.92 m2，μ＝1.5×10-5Pa·s，P＝3.4 m。因此：

湍流強度公式如下：

湍流動能公式如下：

湍流動能耗散率公式如下：

在本文中I＝0.12，K＝0.183，μ1＝2.91，Su＝0.09，ε＝0.013。

1.3 網格劃分

本文利用Gambit軟件采取分塊處理方式對轉運站除塵裝置進行網格劃分，綜合考慮網格的計算數量和網格質量，最終本文采用的網格大小為80 mm，網格劃分如圖2所示。

1.4 邊界條件

設置轉運站自循環除塵裝置的入口為速度入口（velocity-inlet），其入口速度在之前的研究中已得出。設置壓力出口（pressure-outlet）為自循環除塵裝置的出口，其值為一個標準大氣壓。流體域其他邊界設置為wall，內部相交的面設置為interface。

1.5 模型參數

根據已有的自循環除塵裝置，設定初始的自循環除塵裝置的結構參數，如表1所示。

表1 轉運站自循環除塵裝置初始模型結構參數

2 計算結果與分析

2.1 主回流管管徑對自循環除塵裝置出口處粉塵排放濃度的影響

以自循環除塵裝置的初始模型中主回流管管徑500 mm為基準，大小間隔設置為50 mm，則主回流管管徑的取值依次為400、450、500、550、600 mm，模型中其他參數不變。通過CFD模擬仿真得到主回流管在不同管徑下自循環除塵裝置內顆粒跡線分布云圖，如圖3所示。

由圖3可知：自循環除塵裝置出口處粉塵排放濃度隨著主回流管管徑的增加而減小，但是當主回流管管徑大于550 mm后，粉塵排放濃度隨著主回流管管徑的增加而相應增加。由此得出結論，上述所取值的范圍內存在使得自循環除塵裝置出口處粉塵排放濃度達到最小值的主回流管管徑值。

2.2 分流管管徑對自循環除塵裝置出口處粉塵排放濃度的影響

以自循環除塵裝置的初始模型中分流管管徑250 mm為基準，大小間隔設置為50 mm，則分流管管徑的取值依次是150、200、250、300、350 mm，其他參數不變。通過CFD模擬仿真得到分流管在不同管徑下自循環除塵裝置中顆粒跡線分布云圖，如圖4所示。

根據圖4可知：隨著分流管管徑的增大，自循環除塵裝置出口處粉塵排放濃度基本呈線性增加。由于分流管管徑減小時，含塵氣流會以更大的速度通過分流管，這就會造成粉塵顆粒對撞損失能量的增大，促進了粉塵顆粒的沉降，從而降低自循環除塵裝置出口處的粉塵排放濃度。

2.3 次回流管管徑對自循環除塵裝置出口處粉塵排放濃度的影響

以自循環除塵裝置的初始模型中次回流管管徑250 mm為基準，大小間隔設置為50 mm，則次回流管管徑的取值依次是150、200、250、300、350 mm，模型中其他參數不變。通過CFD模擬仿真得到次回流管在不同管徑下自循環除塵裝置中顆粒跡線分布云圖，如圖5所示。

由圖5可知：自循環除塵裝置出口處粉塵排放濃度隨著次回流管管徑的增加而降低。但在次回流管管徑為300 mm時達到極值，此后隨著次回流管管徑的增加，粉塵排放濃度基本保持不變。由此可以得出結論：上述所取值的范圍內存在使得自循環除塵裝置出口處粉塵排放濃度達到最小值的次回流管管徑值。

2.4 BP神經網絡的建立

利用BP神經網絡預測轉運站自循環除塵裝置出口處粉塵排放濃度的方法主要由以下3步組成：首先構建合適的BP神經網絡，接著對BP神經網絡進行訓練，最后運用該神經網絡預測轉運站自循環除塵裝置出口處粉塵排放濃度［7］。在此過程中需要不斷地將預測值與期望值進行對比，直到誤差越來越小、預測值無限趨向期望值為止。選擇Matlab工具箱內newff函數極大簡化設計過程［8］，指令函數如下：

net＝newff（P，T，S，TF，BTF，BLF，PF，IPF，OPF，DDF）式中：P為自循環除塵裝置輸入參數矩陣；T為自循環除塵裝置目標粉塵排放濃度數據矩陣；S為隱含層節點數；TF為節點傳遞函數；BTF為訓練函數；BLF為權值／閾值學習函數；PF為性能函數；IPF為輸入歸一化函數；OPF為輸出反歸一化函數；DDF為驗證數據劃分函數。

本文選擇的傳遞函數為Tan-Sigmoid函數，其輸出范圍為-1～1。

本文通過CFD模擬仿真的方法創建轉運站除塵裝置訓練數據庫。由已研究的結論，可以得出轉運站自循環除塵裝置的主回流管管徑d1、分流管管徑d2、次回流管管徑d3是影響其出口處粉塵排放濃度的主要結構參數。32組樣本組成所需的數據庫，如表2所示。

表2 自循環除塵裝置神經網絡訓練數據庫

續表（表2）

對轉運站自循環除塵裝置的結構參數進行歸一化處理，使得所有數據都轉化到0～1之間［9］。歸一化函數如下：

式中：xk、xk1分別為歸一化前、后的結構參數值；xmin、xmax分別為該結構參數的最小值、最大值。

從自循環除塵裝置訓練數據庫32個樣本中隨機選擇28個樣本訓練該BP神經網絡，剩下4個樣本用來檢驗訓練結果的準確性。綜合以上信息，設置數據庫結構如下：

net＝newff（shurun，shuchun，［2］，｛′tansig′′tansig′｝，′trainlm′）并設置轉運站自循環除塵裝置數據庫訓練指令如下：

net＝train（net，shurun，shuchun）

整理預測數據與期望數據進行對比，結果如圖6所示。

在檢驗用的4個樣本中，預測值與期望值之間的誤差分別為0.47、0.38、0.23、0.29 mg／m3，計算可得最大誤差百分比為1%。因此，可以得出結論：經過訓練的神經網絡具有較好的預測功能，運用訓練好的神經網絡可以大大減小模擬仿真的工作量。

3 結論

1）自循環除塵裝置出口處粉塵排放濃度隨著主回流管管徑的增加而減小，但是當主回流管管徑大于某值后，粉塵排放濃度隨著主回流管管徑的增加而相應增加。即可得，上述所取值的范圍內存在使得自循環除塵裝置出口處粉塵排放濃度達到最小值的主回流管管徑值。

2）自循環除塵裝置出口處粉塵排放濃度隨著分流管管徑的增大基本呈線性增加。主要原因是分流管內的含塵氣流運動速度隨著分流管管徑的減小而增大，因此含塵氣流中粉塵顆粒對撞損失的能量也越大，這有利于粉塵顆粒的沉降，從而降低自循環除塵裝置出口處的粉塵排放濃度。

3）自循環除塵裝置出口處粉塵排放濃度隨著次回流管管徑的增加而降低，并且在上述所取值的范圍內存在使得自循環除塵裝置出口處粉塵排放濃度達到最小值的次回流管管徑值。主要原因是含塵氣流在流經前部的除塵結構時，粉塵已有大量沉降，而次回流管管徑的增加能夠使含塵氣流更多地通過次回流管增加粉塵的沉降。

4）通過對BP神經網絡的訓練，最終能夠準確預測自循環除塵裝置出口處粉塵排放濃度。