一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法、系统与电子设备技术方案

技术编号：44221167 阅读：2 留言：0更新日期：2025-02-11 13:28

本发明专利技术涉及蓄热节能技术领域，提供了一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法、系统与电子设备，所述方法包括：高温颗粒流动特性数值模拟，建立三维移动床高温颗粒流数值模型，模拟床型结构、颗粒性质与颗粒堆积、流型规律的关联，建立颗粒分布调控策略；高温颗粒传热特性数值模拟，建立颗粒流动特性与温度场关联，模拟颗粒的气‑固两相复合换热过程，建立温度场控制策略；颗粒分布与温度场智能预测，基于深度学习实现特定时刻的颗粒分布和温度场的智能预测，优化基于数值模拟的调控策略。本发明专利技术阐明了移动床颗粒流动与换热特性，为高炉渣余热回收效率提高提供了理论支撑和技术解决方案，能够提高能源利用率。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及蓄热节能，特别是一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法、系统与电子设备。

技术介绍

1、高炉渣是钢铁生产过程中的副产物，排出温度高达1500℃，是目前钢铁行业中极少数未能回收的高温余热资源。现有技术主要对高炉渣进行水淬急冷，存在余热损失、水资源浪费、环境污染等严重问题。

2、高炉渣的移动床余热回收技术，以返混小、余热回收率高、余热回收后高炉渣资源化利用的优势被寄予厚望。移动床的高温颗粒流动与传热受到影响因素众多，面临实验周期长、研究手段复杂、复刻真实工况困难等问题，目前基于欧拉-拉格朗日法的数值模拟是其研究主要手段。然而由于该方法涉及大量的计算规模和模拟时间，并且移动床的操作参数与结构参数对颗粒流动及换热特性的影响机理尚不明晰，导致余热回收效率进一步提高受到掣肘。

技术实现思路

1、本专利技术的目的是提供一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法、系统与电子设备，能够阐明移动床中颗粒流动与换热特性，总结提高余热回收效率的移动床设计准则及操作方法，提升高炉渣的余热余能回收利用率。

2、为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：

3、一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，包括如下步骤：

4、s1、高温颗粒流动特性数值模拟：建立三维移动床高温颗粒流数值模型，模拟床型结构、颗粒性质与颗粒堆积、流型规律的关联，建立颗粒分布调控策略；</p>

5、s2、高温颗粒传热特性数值模拟：建立颗粒流动特性与温度场关联，模拟颗粒的气-固两相复合换热过程，建立温度场控制策略；

6、s3、颗粒分布与温度场智能预测：基于深度学习实现特定时刻的颗粒分布和温度场的智能预测，优化基于数值模拟的调控策略。

7、作为本专利技术所述的一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法的优选方案，其中：所述步骤s1中，建立三维移动床高温颗粒流数值模型，模拟床型结构的底部结构设计与出口直径和颗粒特性的颗粒直径、堆积密度、多粒径掺混、初始温度等，对颗粒堆积特性、流型、孔隙率、堆积密度、平均停留时间、滞止区尺寸的影响，以及对颗粒的包括堆积均匀性、速度均匀性、流动轨迹等的流动特性的影响，建立颗粒分布调控策略和抑制空腔、滞止现象的措施。

8、作为本专利技术所述的一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法的优选方案，其中：所述步骤s1中，基于dem方法采用hertz-mindin无滑移接触模型模拟颗粒在移动床中的流动规律；采用硬球模型来描述颗粒间的碰撞接触，假设碰撞持续过程中不发生形变，碰撞是不同单元体相互叠加的过程，将接触模型转化为振动模型来简化接触力的计算。

9、作为本专利技术所述的一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法的优选方案，其中：所述步骤s1中，通过均匀性评价指标和滞止性评价指标，定量分析颗粒流动特性。

10、作为本专利技术所述的一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法的优选方案，其中：所述步骤s2中，针对颗粒绕流受热面的固-固换热过程的颗粒换热耦合行为和气-固两相换热过程的颗粒冷却行为，基于上述的颗粒流动特性和堆积特性，模拟颗粒的包括粒径、掺混程度、配位数、运动速度、初始温度、受热面结构等的关键参数对颗粒与受热面的换热系数、颗粒温度分布及温降速率的影响，建立颗粒流动特性与温度场关联，提出温度场的控制策略。

11、作为本专利技术所述的一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法的优选方案，其中：所述步骤s2中，假设移动床内由离散的颗粒相和连续的流体相组成，在传统的控制方程中引入流体体积分数相来表征颗粒的存在对流体运动的影响，获得移动床内包括气相流场、颗粒流场、气-固温度场等的分布规律。

12、作为本专利技术所述的一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法的优选方案，其中：所述步骤s2中，采用cfd-dem耦合法对高温移动床颗粒的气固换热过程进行模拟，在耦合过程中，固体颗粒在网格单元内获得流场对颗粒的作用力、传输热量以及固体相作用于该网格的动量和能量源项。具体的，cfd-dem耦合法包括：dem求解，计算碰撞颗粒之间的作用力及导热通量，在颗粒尺度进行跟踪；cfd求解，对流场求解，得到流体相体积分数、流体阻力及动量，对流体运动进行追踪；在计算时长达到一致时互相传递参数，更新颗粒的速度、位置和受力，完成cfd-dem耦合。

13、作为本专利技术所述的一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法的优选方案，其中：所述步骤s3中，基于数值模拟，通过固固和气固两相稠密颗粒流模拟提供颗粒流场和温度场图像数据，训练深度学习模型预测指定时刻指定工况的颗粒分布和温度分布，优化基于仿真数据的调控策略，总结提高余热回收效率的移动床设计准则及操作方法。

14、作为本专利技术所述的一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法的优选方案，其中：所述步骤s3中，采用渐进式增长的多尺度图像生成网络用于气相/颗粒温度分布图生成，包括：

15、构建生成模型，利用注意力权重获取不同尺度的感兴趣区域，其中低分辨率数据维度较低，易于实现良好的分布匹配；高分辨率图像重点学习图像细节。

16、嵌入时间提示特征，在潜在空间中实施词序编码与融合，以保持底层微结构的一致，生成对应时刻的温度分布图。

17、构建判别模型，约束生成图像在多尺度上的数据分布均与输入时刻保持一致，来进一步保证生成的温度分布图与输入时刻具有底层微结构信息一致性。

18、为解决上述技术问题，根据本专利技术的另一个方面，本专利技术提供了如下技术方案：

19、一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测系统，包括：

20、高温颗粒流动特性数值模拟模块：建立三维移动床高温颗粒流数值模型，模拟床型结构、颗粒性质与颗粒堆积、流型规律的关联，建立颗粒分布调控策略；

21、高温颗粒传热特性数值模拟模块：建立颗粒流动特性与温度场关联，模拟颗粒的气-固两相复合换热过程，建立温度场控制策略；

22、颗粒分布与温度场智能预测模块：基于深度学习实现特定时刻的颗粒分布和温度场的智能预测，优化基于数值模拟的调控策略。

23、为解决上述技术问题，根据本专利技术的另一个方面，本专利技术提供了如下技术方案：

24、一种电子设备，包括：处理器、存储器、内部总线和存储在存储器上并可在所述处理器上运行的程序或指令，该程序或指令被处理器执行时实现所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法。

25、一种可读性存储介质，所述可读性存储介质上存储有程序或指令，该程序或指令被处理器执行时实现所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法。

26、本专利技术的有益本文档来自技高网...

【技术保护点】

1.一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，其特征在于，所述步骤S1中，建立三维移动床高温颗粒流数值模型，模拟床型结构的底部结构设计与出口直径和颗粒特性的颗粒直径、堆积密度、多粒径掺混、初始温度，对颗粒堆积特性、流型、孔隙率、堆积密度、平均停留时间、滞止区尺寸的影响，以及对颗粒的包括堆积均匀性、速度均匀性、流动轨迹的流动特性的影响，建立颗粒分布调控策略和抑制空腔、滞止现象的措施。

3.根据权利要求1所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，其特征在于，所述步骤S1中，基于DEM方法采用Hertz-Mindin无滑移接触模型模拟颗粒在移动床中的流动规律；采用硬球模型来描述颗粒间的碰撞接触，假设碰撞持续过程中不发生形变，碰撞是不同单元体相互叠加的过程，将接触模型转化为振动模型来简化接触力的计算；通过均匀性评价指标和滞止性评价指标，定量分析颗粒流动特性。

4.根据权利要求1所述的基于深度学习的移动床

5.根据权利要求1所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，其特征在于，所述步骤S2中，假设移动床内由离散的颗粒相和连续的流体相组成，在传统的控制方程中引入流体体积分数相来表征颗粒的存在对流体运动的影响，获得移动床内包括气相流场、颗粒流场、气-固温度场的分布规律。

6.根据权利要求1所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，其特征在于，所述步骤S2中，采用CFD-DEM耦合法对高温移动床颗粒的气固换热过程进行模拟，在耦合过程中，固体颗粒在网格单元内获得流场对颗粒的作用力、传输热量以及固体相作用于该网格的动量和能量源项。

7.根据权利要求1所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，其特征在于，所述步骤S3中，基于数值模拟，通过固固和气固两相稠密颗粒流模拟提供颗粒流场和温度场图像数据，训练深度学习模型预测指定时刻指定工况的颗粒分布和温度分布，优化基于仿真数据的调控策略，总结提高余热回收效率的移动床设计准则及操作方法。

8.一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括：处理器、存储器、内部总线和存储在存储器上并可在所述处理器上运行的程序或指令，该程序或指令被处理器执行时实现权利要求1-7任一项所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法。

10.一种可读性存储介质，其特征在于，所述可读性存储介质上存储有程序或指令，该程序或指令被处理器执行时实现权利要求1-7任一项所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法。

...

【技术特征摘要】

1.一种基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，其特征在于，所述步骤s1中，建立三维移动床高温颗粒流数值模型，模拟床型结构的底部结构设计与出口直径和颗粒特性的颗粒直径、堆积密度、多粒径掺混、初始温度，对颗粒堆积特性、流型、孔隙率、堆积密度、平均停留时间、滞止区尺寸的影响，以及对颗粒的包括堆积均匀性、速度均匀性、流动轨迹的流动特性的影响，建立颗粒分布调控策略和抑制空腔、滞止现象的措施。

3.根据权利要求1所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，其特征在于，所述步骤s1中，基于dem方法采用hertz-mindin无滑移接触模型模拟颗粒在移动床中的流动规律；采用硬球模型来描述颗粒间的碰撞接触，假设碰撞持续过程中不发生形变，碰撞是不同单元体相互叠加的过程，将接触模型转化为振动模型来简化接触力的计算；通过均匀性评价指标和滞止性评价指标，定量分析颗粒流动特性。

4.根据权利要求1所述的基于深度学习的移动床高温颗粒流动与传热特性的模拟预测方法，其特征在于，所述步骤s2中，针对颗粒绕流受热面的固-固换热过程的颗粒换热耦合行为和气-固两相换热过程的颗粒冷却行为，基于上述的颗粒流动特性和堆积特性，模拟颗粒的包括粒径、掺混程度、配位数、运动速度、初始温度、受热面结构的关键参数对颗粒与受热面的换热系数、颗粒温度分布及温降速率的影响，建立颗粒流动特性与温度场关联，提出温度场的控制策略。

5.根据权利要求1所述的基于深度学习的...

【专利技术属性】
技术研发人员：邹瀚影，陈诚，邱琳，冯妍卉，肖若秀，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人