求解病态逆热传导问题:利用基于物理知识的扩散模型重建高炉内壁温度场
《Engineering Applications of Artificial Intelligence》:Solving ill-posed inverse heat conduction: Reconstruction of blast furnace inner wall temperature fields using a physics-informed diffusion model
【字体:
大
中
小
】
时间:2026年05月14日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
凌申|赖彦恒|陈志鹏|何建军|桂伟华
湖南师范大学信息科学与工程学院,中国长沙410081
**摘要**
高炉的内部温度场对钢铁生产至关重要,它影响着能源使用、排放和冶炼成本,并确保了操作的稳定性。由于高炉内部环境封闭、多尘、高温且高压,直接测量内壁温度是不可行的。
凌申|赖彦恒|陈志鹏|何建军|桂伟华
湖南师范大学信息科学与工程学院,中国长沙410081
**摘要**
高炉的内部温度场对钢铁生产至关重要,它影响着能源使用、排放和冶炼成本,并确保了操作的稳定性。由于高炉内部环境封闭、多尘、高温且高压,直接测量内壁温度是不可行的。目前的方法依赖于稀疏的外壁热电偶测量数据,通过数学模型来重建内部温度场。然而,巨大的高炉体积加上有限的外壁数据导致逆热传导问题高度不适定,这限制了工业应用的准确性和效率。为了解决这个问题,我们提出了Diffusion-PINN(一种基于扩散物理信息的神经网络),该方法将温度场反演转化为基于扩散的温度分布图生成过程。对于逆热传导问题,扩散模型被设计为能够拟合内壁和外壁温度场的联合分布,从而直接生成耦合的温度分布,避免了逆问题的多解问题。为了处理稀疏的测量点并提高解决方案的准确性,物理热传递信息被作为条件约束嵌入到扩散过程中,在训练过程中逐步缩小约束范围。此外,还提出了一种动态损失拉取算法,以提高解决方案的准确性和训练速度。针对大空间尺度的挑战,计算密集的反演过程被简化为高度可并行的地图生成任务,从而能够快速重建大规模的温度场。仿真结果表明,这种方法有效地解决了逆热传导问题。当应用于高炉冶炼时,它达到了工业应用所需的准确性和效率,具有重要的实际价值。
**引言**
钢铁是现代工业的基础,在基础设施建设和制造业中发挥着至关重要的作用。高炉(BF)炼铁是钢铁生产中的关键工艺,对于含铁材料的转化至关重要(Chen等人,2025年)。这一过程占钢铁生产总能耗和成本的约60%至70%(Zhang等人,2025年)。高炉的高效稳定运行不仅对炼铁质量至关重要,而且对于确保连续生产和经济效益也必不可少。在各种操作参数中,炉温是监测炉况和实现精确控制的关键指标,因为它直接反映了炉内反应状态、热量分布和材料冶炼情况。高精度的温度测量对于维持稳定的炉况、保证熔铁质量以及提高效率和减少排放具有不可替代的作用。
高炉是钢铁冶炼的关键设备,通过高温还原反应将铁矿石完全转化为液态生铁。作为一种大规模的封闭式逆流反应器,高炉具有高温、高压和高粉尘水平的特点,形成了一个内部环境复杂且反应机制多样的恶劣环境。高炉通常分为五个主要区域:喉部、炉身、腰部、腹部和炉底,每个区域负责特定的物理化学反应功能(如图1所示)。炉壁是高炉内的少数几个可以安装传感器的区域之一,从外到内依次由炉壳、填充层、冷却壁、耐火砖和内衬组成。炉壁的内表面直接暴露在高温气体和熔融材料中,承受着巨大的热负荷和化学侵蚀。其温度是最直接和可靠的指标,用于理解温度分布、能量传递特性以及控制冶炼过程。然而,高炉的封闭性质及其极端条件使得直接观察内部状态变得困难。此外,传感器通常以环形配置安装在炉壁外侧,以间接估计内壁温度,这增加了准确测量内壁温度的复杂性。这些因素给直接测量高炉内壁温度带来了重大挑战。
为了应对检测高炉温度信息的技术挑战,全球研究人员进行了系统研究,主要发展了两种方法:直接测量和软感知。直接测量方法包括三类:仪器测量、火焰观察和经验估计。仪器测量使用耐高温传感器(如热电偶、光纤传感器)和红外热成像系统来获取温度数据(Gong等人,2023年)。然而,其准确性和稳定性受到传感器寿命、环境干扰和布置策略的显著限制。火焰观察基于火焰形态和色谱分析来估计温度,但这种方法具有高度主观性且重复性较差。尽管最近通过图像驱动的火焰特征分析取得了改进(Cao等人,2021年),但仍存在挑战。经验估计完全依赖于操作人员的经验,缺乏定量基础。虽然直接测量方法可以在特定的短期实验中获取高精度的“真实”数据(作为模型验证的可靠基准),但高炉的极端内部环境对传感器寿命和空间覆盖范围提出了重大限制,使得长期、连续和全尺度监测变得不可行。因此,软感知成为必要的替代方案。通过依赖可靠且持续可用的外壁测量数据,并严格遵循物理热传递定律(即偏微分方程(PDEs)(Chengbao Liu等人,2025年;Chen等人,2024年;Jiang等人,2022年;Zobeiry和Humfeld,2021年),软感知可以重建具有高物理一致性的内部状态,弥补了直接测量在长时间内的不足。
相比之下,软感知技术已在工业环境中得到广泛应用(Chengbao Liu等人,2025年;Chen等人,2024年;Jiang等人,2022年;Zhang和Zhang,2022年;Zobeiry和Humfeld,2021年)。这些方法通常分为基于机制的建模和数据驱动的方法。基于机制的建模基于物理化学原理(如炉壁中的热传导、化学反应动力学和物质传输),通过数学建模来模拟温度场分布。例如,Hou等人(2010年)使用ANSYS对炉壁的稳态温度场进行了数值分析,并基于最小二乘回归得出了渣壳厚度与热电偶温度之间的定量关系。Lu等人(2014年)开发了铜冷却棒的三维(3D)有限元模型,准确捕捉了它们的热特性。在此基础上,Mohanty等人(2015年)比较了不同内衬材料的热力学性能,并提出了改进的高炉冷却棒有限元模型。此外,Su等人(2013年)和Acevedo等人(2015年)的研究进一步证实,增加网格密度可以提高仿真精度。
另一方面,数据驱动方法由于能够将机器学习与工业大数据分析相结合而受到关注。Cui等人(2018年)在这一领域处于领先地位,提出了一种基于图像特征和过程数据多信息融合的温度预测方法,展示了结合异构数据源进行高炉监测的有效性。在此基础上,Yan等人(2024年)提出了一种协同控制策略,用于管理高炉中的物料水平和温度,利用近似过程模型来增强多变量调节。Jiao等人(2022年)引入了一种协同多秩回归模型,准确捕捉了过程参数之间的非线性关系以进行温度预测。Li等人(2024年)提出了一种多时间尺度在线融合方法,用于估计喉部温度,显著提高了动态条件下的适应性。此外,Zhang等人(2024年)利用数字孪生技术,结合火焰图像和实时生产数据,实现了对高炉中心和边缘区域温度场的高精度软感知。
相关领域的补充研究也提升了软感知能力。Hua等人(2023年)构建了一个深度卷积神经网络(DCNN)来重建多芯片模块中的温度场。Liu等人(2022年)提出了一种基于物理信息神经网络的热源系统温度场反演框架,实现了准确高效的状态估计,而无需大量的计算开销。Zhao等人(2023年)提出了用于预测热源布局中温度场的物理信息卷积神经网络,无需标记数据即可实现稳健的性能。最后,Shen等人(2023年)提出了一种使用多损失一致性框架优化的物理信息神经网络,实现了铝合金工件中3D瞬态温度场的准确建模。
软感知技术在高炉温度监测领域显示出巨大潜力,为预测内壁温度提供了创新解决方案。标准概率框架(如高斯过程回归(GPR)和集成学习)在不确定性量化方面已经成熟(Li等人,2025年;Bash和Khail,2025年)。然而,当应用于高炉壁温度的高维重建时,它们遇到了严重的瓶颈(Bash和Khail,2025年)。主要限制是计算成本:标准GPR的立方级缩放使得计算成本过高,尤其是在需要高分辨率输出的情况下。除了计算成本外,这些方法的单一模式高斯假设不适合逆热传导的多模态特性,这往往导致过度平滑的平均值,掩盖了系统中的关键高频细节(如局部热点),而不是捕捉系统中的多种潜在状态。此外,与提出的生成方法不同,将复杂的物理约束严格嵌入GPR核在数学上难以实现。
在这种情况下,重建大规模工业系统(如高炉)的内部温度场仍然面临以下关键挑战:
(1) 从低温数据推断高温数据的一对多不适定问题。虽然现有方法可以在一定程度上估计高炉的内壁温度,但由于热传递的物理特性,它们存在局限性。在高温到低温的传导过程中,存在唯一解;然而,从低温数据推断高温会产生多个可能的解,从而导致不适定问题。传统方法难以全面覆盖所有可能的解,从而限制了结果的准确性和可靠性。
(2) 稀疏数据对高精度解决方案的约束。在高度可达50米、最大截面周长约为38米的高炉中,外壁的温度采样密度极低(每层大约10个传感器)。这种稀疏的传感器分布给构建高分辨率网格带来了重大挑战,严重影响了建模解决方案的准确性。
(3) 大空间尺度与实时计算需求之间的冲突。基于有限元分析的数值计算方法由于高炉环境的大空间尺度而面临网格尺寸的显著增加,导致计算需求大幅上升,难以满足实时解决方案的要求。
为了解决上述挑战,本研究提出了一种结合软建模和迭代校正的方法来解决温度场问题。主要贡献如下:
(1) 提出了适用于高炉逆热传导的生成模型。生成模型特别适合解决逆问题的固有不定性,因为它们可以根据给定输入条件生成多种潜在解。与纯粹的数据驱动黑盒模型不同,所提出的方法整合了热传导机制,确保重建的温度场不仅在数学上是最优的,而且在物理上也是可信的,即使在没有连续内部传感器数据的情况下也是如此。这种能力使得可以从潜在分布中构建高炉内壁温度的全面解决方案空间,有效克服了传统数学逻辑中常见的单值函数映射的局限性。该方法在处理高炉复杂热环境中的非线性温度变化时表现出显著优势,为精确监测和分析高炉内壁温度提供了新的技术视角。
(2) 通过损失约束和迭代校正提高解决方案的准确性。一个专门的损失拉取模块将离散的温度观测偏差和物理约束转换为约束向量,然后将其嵌入解决方案模型中。这一过程构建了一个动态收缩的温度分布解决方案空间。为了确保获得的解决方案与实际外壁温度测量结果在物理上一致,本研究提出了一种基于外壁边界温度的迭代校正机制。该机制在温度解决方案和测量数据之间建立了误差反馈循环,从而通过逐渐逼近真实值显著提高了解决方案集的精度。
(3) 使用扩散生成模型转换解决方案过程。这些模型因其在图像处理方面的高效性而受到认可,它们能够学习热传导在内外墙之间的空间图像中的复杂映射关系。这种转换将求解复杂偏微分方程(PDEs)这一具有挑战性的任务转化为一个图像生成问题,从而合成解决方案空间和边界条件。这种简化大大提高了问题解决的效率。当与GPU的并行处理能力结合使用时,这种方法还能显著提升计算效率。
**BF墙的物理结构分析**
在引言中简要概述了BF的结构。BF炉膛壁是从底部到顶部逐层建造的,共有15层,每层的半径各不相同。每层都嵌入了热电偶以监测温度。具体来说,位于炉体中部第七层的BF墙配备了铜冷却棒,这是最常用的冷却棒类型。因此,本研究选择了第七层作为研究对象。
**结果与讨论**
本研究使用的数据是基于中国某钢铁厂的一个2650立方米BF炉模拟得到的。相关材料的物理性质参数详见表1(Liu等人,2016年;Lu等人,2014年)。根据冷却水的流量计算出平均流速为1.5米/秒,由此得出冷却水与冷却壁之间的传热系数为280瓦特/(平方米·摄氏度)。热电偶的采样间隔设置为10分钟。
**结论**
本研究解决了BF内壁温度场反演中的关键挑战,包括测量点稀疏、反问题的不适定性以及大规模计算中的计算效率低下等问题。我们提出了一种创新的物理信息驱动扩散模型——Diffusion-PINN,该模型将传热约束整合到生成过程中,实现了内外墙温度分布的直接联合建模,有效缓解了多解问题。
**CRediT作者贡献声明**
沈玲:撰写——审阅与编辑、撰写——初稿、方法论。赖彦恒:撰写——审阅与编辑、验证、方法论、数据整理。陈志鹏:撰写——初稿。何建军:验证、资金获取、形式分析、概念化。桂伟华:验证、资金获取。
**未引用的参考文献**
表A.1、表A.2
**利益冲突声明**
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:陈志鹏报告称获得了国家自然科学基金的支持。如果还有其他作者,他们声明自己没有已知的可能影响本文工作的财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号