基于双向多步预测的炉管温度场重构方法

doi:10.3969/j.issn.1006-2475.2024.01.009

摘要/Abstract

摘要： 摘要：针对高温封闭的乙烯裂解环境下裂解炉炉管温度感知难的问题，提出一种融合机理和长短记忆神经网络（Long Short-Term Memory， LSTM）的裂解炉炉管表面温度场重构方法。该方法首先基于计算流体力学仿真平台fluent构建乙烯裂解反应机理模型，用来描述裂解反应与炉管温度的数学关系，然后利用工业现场数据对机理模型进行数值矫正和过程参数求解，进一步基于皮尔逊相关系数确定适用性强的主要过程参数，在此基础上，设计卷积块注意力模块（Convolutional Block Attention Module， CBAM）对反映裂解反应与炉管温度关系的主要过程参数的特征进行提取，最后基于遗传算法和LSTM网络设计双向多步预测模型（GA-BMLSTM）对炉管温度分布进行预测。实验结果表明该方法对炉管温度场的重构有较高的准确率和较强的适用性。

关键词: 关键词：乙烯裂解炉, 温度场重构, 计算流体力学, 注意力机制, 遗传算法

Abstract:

Abstract： Aiming at the difficulty of sensing the tube temperature in cracking furnace under high temperature closed ethylene cracking environment， a method of surface temperature field reconstruction of cracking furnace tube based on fusion mechanism and Long Short-Term Memory（LSTM） is proposed. Firstly， the mechanism model of ethylene cracking reaction is constructed based on fluent， a computational fluid dynamics simulation platform， which is used to describe the mathematical relationship between cracking reaction and furnace tube temperature. Then， the mechanism model is numerically corrected and the process parameters are solved using the industrial field data. Major process parameters with strong applicability are determined based on Pearson correlation coefficient. Based on this， a convolutional block attention module （CBAM） is designed to extract the characteristics of the main process parameters reflecting the relationship between the cracking reaction and the temperature of the furnace tube. Finally， a bidirectional multistep prediction model （GA-BMLSTM） is designed based on genetic algorithm and long and short memory neural network to predict the temperature distribution of furnace tubes. Experimental results show that this method has high accuracy and applicability to the reconstruction of temperature field of furnace tube.
Key words： ethylene cracking furnace； temperature field reconstruction； computational fluid dynamics； attention mechanism； genetic algorithm

中图分类号:

TP391

林启钊, 彭志平, 郭棉, 崔得龙. 基于双向多步预测的炉管温度场重构方法[J]. 计算机与现代化, 2024, 0(01): 53-58.

LIN Qi-zhao, PENG Zhi-ping, GUO Mian, CUI De-long. A Temperature Field Reconstruction Method of Furnace Tube Based on Bidirectional Multistep Prediction[J]. Computer and Modernization, 2024, 0(01): 53-58.

参考文献［29］

［1］	唐磊，仓亚军，吴海斌，等. 裂解炉炉管温度实时在线监测与分析［J］. 乙烯工业， 2015，27（2）：42-46.
［2］	PENG Z P， HE J G， TAN Y， et al. Study of dual-phase drive synchronization method and temperature measurement algorithm for measuring external surface temperatures of ethylene cracking furnace tubes［J］. Applied Petrochemical Research， 2018，8（3）：163-172.
［3］	KUMAR P， KUNZRU D. Modeling of naphtha pyrolysis［J］. Industrial & Engineering Chemistry Process Design and Development， 1985，24（3）：774-782.
［4］	KUMAR P， KUNZRU D. Kinetics of coke deposition in naphtha pyrolysis［J］. The Canadian Journal of Chemical Engineering， 1985，63（4）：598-604.
［5］	蓝兴英，高金森，徐春明，等. 乙烯裂解炉内传递及反应过程综合数值模拟——I.数学模型的建立［J］. 石油学报（石油加工）， 2003，19（5）：80-85.
［6］	王宗祥，王延吉，郝江平. 轻质油裂解炉反应管的工艺数学模型及应用［J］. 石油化工， 1987（11）：751-758.
［7］	沙利，张红梅，高金森，等.乙烯裂解炉管内流动反应历程的数值模拟（I）二维流动反应数学模型的建立［J］.化工学报， 2003（3）：392-397.
［8］	FANG Z， QIU T， ZHOU W G. Coupled simulation of recirculation zonal firebox model and detailed kinetic reactor model in an industrial ethylene cracking furnace［J］. Chinese Journal of Chemical Engineering， 2017，25（8）：1091-1100.
［9］	倪城振，杜文莉，胡贵华. 乙烯裂解炉耦合模拟中湍流模型的影响分析［J］. 化工学报， 2019，70（2）：450-459.
［10］	刘时涛，王宏刚，钱锋，等. SL-II型工业乙烯裂解炉内燃烧传热与裂解反应的耦合模拟［J］. 化工学报， 2011，62（5）：1308-1317.
［11］	REBORDINOS J G， HERCE C， GONZALEZ-ESPINOSA A， et al. Evaluation of retrofitting of an industrial steam cracking furnace by means of CFD simulations［J］. Applied Thermal Engineering， 2019，162（4）. DOI： 10.1016/j.applthermaleng.2019.114206.
［12］	胡贵华，隆建，杜文莉. 考虑汽化影响的乙烯裂解炉对流段数值模拟［J］. 华东理工大学学报（自然科学版）， 2019，45（5）：719-727.
［13］	倪城振，杜文莉，胡贵华. 乙烯裂解炉耦合模拟中湍流模型的影响分析［J］. 化工学报， 2019，70（2）：450-459.
［14］	耿志强，陈杰，韩永明. 基于模糊RBF神经网络的乙烯装置生产能力预测［J］. 化工学报， 2016，67（3）：812-819.
［15］	顾恒昌，牟鹏，李建伟. 基于交叉迭代BLSTM网络的乙烯裂解炉建模［J］. 化工学报， 2019，70（2）：548-555.
［16］	CHEN W Z， HU S L， SONG H. Temperature data prediction and anomaly detection of Ethylene Cracking Furnace based on SVR［C］// 2021 CAA Symposium on Fault Detection， Supervision， and Safety for Technical Processes （SAFEPROCESS）. 2021：1-5.
［17］	LI Q， ZHANG M X， SHI X G， et al. An intelligent hybrid feature subset selection and production pattern recognition method for modeling ethylene plant［J］. Journal of Analytical and Applied Pyrolysis， 2021，160. DOI： 10.1016/j.jaap.2021.105352.
［18］	NIU Z Y， ZHONG G Q， YU H. A review on the attention mechanism of deep learning［J］. Neurocomputing， 2021，452：48-62.
［19］	KATOCH S， CHAUHAN S S， KUMAR V. A review on genetic algorithm： Past， present， and future［J］. Multimedia Tools and Applications， 2021，80：8091-8126.
［20］	MATSSON J E. An Introduction to ANSYS Fluent 2022［M］. SDC Publications， 2022.
［21］	CUI W H， SUN Z Y， MA H， et al. The correlation analysis of atmospheric model accuracy based on the Pearson correlation criterion［J］. IOP Conference Series Materials Science and Engineering， 2020，780（3）. DOI：10.1088/1757-899X/780/3/032045.
［22］	ZHAO J F， PENG Z P， CUI D L， et al. A method for measuring tube metal temperature of ethylene cracking furnace tubes based on machine learning and neural network［J］. IEEE Access， 2019，7：158643-158654.
［23］	WOO S， PARK J， LEE J Y， et al. Cbam： Convolutional block attention module［C］// Proceedings of the European conference on Computer Vision （ECCV）. 2018：3-19.
［24］	DESALE S， RASOOL A， ANDHALE S， et al. Heuristic and meta-heuristic algorithms and their relevance to the real world： A survey［J］. International Journal of Computer Engineering in Research Trends， 2015，2（5）：296-304.
［25］	PENG Z P， ZHAO J F， YIN Z L， et al. ABC-ANFIS-CTF： A method for diagnosis and prediction of coking degree of ethylene cracking furnace tube［J］. Processes， 2019，7（12）. DOI： 10.3390/pr7120909.
［26］	ZHANG J B， ZHENG Y， QI D K， et al. DNN-based prediction model for spatio-temporal data［C］// Proceedings of the 24th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. 2016：1-4.
［27］	DAI H C， MACBETH C. Effects of learning parameters on learning procedure and performance of a BPNN［J］. Neural Networks， 1997，10（8）：1505-1521.
［28］	CHO K Y H Y， VAN M B， GULCEHRE C， et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation［J］. arXiv preprint arXiv：1406.1078， 2014.
［29］	YU Y， SI X S， HU C H， et al. A review of recurrent neural networks： LSTM cells and network architectures［J］. Neural Computation， 2019，31（7）：1235-1270.

[1]	王秋忆, 周浩, 郑婷婷. 改进RetinaNet的电力设备目标检测方法[J]. 计算机与现代化, 2024, 0(01): 47-52.
[2]	李亚平, 王军防, 余红梅, 窦一民, 肖媛, 田继林. Regformer：基于稀疏注意力的输油管道水力压降预测方法[J]. 计算机与现代化, 2024, 0(01): 59-66.
[3]	邱凯星, 冯广. 基于双重特征注意力的多标签图像分类模型[J]. 计算机与现代化, 2023, 0(12): 41-47.
[4]	张浩洋, 尹梓名, 乐珺怡, 沈达聪, 束翌俊, 杨自逸, 孔祥勇, 龚伟. 3D-SPRNet: 一种基于并行解码器和双注意力机制的胆囊癌分割模型[J]. 计算机与现代化, 2023, 0(12): 59-66.
[5]	张伯泉, 麦海鹏, 陈嘉敏, 逄锦聚. 基于高灰度值注意力机制的脑白质高信号分割[J]. 计算机与现代化, 2023, 0(12): 67-75.
[6]	宁娟, 周庆华, 曾小为. 改进YOLOv7算法在西林瓶轧盖缺陷检测中的应用[J]. 计算机与现代化, 2023, 0(12): 82-86.
[7]	王宇航, 董宝良, 公超, 尚真真, 姚康宁. 基于意图识别的空中群目标动态威胁评估[J]. 计算机与现代化, 2023, 0(12): 100-104.
[8]	罗明杰, 冯开平. 基于沙漏结构与注意力机制的轻量级人脸表情识别方法[J]. 计算机与现代化, 2023, 0(11): 89-94.
[9]	张嘉琪, 徐啟蕾. 基于NAM-YOLO网络的苹果缺陷检测算法[J]. 计算机与现代化, 2023, 0(10): 53-58.
[10]	叶思佳, 魏延, 杜韩宇, 邓金枝. 结合注意力机制的HRNet图像语义分割算法[J]. 计算机与现代化, 2023, 0(10): 65-69.
[11]	刘显茁, 邓韦斯, 谢恩彦. 考虑分布式发电并网的配电网自适应保护系统[J]. 计算机与现代化, 2023, 0(09): 120-126.
[12]	陈嘉敏, 张伯泉, 麦海鹏. 基于特征融合的海马体分割[J]. 计算机与现代化, 2023, 0(08): 1-6.
[13]	刘续, 查可可. 一种用于机场特种车辆作业的环境目标识别方法[J]. 计算机与现代化, 2023, 0(08): 18-24.
[14]	王鸿, 葛红. 基于注意力机制和语义相似度的跨模态哈希检索[J]. 计算机与现代化, 2023, 0(08): 44-53.
[15]	欧阳飞, 吴旭, 向东升. 基于改进YOLOX的垃圾分类检测方法[J]. 计算机与现代化, 2023, 0(08): 68-73.