1、第 卷第 期材 料 与 冶 金 学 报 收稿日期：基金项目：中央高校基本科研业务费项目（）；国家自然科学基金项目（）作者简介：卢厚杨（），男，硕士研究生，：通讯作者：张琦（），男，教授，：年 月 ：基于燃烧模拟和深度学习的钢包烘烤优化卢厚杨，张 琦，徐化岩（东北大学 国家环境保护生态工业重点实验室，沈阳；北京易得云科技有限公司，北京）摘 要：为了解决钢包烘烤的粗放式控制问题，提升钢包烘烤的燃烧效果，减少污染物排放量，提出了一种耦合燃烧模拟和深度学习技术进行数据驱动建模的钢包烘烤优化方法，同时采用了修改后的加权灰色气体模型确保 燃烧模拟模型计算在富氧条件下保持可靠 计算结果用于建立长短时记忆（）
2、深度学习预测模型，预测氮氧化物（）排放量、燃烧效率和升温速率，平均相对误差分别为 ，和 最后对计算结果进行多目标优化，可以在一定范围内减少氮氧化物排放量，提高燃烧效率和升温速率 结果表明：氮氧化物排放量、燃烧效率和升温速率的优化量分别为 ，和 ，达到了优化目的关键词：钢包烘烤；燃烧模拟；深度学习预测；多目标优化中图分类号：文献标志码：文章编号：（），（，；，）：，（），：；钢铁行业是国民经济的支柱产业，是资源和能源密集型产业，也是能源系统优化的重点目前，迫切需要利用大数据、云计算、人工智能等前沿信息技术提升钢铁行业的数字化、智能化水平，通过智能制造促进产业转型升级，推动钢铁行业高水平发展钢包烘
3、烤器由于生产工艺的要求和节约煤气的需要，往往要在较短的时间内将温度提高到 在现有的烘烤过程中，传统的钢包烘烤器控制主要通过人工操作粗略地调节气体流量，将温度提高到目标值，不注意空燃比，这极易造成资源浪费和设备损坏机器学习技术的快速发展极大地推动了工业智能化进程，基于神经网络、深度学习和人工智能的数据驱动建模已成为当前解决工业问题的热点长短时记忆（）神经网络作为一种深度学习模型，能够学习数据本身在时间尺度上的相关性，以获得更准确的预测结果，已有专家、学者研究了其在工业中的应用现场实际工况下钢包内部流场和温度场分布具有复杂性，很难获得内部数据进行深度学习建模和优化此外，钢包烘烤在日常运行中通常只有
4、几种固定的运行模式因此，拓宽数据库的范围也是优化建模过程中亟须解决的问题计算流体力学（）被广泛用于研究钢包烘烤中的燃烧性能和流动分布与钢厂现场试验相比，使用 燃烧模拟数据作为优化模型计算来源不会影响钢厂的正常运行，同时可以节省大量成本季乐乐等对钢包烘烤过程进行数值模拟与优化研究，定量分析了空燃比、空气预热温度、煤气流量等烘烤工艺参数对钢包内温度分布的影响，然而由于燃烧模拟计算十分复杂且计算时间较长，研究结果不能满足钢包烘烤的实时烘烤优化要求为了解决上述问题，本文中提出了一种耦合燃烧模拟和深度学习技术的钢包烘烤优化方法，并且将该方法应用于某钢厂钢包烘烤器经该方法优化烘烤制度后，钢包烘烤氮氧化物（
5、）排放量减少，升温速率和燃烧效率提高 研究对象本文中的研究对象是某钢厂的 立式钢包烘烤器，主要由燃烧器、助燃气（空气和氧气）输送系统、气体（燃气）输送系统和废气排放系统组成文中主要针对离线烘烤阶段的钢包燃烧器、钢包体和钢包盖进行烘烤优化研究燃烧器包括燃气管道和 个助燃气管道，钢包体包括工作层、永久层、绝热层和外壳，钢包盖包括中心绝热区、永久区和外壳，具体几何结构如图 所示钢包体材料及厚度如表 所列烘烤所用燃气为混合煤气，成分如表 所列，低位发热量为 本文中主要通过调整整个烘烤阶段的空燃比和富氧程度来实现燃烧的优化，各种调整参数如图 所示中心绝热区永久区外壳烟气环状出口燃气管道助燃气管道1助燃气
6、管道2钢包体工作层永久层外壳绝热层(a)(b)图 钢包烘烤器几何结构示意图 （）三维几何结构；（）钢包截面几何示意图 表 钢包体材料及厚度 结构材料厚度 工作层镁铝砖永久层高铝砖绝热层绝热浇注料外壳表 混合煤气成分（体积分数）（）材 料 与 冶 金 学 报 第 卷进口压力目标温度空气温度燃气热值给定参数可调参数给定参数燃气阀门开度空气阀门开度氧气阀门开度控 制控 制控 制燃气流量空气流量氧气流量调节调 节空燃比富氧程度目标参数决 定升温速率加热时间耐材热应力燃烧效率NOx排放量图 钢包烘烤优化参数 数学和物理模型 燃烧仿真模型及验证根据前文中对钢包烘烤器的分析，利用 软件建立了钢包烘烤器的燃烧
7、和流体动力学模型首先，建立了钢包盖和钢包体的三维模型考虑到钢包结构沿中心轴完全相同，选择 钢包进行研究，忽略对流动和燃烧影响较小的喷嘴外壳部分钢包根据实际尺寸进行网格划分，对较为复杂的喷嘴和燃烧区域进行加密最终网格总数为 个，网格质量良好，可以满足计算要求相关建模结果如图 所示图 钢包烘烤器几何建模 数学模型主要包括湍流模型、湍流燃烧模型、辐射模型和污染物模型为了确保燃烧模拟数据的准确性，特别是富氧条件下辐射传热数据的准确性，根据文献中的研究成果，采用了改进的加权灰色气体模型（）来提高富氧条件下与 的分压比为了验证仿真数据的准确性，采用某钢厂 立式钢包烘烤器的现场监测数据进行验证，现场热电偶测
8、温点 埋设于钢包盖绝热区域底部，红外测温仪用于测量钢包体温度，包括烟气出口点、包体中部点、包底边缘点 和包底中心点 各测温点位置如图 所示燃气入口助燃气入口烟气出口燃烧区域测温点A测温点B测温点C测温点D测温点E图 钢包烘烤器测温点位置 模拟工况按照现场工况进行设定，加热制度及操作与现场运行条件一致加热完成后，各个测温点模拟结果与现场实际温度的对比如图 所示位于钢包底部的点 绝对误差较大，差值达到，相对误差为 这可能是由于实际烘烤第 期 卢厚杨等：基于燃烧模拟和深度学习的钢包烘烤优化过程中情况较为复杂，在外界环境影响下火焰出现部分偏折或者长度变化，而点 又直接被高温气体冲刷，温度受火焰形状影响
9、很大，从而与相对较为稳定的模拟环境下得出的结果相比出现较大差值其余各测温点模拟值与实际值相对误差均小于 在较高的温度条件下，热电偶存在一定误差，由此可以认为该模型温度计算结果的误差在允许范围内，可用于后续预测模型训练 图 显示了部分瞬态模拟结果，包括温度分布和污染物分布其中，截面为正视截面，截面为侧视截面ACBDE监测点实际值模拟值180016001400120010008006004002000T/K图 钢包烘烤模拟温度验证 T/K200718121618142312291034839.6645.1450.6350.4288.01.50810-51.35710-51.20710-51.056
10、10-59.05010-67.54110-66.03310-64.52510-63.01710-61.50810-60(NOx)/%(a)(b)(c)(d)图 钢包烘烤模拟结果 （）钢包外表面温度分布；（）钢包内部温度分布；（）分布截面 ；（）分布截面 长短时记忆预测模型本文中采用燃烧模拟数据训练长短时记忆（）模型，综合考虑可调参数和给定参数，包括燃气流量、空气温度和富氧程度等，共包含 组模拟数据为了保证预测结果的准确度，本文中根据格拉布斯准则剔除烘烤数据库中的数据钢包烘烤具有时间连续性的特点，因此需要采用插值法对缺失值加以补充，以保证输入 模型的时间步长相等在钢包烘烤过程中，时延的特点非常明
11、显，某一时刻燃烧器的烘烤效果往往需要在一段时间后才能体现出来如果预测模型不能获取数据与时间序列间的关系，预测结果的准确度是很低的因此，适合处理时间序列的预测模型才能满足要求材 料 与 冶 金 学 报 第 卷 是一种典型的深度学习模型，属于循环神经网络（，）的变体 中一般只有一个简单节点，如一个逻辑回归函数（）或双曲正切函数（）而在 网络中，隐藏层中的结构由简单节点变为单元，这使得该变体不但保留着 模型大部分特性，还解决了 过程中的梯度爆炸和梯度消失问题因此，适合处理与时间高度耦合的实际任务图 展示了一个具有门结构的 隐藏层单元隐藏层单元内的第 条线表示单元状态，它可以保留历史时间的特征参数从
12、到 层和层的箭头允许 个门观察单元状态，用于训练输入的特征参数，其中存储单元包含 个遗忘门（第 层），个输入门（分两部分，包括 个 层和 个 层）和 个输出门（与 层合并后的 层输出）每个门是前馈神经网络中的一个标准神经元：其中 表示在时间步长；表示可微分函数的加权和；输入门、遗忘门和输出门这 个控制门的输出分别与图中的一个乘法节点相连，从而控制信息流的输入和输出以及细胞的状态 是一个输入节点（集合为），可以对应一个特征参数，该特征参数是燃烧模拟计算时的钢包烘烤相关参数；是一个输出节点，可以对应 单元的输出状态ht-1htht+1ltanhltanhlllXt+1Xtltanhltanhlll
13、ltanhltanhlllXt-1图 结构示意图 单元的运行可以用以下公式表示：（，）（）（，）（）（，）（）（）式中：为权重，为偏置 预测模型主要由输入层、中间层和输出层组成基于对钢包烘烤过程的分析，本文中确定输入层的输入参数是给定参数和可调参数给定参数作为对应工况的识别，可调参数分为空气流量、燃气流量、氧气流量和加热时间在人工操作的情况下，以各气体流量阀的开度随加热时间的变化信息表征空燃比和富氧程度的调节输出层的参数是 排放量、燃烧效率和升温速率 预测模型如图 所示 优化模型遗传算法（，）最早是由美输入中间层输出给定参数空气流量氧气流量燃气流量加热时间燃烧效率升温速率NOx排放量LSTM-
14、ALSTM-N图 预测模型 国的 于 世纪 年代提出的，该算法是依照大自然中生物体进化规律而进行设计的，是模拟生物进化过程中基因变异和自然选择的计算模型，以进化过程来搜索目标函数最优解的方法在求解较为复杂的多目标优化问题时，与一些常规优化算法（如罚函数法、约束法等）相比，通常能够较快地获得较好的优化结果目前，已被广泛应用于多目标优化、机器学习、第 期 卢厚杨等：基于燃烧模拟和深度学习的钢包烘烤优化人工智能等领域本文中利用训练完成的 预测模型建立 优化模型，以获得最佳的烘烤参数设定（空燃比和富氧程度），实现 排放量、燃烧效率和升温速率的综合优化目标并取得最优结果模型流程如图 所示模型中个体的适应
15、度函数可以表示为 （）式中：表示个体烘烤的燃烧效率，表示该个体的升温速率，表示该个体的 排放量当最优适应度停止上升或达到预设最大遗传次数时终止计算，输出最优烘烤参数设定开始数据导入拟合适应度适应度计算选择计算交叉计算变异计算下一代种群达到最大次数遗传次数+1输出最佳参数结束初始化种群种群第一代LSTM预测否是图 优化模型流程 结果分析 预测结果分析本文中建立了多输入（包括给定参数和可调参数）、多输出（目标参数）的 预测模型，根据输入的 组燃烧模拟数据进行训练，其中有 组用作训练集，组用作测试集，组用作验证集测试集的升温速率预测结果如图 所示，燃烧效率和 排放量的预测结果准确度与升温速率的预测结
16、果准确度相似 图 展示了 预测模型的 个目标参数相对误差从图中可以看出，个目标参数的预测结果准确度都比较稳定，误差均在 以内排放量、燃烧效率和升温速率的平均相对误差分别为 ，和 结果表明，利用基于 燃烧模拟模型输出的数据库进行训练时，预测模型是预测钢包烘烤器烘烤效果的有效方法，为构建 优化模型（根据 预测结果建立）提供了有力支撑 的优化结果为了说明本文中研究的 模型的优化效果，选择某一特定工况进行优化计算，工况参数如表 所列，优化结果如表 所列20604080100120数据编号120100806040200升温速率/(Kh-1)实测值预测值图 升温速率预测结果与实测值对比 0100400300200500数据编号1.000.750.500.250-0.25-0.50-0.75-1.00相对误差/%升温速率NOx排放量燃烧效率图 目标参数的相对误差 表 工况参数 目标温度燃气温度空气温度燃气总流量（）由表 可知：优化后 排放量减少了 ，这可能是由于平均富氧程度提高后，燃烧较为稳定，钢包内部温度分布均匀，生成量减少；优化后燃烧效率提高了 ，这是由于平均富氧程度提升，热损失减少，燃气节约量