再生水板式換熱器微生物污垢熱阻的預測

1 概述

再生水換熱設備污垢嚴重是污水源熱泵面臨的關鍵問題之一

。由城市污水處理后的再生水，仍然含有大量微生物、有機污染物和懸浮物，易在流經換熱設備表面時產生大量微生物污垢，降低換熱設備的換熱效率，增大流動阻力，嚴重影響換熱系統的安全和經濟運行。

Kern等人

建立了污垢熱阻模型，認為污垢熱阻隨時間的變化是由沉積率與剝蝕率兩部分疊加，這就是著名的Kern-Seaton模型，此后的大多數污垢模型是基于這一模型發展的。但是微生物具有活性，問題就變得更為復雜。曹生現等人

基于微生物生長動力學模型建立了工業循環冷卻水系統中管殼式換熱器微生物污垢的傳熱傳質模型，得到了水質參數與微生物污垢的關聯關系，并驗證了該模型的準確性。徐志明等人

將Capdeville生物膜增長體系引入Kern-Seaton模型，建立了新的微生物污垢熱阻模型，認為微生物污垢的沉積率由活性生物量的累積率和非活性生物量的累積率兩部分組成，并采用鐵細菌和管式換熱裝置對模型進行了實驗驗證。結果表明：除誘導期外，新的微生物污垢熱阻模型的計算數據和實驗數據的相對誤差小于20%。Chen等人

將污水處理廠的鐵細菌和硫酸鹽還原細菌進行分離和培養，在500 mm×60 mm×50 mm的不銹鋼流道中進行了微生物污垢的生長實驗，實驗結果表明微生物污垢在7～8 d逐漸達到平衡狀態。

文孝強等人

搭建了光管污垢實驗系統，測量了管壁溫度及出入口溫度等參數，以3組管壁溫度、出入口溫度作為預測模型的輸入變量，以污垢熱阻作為預測模型的輸出變量，利用偏最小二乘算法擬合出污垢熱阻預測方程。利用實驗系統的第2個運行期對預測模型進行了驗證，預測結果與實驗結果的最大相對誤差絕對值在8.5%以內。徐志明等人

以松花江水為冷卻水搭建了板式換熱器冷卻水微生物污垢熱阻實驗臺，測得不同工況下松花江水的水質參數，并以水質參數作為輸入變量，建立了偏最小二乘回歸模型對微生物污垢熱阻進行預測，得到了冷卻水板式換熱器內微生物污垢熱阻的增長規律。王大成等人

研制了循環冷卻水動態模擬實驗裝置，在恒定運行條件下，對微生物污垢熱阻進行在線監測及動態模擬，經過分析發現加菌管道的微生物污垢熱阻可達1.35×10

m

·K/W，而未加菌管道的微生物污垢熱阻最高為4.85×10

m

·K/W，鐵細菌和硫酸鹽還原菌的存在及其含量是導致微生物污垢熱阻增大的直接原因。

婆婆每個月拿著工資，自然有了分寸，對欣欣這個“老板”少了很多挑剔；欣欣也體會家有老人的好處——以前只顧著指責，忘記了同時也在享受。重要的是，從此以后，他們夫妻和婆婆融為一體，找到了家的溫暖。

目前，對于微生物污垢生長預測的研究并不少見，但研究對象多為管式換熱器、普通板式換熱器，換熱介質也多采用循環冷卻水、天然水。本文研究的換熱介質為經污水處理廠處理后的再生水，研究對象為再生水換熱系統中常用的寬流道板式換熱器。再生水水質參數和水溫均較為穩定，且寬流道板式換熱器相比于普通板式換熱器流道更寬。

寬流道板式換熱器模型(見圖1)包含1個換熱板片以及1組再生水流道和中介水流道，再生水流道高度30 mm，中介水流道高度18 mm。換熱板片參數見表1。

2 最小二乘支持向量機

LS-SVM用平方損失函數代替ε-不敏感損失函數，將標準支持向量回歸機中的不等式約束轉化為等式約束，得到最小二乘支持向量回歸機模型

。訓練過程將標準SVM中的凸二次規劃問題轉化為線性方程組的求解，極大降低了計算的復雜度。

LS-SVM的基礎是基于一定數量的已知樣本的數據學習過程，目標是通過實驗或數值模擬得到的訓練數據，擬合一個代理模型來映射一組輸入變量和輸出變量之間的關系。為了得到最優解，將樣本隨機分為訓練樣本、測試樣本。

最小二乘支持向量機(Least Squares Support Vector Machine，LS-SVM)是Suykens等人

在1999年提出的支持向量機(Support Vector Machine，SVM)的另一種形式。LS-SVM通過將二次優化問題轉化為線性方程組，相比于SVM具有更強的計算優勢。

3 微生物污垢熱阻預測

3.1 微生物污垢熱阻

采用平均絕對百分比誤差評價預測模型的預測準確性，平均絕對百分比誤差越小，說明預測模型的預測準確性越好。平均絕對百分比誤差的計算式為：

3.2 換熱器運行參數模擬

采用ANSYS FLUENT 14.5建立板式換熱器模型，在已知冷熱流體(再生水為熱流體，中介水為冷流體)進口溫度的前提下，將再生水進口溫度及流速為0.4 m/s下的微生物污垢熱阻作為初始條件，模擬換熱器冷熱流體出口溫度及再生水側壓力降。中介水側不考慮微生物污垢熱阻。

在數值模擬過程中，冷熱流體入口都采用速度入口邊界條件(流速為 0.4 m/s)。西安地區污水處理廠再生水冬季水溫為12～20 ℃，比環境溫度高8～17 ℃

。因此，再生水設置了3種進口溫度，分別為20、18、15 ℃。中介水設置了2種進口溫度，分別為10、8 ℃。中介水出口采用壓力出口邊界。

我院應用統計軟件SPSS 20.0來進行數據的分析,使用±s的形式對計量資料進行表示,然后通過T值來檢驗,使用百分號的形式表示計數資料,通過χ2來檢驗,將P<0.05的情況當成差異具備統計學意義。

本文基于細胞自動機模型、多孔介質導熱模型，分別模擬再生水水質及不同溫度、時間條件下，流速為0.4 m/s時微生物污垢的厚度及熱導率，進而計算微生物污垢熱阻(稱為計算值)。針對再生水放熱工況，采用ANSYS FLUENT建立寬流道板式換熱器模型，模擬換熱器冷熱流體出口溫度及再生水側壓力降。將微生物污垢熱阻計算值、模擬結果作為微生物污垢熱阻預測模型(采用最小二乘支持向量機建立)的訓練樣本、驗證樣本，采用平均絕對百分比誤差評價預測模型的準確性。

板式換熱器模型采用六面體結構進行網格劃分，網格大小為8 mm，網格數量為1 558 644個。模擬過程中的計算設置如下：求解器采用壓力基求解器，計算模型選用Realizable

-

模型，采用非平衡壁面函數，用SIMPLE算法進行壓力與速度的耦合，各控制方程的離散均選用二階迎風格式。能量方程的相對殘差小于10

，其他控制方程的殘差小于10

。迭代設置為1 000步。

3.3 微生物污垢熱阻預測模型

預測模型的使用場景為：上述寬流道板式換熱器，冷熱流體進口流速均為0.4 m/s。預測模型的輸入參數為換熱器冷熱流體進出口溫度以及再生水側壓力降，輸出參數為微生物污垢熱阻。選取35組換熱器運行參數模擬結果，28組作為預測模型的訓練樣本，剩余7組作為驗證樣本。

式中

——平均絕對百分比誤差

預測模型訓練時，先對樣本數據進行預處理，然后選擇核函數，最后確定正則化參數及核參數。

③ 正則化參數和核參數的確定。在訓練模型時，正則化參數和核參數決定了訓練誤差和泛化能力

。本文采用交叉驗證法進行正則化參數和核參數確定，最終確定正則化參數為650，核參數為0.05。

② 核函數的選擇。核函數的選擇在算法的實現過程中至關重要。研究認為，徑向基函數比線性函數好

，比Sigmoid函數精度高

，而多項式核函數在階次較高時還會導致數值計算困難。因此，本文選用徑向基函數作為核函數。

① 樣本數據的預處理。為加快預測模型的訓練速度，提高預測模型的精度，先對樣本數據進行歸一化處理。常用的歸一化方法有Min-Max標準化法、Z-score標準化法。本文選用Min-Max標準化法處理樣本數據，把樣本數據均歸一到[0，1]。

劉訓峰在主題報告中，回顧了上海華誼化工60年的創業史、奮斗史、發展史，尤其是改革開放40年來改革、創新、發展與調整的歷程，在總結近10年發展成效的基礎上，對集團未來發展提出了明確目標與要求。他強調，過去60年，華誼集團在黨的堅強領導下，依靠廣大員工艱苦創業、發展壯大。面對新時代、新挑戰，我們要著力把黨的政治優勢和組織優勢轉化為企業發展的競爭優勢，更加注重提升黨建引領能力。

4 預測準確性評價

計算值與由7組驗證樣本得到的預測值見表2。

采用細胞自動機模型

研究再生水水質及不同溫度、時間條件下，流速為0.4 m/s時微生物污垢的生長機理。微生物污垢的細胞自動機模型主要包含活細胞、死細胞、胞外不溶性分泌物、胞外可溶性分泌物和營養基質5種組分，按照生物量的轉移規則求解了各組分的控制方程，進而得到微生物污垢厚度隨溫度和時間的變化。并結合多孔介質導熱模型，得到微生物污垢熱導率隨溫度和時間的變化。根據微生物污垢厚度與熱導率，可計算得到微生物污垢熱阻(以下稱為計算值)。

(1)

通過理論及實驗比較分析表明，參與實驗過程的4個垂直搜索引擎都是非常優秀的，且各具特色。有些搜索引擎對某個專業領域的搜索、查詢結果不一定能獲得最佳的效果，問題主要出在專用與通用的處理機制方面；有些搜索引擎搜索、查詢結果范圍不廣，主要是沒有建立的效的外鏈接機制。同時，也驗證了本文設計的垂直搜索引擎在優化系統結構的同時，抓住了主題爬蟲這個主要環節，確保了搜索的精確度，在應用方面更具針對性。

——驗證樣本數量

R,

——第

組驗證樣本的污垢熱阻的計算值，m

·K/W

采用SPSS 19.0軟件對數據進行分析處理，計量資料以（均數±標準差）表示，兩個樣本均數比較采用t檢驗，多于兩組樣本均數的比較，采用方差分析（ANOVA）；計數資料以（n，%）表示，采用χ2檢驗，以P＜0.05表示差異具有統計學意義。

P,

——第

組驗證樣本的污垢熱阻的預測值，m

·K/W

（2）若控制有眼/無眼性狀的基因位于常染色體上，請用上表中雜交子代果蠅為材料設計一個雜交實驗來確定無眼性狀的顯隱性（要求寫出雜交組合和預期結果）________________________________________________________________________________。

將表2數據代入式(1)，可計算得到平均絕對百分比誤差為1.48%，說明預測模型的預測準確性比較高，可用于工程應用。

對于直流電機這種復雜的控制系統而言，在響應的不同階段或受到外界擾動時，傳統的控制規則很難滿足控制精度的要求，表現為穩定性差或超調過大。本文通過設計一種自調整因子α，并將α作用于KP、KI、KD的模糊規則上，實現模糊規則的自適應調整，從而使系統具有更快的響應速度和更小的超調。下面以KP的模糊規則為例，說明自調整因子α的設計原理。

5 結論

預測值與計算值的平均絕對百分比誤差為1.48%，預測模型的預測準確性比較高，可用于工程應用。

[1] WANG F，CHEN J，HONG H，et al. Pollutant removal and membrane fouling in an anaerobic submerged membrane bioreactor for real sewage treatment[J]. Water Science & Technology，2014(8)：1712-1719.

[2] KERN D Q，SEATON R E. A theoretical analysis of thermal surface fouling[J]. Chemical Engineering Progress，1959(5)：258-262.

[3] 曹生現，孫嘉偉，劉洋，等. 微生物污垢形成的傳熱傳質模型[J]. 工程熱物理學報，2012(6)：1023-1026.

[4] 徐志明，沈藝雯，張一龍，等. 基于Kern-Seaton模型結合Capdeville生物膜增長體系建立的微生物污垢模型[J]. 化工學報，2016(7)：2998-3003.

[5] CHEN X，YANG Q，WU R，et al. Experimental study of the growth characteristics of microbial fouling on sewage heat exchanger surface[J]. Applied Thermal Engineering，2018，128：426-433.

[6] 文孝強，苗慶龍，孫靈芳. 換熱器污垢特性的建模與預測[J]. 化工機械，2014(6)：699-704.

[7] 徐志明，文孝強，鄭嬌麗，等. 板式換熱器冷卻水污垢熱阻預測的偏最小二乘回歸法[J]. 化工學報，2011(6)：1531-1536.

[8] 王大成，錢才富，曹生現. 換熱設備微生物污垢的動態模擬及影響因素分析[J]. 化工學報，2013(8)：1934-1938,1942.

[9] SUYKENS J A K，VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing Letters，1999(3)：293-300.

[10] 曾杰，張華. 基于最小二乘支持向量機的風速預測模型[J]. 電網技術，2009(18)：144-147.

[11] LASPIDOU C S，RITTMANN B E. Modeling the development of biofilm density including active bacteria, inert biomass, and extracellular polymeric substances[J]. Water Research，2004，38：3349-3361.

[12] 李揚. 直接式污水源熱泵污垢生長特性研究(碩士學位論文)[D]. 西安：西安建筑科技大學，2015：34-39.

[13] KEERTHI S S，LIN C J. Asymptotic behaviors of support vector machines with Gaussian kernel[J]. Neural Computation，2003(7)：1667-1689.

[14] LIN H T，LIN C J. A study on sigmoid kernels for SVM and the training of non-PSD kernels by SMO-type methods[EB/OL]. [2003-03-10]. http://www.csie.ntu.edu.tw/～cjlin/papers.html.

[15] 周輝仁，鄭丕諤，任仙玲. 最小二乘支持向量機的參數優選方法及應用[J]. 系統工程學報，2009(2)：248-252.