水電站混凝土澆筑用冷水管結(jié)垢系數(shù)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型

朱 敏，趙 瑋，任萬英

(1.內(nèi)蒙古機電職業(yè)技術(shù)學(xué)院水利與土木建筑工程系，內(nèi)蒙古 呼和浩特 010070；2.達(dá)信建設(shè)發(fā)展有限公司，內(nèi)蒙古 呼和浩特 010020；3.華北水利水電大學(xué)電力學(xué)院，河南 鄭州 450003)

0 引 言

為了防止水電站大壩的大體積混凝土在澆筑過程中產(chǎn)生大量的溫度裂縫，在拌和樓中設(shè)置冷水站對砂漿預(yù)冷從而降低澆筑混凝土的溫度，最終達(dá)到控制混凝土入倉溫度，提高澆筑質(zhì)量的目的[1]。水電站拌和樓的冷水站是大體積混凝土拌和中使用的一種大型換熱器[2]。冷水站的應(yīng)用實現(xiàn)了大壩混凝土冷卻系統(tǒng)自動化，加速了壩體大體積混凝土的澆筑速度，提高了接縫灌漿的質(zhì)量[3]。在冷水站工作的過程中通過冷水管進(jìn)行溫度交換，由于冷卻水中含有的雜質(zhì)積聚而產(chǎn)生污垢。結(jié)垢是限制冷水站工作效率的一個的主要問題。污垢的存在使得熱傳導(dǎo)能力降低，導(dǎo)致冷凝壓力增加從而降低了循環(huán)效率[4]。對污垢進(jìn)行精確、有效的預(yù)測以制定最優(yōu)化的冷水管清洗工作計劃，是提高冷水站熱循環(huán)效率的重要前提[5]。

由于影響冷水管結(jié)垢的各種因素包括結(jié)垢因子F的初值、液體性質(zhì)等，在不同預(yù)測條件的參數(shù)下，預(yù)測結(jié)果具有變異性[6]。一些學(xué)者提出冷水管污垢預(yù)測的研究新方法，從預(yù)測和監(jiān)測角度對換熱設(shè)備的污垢開展研究[7]。近年來，隨著人工智能的建模方法在各種工程領(lǐng)域取得了大量應(yīng)用，利用智能模型方法預(yù)測冷水管污垢系數(shù)的研究已經(jīng)取得了一些成果。其中包括冪率預(yù)測模型[8]、漸進(jìn)預(yù)測模型[9]、灰色預(yù)測模型[10]以及概率模型[11]等。

本文基于K均值算法和Chebyshev神經(jīng)網(wǎng)絡(luò)模型的原理，設(shè)計出了一種基于神經(jīng)網(wǎng)絡(luò)權(quán)值的智能確定方法，進(jìn)而建立冷水管的污垢系數(shù)F的預(yù)測模型。在預(yù)測過程中，綜合考慮多種冷水管試驗工況進(jìn)行污垢系數(shù)的預(yù)處理。最后用K均值算法對輸入數(shù)據(jù)進(jìn)行分類，用改進(jìn)Chebyshev神經(jīng)網(wǎng)絡(luò)算法對不同類別的污垢系數(shù)進(jìn)行仿真計算，對結(jié)果進(jìn)行了評價。

1 污垢形成特點分析

冷水管結(jié)垢和清洗的周期性過程使得各種工況的條件參數(shù)始終處于動態(tài)變化，這對污垢預(yù)測有重要影響[12]。冷水管污垢清洗過程如圖1所示。冷水管的結(jié)垢過程是循環(huán)往復(fù)的，隨著冷水管的運行，管內(nèi)積聚的污垢越來越多。污垢包括2種類型，一種是冷卻水中的懸浮固體和微生物沉積引起的松散污垢，即軟污垢；另一種是無機鹽沉降引起的結(jié)晶污垢，即硬污垢。當(dāng)污垢系數(shù)F達(dá)到一定值時，采用水力或海綿球系統(tǒng)對冷水管進(jìn)行清洗，可以有效去除松散污垢，但無法徹底清除結(jié)晶污垢。因此，經(jīng)過水力和海綿球清洗后，污垢系數(shù)不可能降低為0。因為殘余污垢的存在，使得經(jīng)過多次清洗后污垢系數(shù)仍然會增加。當(dāng)殘余污垢超過臨界值時，冷水管的換熱性能急劇下降，水力或海綿球清洗失效。因此，需要采用化學(xué)試劑清洗污垢，使得污垢系數(shù)接近0。污垢的積聚與消散過程是兩種清洗過程的結(jié)合，即水力或海綿球清洗周期(TWP)和化學(xué)清洗周期(CWP)。污垢系數(shù)為

圖1 結(jié)垢過程中的污垢系數(shù)變化特點

F(t)=Ffs(t)+Ffh(t)=Ffs(t0)+Ffs(t-t0)+ΔFfh(t-t0)

(1)

式中，F(xiàn)fs為軟污垢系數(shù)，采用水力或海綿球清洗；Ffh為硬污垢系數(shù)，采用化學(xué)清洗。

從結(jié)垢的機理上看，液體系統(tǒng)結(jié)垢可分為結(jié)晶結(jié)垢、顆粒結(jié)垢、腐蝕結(jié)垢、化學(xué)反應(yīng)結(jié)垢生物結(jié)垢和冷凍結(jié)垢6大類[13]。冷水管污垢的形成可能是多種污垢機理共同作用的結(jié)果。例如，結(jié)晶污垢和腐蝕污垢往往混合并存于一個受熱面，在傳熱壁上同時產(chǎn)生的幾種污垢相互影響。對于冷水管基本結(jié)垢類型的認(rèn)識是防止結(jié)垢的重要前提。

污垢形成過程不僅是質(zhì)量、能量和動量交換的動態(tài)組合，而且是大量復(fù)雜過程同時進(jìn)行的綜合反應(yīng)。因此，影響結(jié)垢過程的因素很多，如液體的性質(zhì)、管壁溫度、液體與管壁之間的溫度梯度、液體流速、管壁狀態(tài)等。不同因素條件導(dǎo)致了不同的結(jié)垢特性，但在各種污垢的形成過程中，一般會經(jīng)歷5個階段，分別是起始、輸運、粘附、老化、侵蝕階段。雖然污垢形成過程不盡相同，但都是在潔凈的受熱面與不潔凈的流體接觸后產(chǎn)生的。結(jié)垢過程主要是兩個相反過程的疊加效應(yīng)，一是由于雜質(zhì)沉積在受熱面，污垢因子增加；另一個原因是受流體影響的污垢材料被剝離，污垢因子降低。實際上，污垢因子隨時間的變化是兩種性能疊加的結(jié)果[14]。

2 改進(jìn)神經(jīng)網(wǎng)絡(luò)污垢預(yù)測模型

2.1 神經(jīng)網(wǎng)絡(luò)模型簡介

神經(jīng)網(wǎng)絡(luò)是一種模擬人腦功能的抽象數(shù)學(xué)模型，通過自我調(diào)節(jié)和組織能力，“學(xué)習(xí)”處理特定的目標(biāo)任務(wù)。人工神經(jīng)網(wǎng)絡(luò)具有自我學(xué)習(xí)能力的優(yōu)點，可以在學(xué)習(xí)數(shù)據(jù)中盡量減小數(shù)據(jù)偏差以獲得目標(biāo)范圍內(nèi)的預(yù)測結(jié)果[15]。

根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)及工作方式可將神經(jīng)網(wǎng)絡(luò)分為前饋型和反饋型網(wǎng)絡(luò)。其中Chebyshev神經(jīng)網(wǎng)絡(luò)是從輸入到輸出的高度非線性映射[16]，能夠進(jìn)行自組織學(xué)習(xí)以調(diào)整節(jié)點的權(quán)值，從而對復(fù)雜非線性問題進(jìn)行考慮各因素的綜合處理。Chebyshev神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示，神經(jīng)網(wǎng)絡(luò)基本思想是通過對n個輸入學(xué)習(xí)樣本(X1～Xn)和目標(biāo)矢量Y之間的誤差來修改樣本的權(quán)值，使得計算中間值(P1～Pn)與期望值Y盡可能接近。

圖2 Chebyshev神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意

神經(jīng)網(wǎng)絡(luò)算法是一種監(jiān)督式的學(xué)習(xí)算法，由信息正向傳遞和誤差的反向傳播2部分組成。在正向傳遞過程中，輸入信息經(jīng)隱含層逐層計算，并傳至輸出層，在計算中每一層神經(jīng)元狀態(tài)只對其下一層的神經(jīng)元狀態(tài)產(chǎn)生影響。在輸出層輸出值為達(dá)到目標(biāo)時計算誤差變化值，經(jīng)過反向傳播修改各層神經(jīng)元權(quán)值，經(jīng)此計算過程直至達(dá)到期望的目標(biāo)值。

根據(jù)圖2所示，Chebyshev神經(jīng)網(wǎng)絡(luò)算法中各重要參數(shù)的計算過程為

(1)隱含層中第i個神經(jīng)元的輸出，即

(2)

(2)輸出層第k個神經(jīng)元的輸出，即

(3)

(3)定義誤差函數(shù)

(4)

2.2 K均值算法

在K均值算法中，每個數(shù)據(jù)集對象的平均值表示被分割的集群。首先，隨機選取k個對象作為初始數(shù)據(jù)集的中心；其次，根據(jù)每個物體到中心的距離，將剩下的物體分配到最近的集合中；最后，將每個集合平均值重新計算為新集合中心，重復(fù)此過程，直到規(guī)則函數(shù)收斂。通常使用平方誤差規(guī)則函數(shù)進(jìn)行收斂判據(jù)，即

(5)

式中，E為所有對象與集合中心的平方誤差之和；P為數(shù)據(jù)空間中的一點；mi為結(jié)合Ci的平均值。

不同季節(jié)的溫度對污垢因子有重要影響。根據(jù)污垢因子與光照時間的關(guān)系，光照時間越長，平均細(xì)胞數(shù)與污垢因子F越大。選取具有代表性的8月和10月的統(tǒng)計數(shù)據(jù)進(jìn)行模型驗證。

2.3 改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法

在實際的冷水管系統(tǒng)運行中，經(jīng)常會遇到冷卻水流速、負(fù)荷突變等因素的干擾。因此，對外部干擾的識別與控制進(jìn)行研究是有必要的。當(dāng)冷卻水流速和負(fù)荷沒有突變時，污垢系數(shù)不會發(fā)生突變。進(jìn)行污垢系數(shù)預(yù)測之前，已知最大臨界值和最小臨界值，故設(shè)置污垢系數(shù)F的閾值：①污垢系數(shù)的正最大變量為ΔF+；②污垢系數(shù)的負(fù)最大變量為ΔF-；③污垢系數(shù)最大值F+；④污垢系數(shù)最小值F-。

當(dāng)污垢系數(shù)的外部干擾過大時，根據(jù)以下規(guī)則處理預(yù)測值:

If Δf(k)≥ΔF+,then Δf(k)=ΔF+;

If Δf(k)≤ΔF-,then Δf(k)=ΔF-;

Iff(k-1)+Δf(k)≥F+,then Δf(k)=F+-f(k-1);

Iff(k-1)+Δf(k)≤F-,then Δf(k)=F--f(k-1);

其中，Δf(k)為連續(xù)時間序列中反向差分的污垢系數(shù)值；f(k)為當(dāng)前步污垢系數(shù)的值；f(k-1)為前一步污垢系數(shù)的值。

當(dāng)冷卻水流速或負(fù)荷有較大突變時，腐蝕階段的污垢剝落是影響的關(guān)鍵，此時污垢系數(shù)急劇降低。對于這種情況，按以下方法進(jìn)行處理：如果冷卻水流速等于或大于一個限值Vmax,則污垢系數(shù)為f(k)=f(k-1)-C，C為常數(shù)。如果冷卻水速度小于Vmax，則污垢系數(shù)將按照冷卻水速度或負(fù)載沒有突然變化處理。

采用上述方法對神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)進(jìn)行預(yù)處理，對數(shù)據(jù)采樣后的Chebyshev神經(jīng)網(wǎng)絡(luò)自適應(yīng)算法進(jìn)行改進(jìn)，理論上可以達(dá)到要求的目標(biāo)。

2.4 污垢預(yù)測

利用新建的改進(jìn)神經(jīng)網(wǎng)絡(luò)模型和K均值算法，對污垢進(jìn)行預(yù)測。步驟為①將輸入數(shù)據(jù)用K均值算法對污垢系數(shù)進(jìn)行季節(jié)識別后，對軟污垢分階段進(jìn)行識別；②用改進(jìn)神經(jīng)網(wǎng)絡(luò)模型計算結(jié)垢過程中各個階段預(yù)測值；③將各階段的預(yù)測值進(jìn)行疊加，得到軟污垢的預(yù)測值Ffs；④采用數(shù)理統(tǒng)計方法計算硬污垢預(yù)測值Ffh；⑤將軟污垢Ffs和硬污垢預(yù)測值Ffh進(jìn)行求和，即獲取污垢系數(shù)的最終預(yù)測值。

3 預(yù)測實例

為了給神經(jīng)網(wǎng)絡(luò)預(yù)測模型提供必要的依據(jù)，通過MATLAB軟件編輯的K-均值算法對不同月份的數(shù)據(jù)進(jìn)行分類并求出相應(yīng)的污垢因子。取8月和10月的數(shù)據(jù)做樣本，如圖3所示。結(jié)果表明，由于外部環(huán)境因素的影響，尤其是溫度因素的影響，8月的污垢系數(shù)F遠(yuǎn)遠(yuǎn)大于10月。圖4所示為8月和10月污垢系數(shù)模擬結(jié)果，從圖中可以看出不同階段污垢特征曲線不同。

圖3 K均值算法仿真樣本

圖4 系數(shù)預(yù)測

根據(jù)上述污垢形成機理，采用K均值算法將數(shù)據(jù)集為啟動階段、粘附階段和老化階段3類，仿真結(jié)果如圖5、6所示。啟動階段、粘附階段和老化階段的污垢系數(shù)區(qū)間分別為[0，0.05]、[0.05，0.38]和[0.38，0.4]。從圖5可知，啟動階段的污垢系數(shù)增長緩慢，附著階段的污垢系數(shù)增長平穩(wěn)，老化階段的污垢系數(shù)呈飽和平穩(wěn)狀態(tài)。

圖5 不同階段的污垢系數(shù)示意

圖6 不同階段的污垢系數(shù)預(yù)測結(jié)果

由于冷卻水流速對輸送階段和侵蝕階段的影響較大，將這2個階段進(jìn)行分析，如圖7所示。在圖7中，圖7a顯示冷卻水流速的變化曲線，圖7b顯示相應(yīng)流速下的污垢系數(shù)變化曲線。在污垢系數(shù)F初值為0.3，當(dāng)冷卻水流速V較慢時，侵蝕主要形式為污垢的溶解和磨蝕，此過程的污垢系數(shù)的侵蝕速率比較緩慢，小于污垢的累積速率故圖中所示的污垢系數(shù)有所增加。而當(dāng)冷卻水流速V突增時，侵蝕形式主要是污垢剝落。污垢系數(shù)F衰減速率較快，而污垢累積效應(yīng)小于侵蝕效應(yīng)，從而使得污垢系數(shù)的數(shù)據(jù)急劇下降。

圖7 污垢系數(shù)與積聚時間的關(guān)系

冷水管污垢系數(shù)的實際輸出數(shù)據(jù)由圖8的實線所示。由本文提出的基于K均值和Chebyshev神經(jīng)網(wǎng)絡(luò)模型仿真計算結(jié)果如圖8所示的虛線所示。同時，本文亦采用前人的開發(fā)的污垢預(yù)測模型方法對污垢系數(shù)進(jìn)行同步預(yù)測，這里比較冪率預(yù)測模型和漸進(jìn)預(yù)測模型的預(yù)測曲線[17]。從圖8可以看出，本文提出的神經(jīng)網(wǎng)絡(luò)自適應(yīng)算法能夠很好地逼近實際的污垢系數(shù)曲線，預(yù)測效果明顯優(yōu)于冪率預(yù)測模型和漸進(jìn)預(yù)測模型。

圖8 各預(yù)測模型輸出結(jié)果的比較

4 結(jié) 論

(1)利用MATLAB軟件建立了一種預(yù)測大壩混凝土澆筑冷水站中冷水管污垢系數(shù)的方法，基于K均值算法可以有效地對不同月份和不同階段的污垢系數(shù)進(jìn)行分類，并且利用神經(jīng)網(wǎng)絡(luò)和分段建模相結(jié)合的污垢系數(shù)預(yù)測方法取得了很好的效果。

(2) 改進(jìn)的Chebyshev神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)算法在進(jìn)行壩體混凝土澆筑冷水管污垢預(yù)測時，對污垢系數(shù)存在的小擾動具有一定的適應(yīng)性。

(3)利用神經(jīng)網(wǎng)絡(luò)模型結(jié)合K均值算法預(yù)測冷水管污垢系數(shù)的方法，比漸進(jìn)預(yù)測模型與冪率預(yù)測模型的輸出結(jié)果具有更好的效果，這種方法的提出為混凝土澆筑冷水管凈化方案的設(shè)計提供了科學(xué)合理的數(shù)據(jù)支撐。