石油焦立式罐式煅烧炉（VSC）瞬态热响应与TCLCA驱动的罐中心线温度递归预测

《Materials》：Transient Thermal Response and Simulation-Driven Machine Learning Prediction for Temperature in a Petroleum Coke Vertical Shaft Calciner

　　

石油焦立式罐式煅烧炉（vertical shaft calciner, VSC）中的瞬态温度演化有助于评估其对运行扰动的响应，但瞬态多物理场模拟成本较高。研究人员开发了一个瞬态二维多物理场模型，该模型表征24罐、八层并流式VSC中一个罐及其一侧火道，并采用给定火道温度，用于研究火道温度和单罐排料速率的阶跃变化。将上部火道温度提高200 K使高温煅烧区由1.3 m扩展至1.9 m并向上迁移。将排料速率由95 kg/h提高至115 kg/h使该区由1.3 m缩短至0.3 m并向下迁移。炉墙在10 h内接近准稳态，而焦床需要长达40 h。利用9种火道温度扰动条件下510个罐中心线位置数值生成的4.59 × 10⁵个温度值，研究人员开发了时间卷积网络–双向长短期记忆网络–卷积神经网络–注意力机制（Temporal Convolutional Network–Bidirectional Long Short-Term Memory–Convolutional Neural Network–Attention, TCLCA）代理模型。TCLCA在递归预测中达到R²为0.997，同时将计算时间减少约94%。该框架可实现模拟中心线温度演化的快速预测。

石油焦立式罐式煅烧炉（vertical shaft calciner, VSC）是中国石油焦煅烧的关键设备，煅烧焦主要用于铝电解预焙碳阳极制备。煅烧通过高温去除挥发分、提高结构密度和去除杂质，炉内操作温度直接影响过程效率、能耗和产品质量。现有VSC煅烧操作存在煅烧焦回配策略欠佳、挥发分利用不足、余热回收效率低以及操作突变引起内部温度分布突然扰动等问题；实时捕获炉内瞬态温度场受传感器和经济性限制，调整常延迟且不精确，可能导致碳质材料损失、耐火衬里磨损加快和煅烧产品质量一致性下降。计算流体动力学（computational fluid dynamics, CFD）可预测复杂传热传质和多参数耦合，但瞬态模拟计算费用高、耗时长，难以提供实时反馈。已有研究包括Xiao et al.的实时二维温度分布模型、Zhou et al.的耦合流体–固体CFD模型、Xiao et al.的双流体模型、Li et al.的操作参数对高温煅烧区迁移影响以及Zheng的三维非稳态双流体模型；机器学习已被用于回转窑温度预测、高炉内部状态预测和晶圆退火炉温度均匀性优化。仍缺乏对高温煅烧区时间依赖迁移、炉墙与焦床热响应时间差异以及多物理场瞬态分析与机器学习递归预测罐中心线温度演化结合的研究。为此，研究人员建立瞬态二维多物理场模型，研究火道温度和单罐排料速率阶跃变化下温度演化、煅烧区迁移和热响应时间，并开发TCLCA代理模型（surrogate model）实现罐中心线温度快速递归预测，其意义在于为快速热状态评估和操作调整提供框架。

关键技术方法（不超过250字）：研究人员采用COMSOL Multiphysics 6.4有限元法建立二维瞬态模型，先求稳态基线再初始化瞬态计算；模型将石油焦视为连续介质，按给定速度下降，采用三阶段独立平行热解动力学，并以有效热容法计入水分蒸发和热解吸热；八层火道温度按给定值处理，使用约16,380单元的中等网格，模拟0–5000 min并按1 min输出。样本来源为某石油焦冶炼厂年度煅烧数据，用于确定火道温度、八层火道温度和单罐排料速率波动范围；随后在9种火道温度扰动条件下数值生成510个中心线位置、0–19.8 h每0.2 h采样100个剖面、共4.59 × 10⁵个温度值的数据集，并按工况划分训练、验证和测试集。TCLCA由TCN-BiLSTM、CNN-Attention、特征融合和输出层构成。

研究结果如下。4.1 火道温度突然变化的影响（Impact of Sudden Flue Temperature Change）：火道温度阶跃升高或降低200 K时，炉墙因导热性高在5 h内快速响应、约10 h稳定；罐内高温煅烧区扩展并上移或显著下移；升高200 K后10 h内罐内响应显著，15–20 h温度场稳定，L7和L8区域温度超过1500 K，易结焦和堵料；降低200 K后10 h内罐内最高温度低于1323 K，不能形成有效高温煅烧区，15–50 h逐渐稳定但总体低于1200 K，易出现欠烧物料。结论是整体火道温度可在短期内调控高温煅烧区分布。4.2 上部火道温度的影响（Impact of Upper Flue Temperature）：L1和L2火道温度升高200 K后，L3–L5区域焦炭温度显著升高，高温煅烧区由1.3 m扩展至1.9 m，上边界10 h移至L6上部、15 h移至L5中部，迁移速率逐渐降低，约30 h接近新准稳态；降低200 K后L3–L5热驱动力减弱，扰动10 h扩展至L6、15 h至L7，高温区上边界30 h移至L7，轴向范围由1.3 m缩短至0.75 m，欠烧风险增加。结论是上部火道温度显著影响高温煅烧区轴向位置和范围，可用于调节焦床热状态并缓解过烧和欠烧风险。4.3 单罐排料速率的影响（Impact of Unit Discharge Rate）：单罐排料速率增加20 kg/h使焦炭停留时间缩短，中下部快速降温，5 h后高温煅烧区下移，20 h内移至L8，长度由1.3 m缩短至0.3 m，易欠烧，约15 h接近新准稳态；排料速率降低20 kg/h使停留时间增加、上部蓄热，L2–L4区域显著升温而下部升温慢，5–30 h高温区起始位置由L6上移至L5，长度增至2 m，后期L7和L8略升温并进入新稳态。5 h内罐中心温度受影响区域始终为L2–L4，表明短期自然热扩散和对流的调控效果一致。5.1 时间预测概念（Temporal Prediction Concept）：沿罐中心线观测点构造温度时间序列，以滑动窗口将9个连续历史温度剖面作为输入预测下一时间步温度剖面；火道温度和单罐排料速率未显式作为模型输入，数据集仅覆盖9种火道温度扰动条件，尚未验证独立排料速率变化。5.2.1 数据准备（Data Preparation）：基于某石油焦冶炼厂年度数据统计，L2火道温度波动范围为1100–1580 K，八层火道温度为950–1300 K，单罐排料速率为45–120 kg/h；二维模型划分为510×45个近似等大单元，每个单元为温度监测点；以L2火道为例，将基线约1623 K改为1423、1473、1523、1573、1673、1723、1773、1823和1873 K，其中7种用于训练，1823 K和1873 K分别用于验证和独立测试，每工况0–19.8 h每0.2 h采样100个剖面，共4.59 × 10⁵个温度值。5.2.2 数据预处理（Data Preprocessing）：按工况划分训练、验证和测试集；Min–Max缩放参数仅由训练输入序列按510个中心线位置独立确定，并用于训练目标及验证、测试数据而不重新拟合，以防信息泄漏，预测后再反变换回物理单位评估。5.2.3 模型评价指标（Model Evaluation Indicators）：采用平均绝对误差（mean absolute error, MAE）、均方误差（mean square error, MSE）和决定系数（R²）评价预测性能。5.3.1 TCN-BiLSTM：时间卷积网络（Temporal Convolutional Network, TCN）以膨胀卷积扩大感受野并采用残差连接捕获长期依赖，输出作为双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）输入，融合多尺度时间特征和双向序列建模。5.3.2 CNN-Attention：卷积神经网络（Convolutional Neural Network, CNN）多通道残差模块与全局注意力机制结合，残差连接和1×1卷积对齐维度以缓解梯度消失，全局注意力动态加权不同位置以捕获空间依赖并融合局部与全局特征。5.3.3 特征融合（Feature Fusion）：多头注意力将输入线性变换为Query、Key和Value，缩放点积注意力计算各头权重，拼接后线性变换，动态赋权融合时空特征。5.3.4 温度预测（Temperature Prediction）：融合特征展平后经Dropout正则化和全连接层线性映射，输出510个中心线位置的温度剖面。5.4.1 实验设置（Experimental Setup）：在GTX 1050、Windows 11 64位、Python 3.8、TensorFlow 2.8.2和CUDA 11.1环境下训练，采用Adam优化器和余弦退火学习率调度；单步预测与模拟值高度吻合；递归预测以测试条件前9个数值剖面初始化，反馈预测91个连续剖面且不使用额外模拟温度值，结果与模拟区间内数值剖面对比，高温煅烧区和低温区吻合较好，炉顶附近末端略偏；0–1200 min序列数值模拟需161 s，TCLCA递归推理约10 s，计算时间减少约94%。5.4.2 对比实验（Comparative Experiments）：与FC-LSTM、Transformer、LSTNet和DGCnetwork比较，TCLCA在单步和递归预测中均优于比较模型。5.4.3 消融实验（Ablation Experiments）：设计TCLCA-TCN、TCLCA-BiLSTM、TCLCA-CNN和TCLCA-Attention变体，完整TCLCA在所有指标上优于各变体；移除TCN削弱时间特征捕获，移除BiLSTM显著恶化双向时间关系建模，移除CNN显著降低空间信息建模，移除多头注意力导致性能下降和偏差增大；递归预测中移除BiLSTM性能显著恶化，移除多头注意力误差急增且R²显著下降；由于TCLCA仅用数值生成温度数据训练，其预测精度依赖数值模型可靠性，L3–L5区域差异可能传播至代理预测，报告精度反映与数值结果一致性而非实际炉温直接验证，仍需更多工况评估泛化性。

讨论部分总结：瞬态二维多物理场模型揭示火道温度和单罐排料速率阶跃变化下高温煅烧区迁移与热响应差异，炉墙约10 h接近准稳态而焦床需至约40 h；整体火道温度、上部火道温度和排料速率均显著影响高温煅烧区位置和范围，短期中心温度受影响区一致为L2–L4。TCLCA在评估测试工况下具有较高递归预测精度和计算效率，消融实验证实TCN、BiLSTM、CNN-Attention和多头注意力的贡献；局限在于训练数据仅来自数值模拟、预测精度依赖数值模型可靠性，且未验证独立排料速率变化，需更多工况评估泛化性。研究结论翻译：研究人员开发了瞬态二维多物理场模型，用于研究石油焦VSC在火道温度和单罐排料速率变化下的热响应。结果表明，提高火道温度使高温煅烧区上移并增加其轴向范围，而提高排料速率缩短石油焦停留时间并使高温区下移，从而增加欠烧风险。操作条件阶跃变化后，炉墙约在10 h内接近准热稳态，而焦床热响应较慢，需至约40 h才达到准稳态温度分布。基于数值模拟，研究人员构建了9种火道温度扰动条件下510个中心线位置的4.59 × 10⁵个时空温度值数据集，用于代理建模；开发了混合机器学习代理模型TCLCA预测中心线温度瞬态演化。在递归预测中，该代理模型在评估瞬态序列上达到R²为0.997、MAE为18.69 K；对同一中心线温度序列，计算时间由数值模型的161 s降至代理模型推理约10 s，在报告的计算条件下约减少94%。总体而言，所提出的模拟驱动代理框架为快速预测石油焦VSC瞬态温度演化和评估煅烧区迁移提供了高效方法；数值模型提供火道温度和排料速率扰动的热响应认识，TCLCA可在评估的火道温度扰动条件下快速预测中心线温度演化。