三床串聯(lián)化學鏈生物質氣化實驗分析與預測

陳鴻偉，劉博朝，賈建東，劉玉強，梁錦俊， 陳 哲，馮旭鵬，朱 樓

(華北電力大學 能源動力與機械工程學院，河北保定 071003)

化石能源的常規(guī)利用會帶來環(huán)境問題，需要尋找到煤炭的高效清潔轉化技術才能有效解決。相對于煤炭的組成成分，生物質具有反應活性良好的生物質焦、高揮發(fā)分、低灰分及低硫等特點，是一種比較理想的可替代能源，生物質可通過工程熱化學技術途徑轉化為應用于能源消耗行業(yè)的多種形態(tài)產品[1-3]。

串行流化床反應器是在循環(huán)流化床基礎上，通過不斷的發(fā)展成為適合生物質化學鏈氣化反應的新型氣固反應裝置。國內外研究人員對串行流化床反應器進行了研究，取得了眾多成果。實驗方面，Lyngfelt等[4]提出燃料與燃燒空氣分開的化學鏈燃燒(CLC)理論，確定了合理的反應器尺寸、床壓降以及合適的載氧體容量，成功連續(xù)穩(wěn)定運行了世界上第一臺10 kW的燃燒系統(tǒng)。Shen等[5]搭建了10 kW化學鏈燃燒系統(tǒng)，該系統(tǒng)以空氣反應器作為快速流化床,以燃料反應器作為各鼓泡床，發(fā)現(xiàn)空氣反應器中載氧體劇烈放熱，且在高溫的空氣反應器中載氧體顆粒表面容易燒結，導致載氧體反應性下降。Xu等[6]在空氣反應器上配置外循環(huán)返料裝置和雙旋風分離器的內循環(huán)反應器，通過改變床載量和空氣反應器的進料速率可在大范圍內控制氧氣-載氣的循環(huán)速率，解決了空氣反應器中顆粒停留時間短的問題。數值模擬方面，Roy等[7]發(fā)現(xiàn)流化床的傳熱系數隨著氣體速度和顆粒直徑的增加而增加。Noorman等[8]采用Aspen Plus軟件建立合成氣模型，研究了生物質化學鏈裝置內部反應狀況，表明提高氣化溫度有利于氣化過程，增加載氧體能夠提高合成氣產率，而提高壓力卻降低了氣化效果。陳鴻偉等[9]利用計算顆粒流體力學(CPFD)對三維流化床局部堵塞進行模擬，發(fā)現(xiàn)局部堵塞會導致床內出現(xiàn)向四周擴散的高濃度區(qū)域，床料高度對高濃度區(qū)域的擴散程度影響較小，而堵塞面積增大會增強其擴散程度。人工智能神經網絡(ANN)是一種較為常用的物理模型，該模型不需要考慮輸入變量與輸出結果之間的機理反應。相明輝等[10]通過建立反向傳播(BP)神經網絡模型(以下簡稱BP模型)和遺傳算法優(yōu)化的BP神經網絡模型(GA-BP模型)，分別對燃煤鍋爐內的主燃區(qū)、還原區(qū)和燃盡區(qū)內的H2S質量濃度進行預測，發(fā)現(xiàn)GA-BP模型具有較好的逼近能力和泛化能力。

綜上所述，研究人員對串行流化床反應器已有廣泛研究，但針對載氧體和生物質在燃料反應器中的存放研究較少，筆者基于自行搭建的三床串聯(lián)化學鏈(TBS-CLC)生物質氣化系統(tǒng)，研究了惰性載氧體石英砂在不同控制參數下循環(huán)流率GS的變化情況，并利用BP模型、GA-BP模型和支持向量機(SVM)模型根據有限的實驗數據對循環(huán)流率GS進行預測。

1 系統(tǒng)工作原理

TBS-CLC生物質氣化系統(tǒng)具有以下優(yōu)點：載氧體與生物質原料分別存放于不同的反應室，實現(xiàn)了不接觸反應，減少了固體燃料與載氧體接觸，降低了載氧體的中毒和積碳風險，提升了其耐久性。該系統(tǒng)工作原理是通過載氧體在空氣反應器與燃料反應器之間循環(huán)流動實現(xiàn)燃料的無火焰反應。首先,載氧體的熱量傳遞給氣化介質，隨后氣化介質進入氣化室與生物質顆粒進行氣化反應，生成生物質焦炭和揮發(fā)分，而后進入燃燒室進行反應。最后,載氧體經隔離器流至空氣反應器被氧化，氧化后的載氧體通過旋風分離器和返料器進入燃料反應器的燃燒室將氧傳遞給燃料，實現(xiàn)放熱反應，整個反應過程避免了燃料與載氧體之間以及燃料與空氣之間的直接接觸，且其反應溫度低于1 000 ℃也能有效抑制NOx的生成。原理圖如圖1所示。

圖1 TBS-CLC生物質氣化系統(tǒng)原理圖

化學鏈燃燒是由2個獨立的反應器組成，金屬氧化物充當載氧體，載氧體中的氧氣與氣態(tài)燃料在燃料反應器中的反應為：

mH2O+αCO2

(1)

被還原的載氧體經隔離器流入空氣反應器，再被空氣反應器內空氣中的氧氣氧化：

(2)

上述反應具有以下3個特點：(1)載氧體可攜帶式(2)產生的熱量作為式(1)所需要的熱量，則不必設置額外的加熱設備；(2)金屬載氧體的催化作用能夠促進生物質的熱解和氣化反應，同時促進焦油分解和降低焦油含量，提高合成氣熱值；(3)CO2在轉化過程中原位分離所需能耗幾乎為0，此過程具有碳負性的特點，大大降低了CO2的分離和回收成本。

2 實驗系統(tǒng)

2.1 實驗裝置

TBS-CLC生物質氣化實驗裝置見圖2。該實驗裝置均選用5 mm厚的有機玻璃材料，主要包括空氣反應器(AR)、燃料反應器(FR)、旋風分離器、下降管、返料器、隔離器及其他輔助裝置。燃料反應器為鼓泡流化床，以氮氣作為流化介質；空氣反應器則為快速流化床，以空氣作為流化介質；旋風分離器可以分離部分灰與載氧體顆粒，起到氣固分離的作用?？諝夥磻鞣譃樯舷聝刹糠郑孛鏋閳A形，上部分內徑為59 mm，高度為1 810 mm；下部分內徑為90 mm，高度為910 mm。燃料反應器的截面為158 mm×158 mm的正方形，加熱室高度為450 mm，氣化室高度為600 mm，燃燒室高度為400 mm，氣化室用于存放生物質，加熱室、氣化室和燃燒室均采用密孔板式，開孔率為3.51%，開孔直徑為2 mm。在密封孔板上鋪設一層75 μm篩網以防止物料串入氣化室。2臺風機(型號為9-26No5.6)串聯(lián)為實驗系統(tǒng)提供流化風，在送風管道上設有球型閥和轉子流量計以控制空氣流量和調整流化風速，在室溫下進行實驗。

2.2 實驗方法

物料在反應裝置內的循環(huán)路徑如圖2所示。大返料器的作用是進行密封和返料，防止燃料反應器和空氣反應器竄氣；隔離器作為循環(huán)流量控制閥，實現(xiàn)系統(tǒng)循環(huán)流量的調節(jié)和控制。運行過程中保持燃燒室床料高度大于氣化室床料高度，從空氣反應器出來的物料經過旋風分離器進入大返料器，再進入燃燒室，在燃燒室內受到流化風充分流化后，一部分灰分沿著燃燒室兩端開口經過下降管的旋風分離器與固體顆粒分離，另一部分載氧體進入下降管再經小返料器進入加熱室，然后由隔離器進入空氣反應器，空氣反應器底部進入的空氣利用其曳力將物料提升至空氣反應器頂部完成整個循環(huán)。根據表1中的工況,采用控制變量法進行實驗，在實驗系統(tǒng)中加入適量的石英砂顆粒后，開啟連接轉子流量器的球型閥，調整實驗工況至穩(wěn)定狀態(tài)，關閉兩側下降管的快速關閉閥，同時開啟物料收集裝置閥門，收集物料的時長為Δt。每個工況測量3～5次，取其平均值，物料根據物料收集裝置的尺寸和物料堆積密度計算循環(huán)流率GS：

圖2 TBS-CLC生物質氣化實驗裝置示意圖

表1 實驗參數Tab.1 Experimental parameters

(3)

式中：ρb為石英砂堆積密度；Hc為物料收集裝置中的堆積高度；Ssp為物料收集裝置橫截面積；Sfb為快速床橫截面積。

實驗過程中使用的石英砂顆粒粒徑為272～450 μm，取平均粒徑dps=330 μm，真實密度ρ=2 450 kg/m3，堆積密度ρb=1 316 kg/m3，球形度為0.76，臨界流化風速為Umf=0.216 m/s。

3 結果與分析

3.1 系統(tǒng)壓力穩(wěn)定分析

保持壓力平衡能夠避免燃料反應器與空氣反應器之間的氣體泄漏，同時保證TBS-CLC生物質氣化系統(tǒng)具有穩(wěn)定的循環(huán)流率。確定平均壓力值(以60 s為間隔移動原始信號的平均值)后，空氣反應器風速Ug=2.8 m/s，燃料反應器風速Ub=0.35 m/s時，空氣反應器壓降Δp12、燃燒室壓降Δp34以及加熱室與氣化室之間的壓降Δp56如圖3所示。由圖3可知,系統(tǒng)各部分的床料質量都是動態(tài)穩(wěn)定的。

Application of GMS in groundwater environmental impact assessment-Taking a coking

圖3 各部分的壓降Fig.3 Pressure drop of each part

3.2 燃料反應器風速的影響

燃料反應器是生物質完成氣化的容器，顆粒反應效率受其混合流動特性的影響。為此,對不同燃料反應器風速Ub下循環(huán)流率GS進行測量，實驗結果如圖4所示。由圖4可以看出，當Ug=2.4 m/s，Ub由0.30 m/s增大至0.60 m/s時，GS從6.843 kg/(m2·s)增大至10.133 kg/(m2·s)，GS隨著Ub的增大而緩慢增大。其原因是當Ub緩慢變大，逐漸大于臨界流化風速Umf時，燃燒室床層流化狀態(tài)還處于初始狀態(tài)，燃燒室床層物料流化高度稍大于下降管入口處高度，只有少量的物料從燃燒室進入下降管，GS增幅較小；隨著Ub的增大，燃燒室內的床層物料膨脹度增大，氣泡規(guī)模和尺寸也隨之增加，大量物料從燃燒室進入下降管，GS增幅較大；當Ub增大到0.50 m/s時，燃燒室床層顆粒完全流化，從燃燒室進入下降管處的物料量和壓力基本保持不變，空氣反應器與燃料反應器之間的壓降達到穩(wěn)定平衡狀態(tài)，盡管隨著隔離器風量的增加，承載能力增強，但進入隔離器的物料流速卻基本不變，GS緩慢增大。

圖4 燃料反應器風速對循環(huán)流率的影響Fig.4 Effect of wind velocity in fuel reactor on circulating flow rate

3.3 空氣反應器風速的影響

空氣反應器風速Ug會影響空氣反應器內物料濃度及流動特性，從而影響整個系統(tǒng)循環(huán)流率。Ug對GS的影響如圖5所示。由圖5可以看出，當Ub=0.45 m/s，Ug由2.2 m/s增大至3.2 m/s時，GS由6.58 kg/(m2·s)增大至22.767 kg/(m2·s)，GS隨著Ug的增大而增大，且GS增幅變大。其原因是Ub=0.45 m/s時物料已在燃燒室充分流化，一定程度上燃燒室的密相區(qū)濃度變小，相應的燃燒室壓降Δp34減小，流化后的物料從燃燒室進入下降管。在Ug相對較小時，空氣反應器的密相區(qū)物料濃度減小程度受Ug的影響較強，Δp12逐漸增大，GS增幅較大；當Ug較大時，空氣反應器的的密相區(qū)物料濃度減小程度受Ug影響減弱，Δp12基本不變，此時Δp56趨于穩(wěn)定，物料在空氣反應器中的循環(huán)就會加快，隔離器風量隨著Ug的增大而增加，增大了系統(tǒng)的循環(huán)流率。

圖5 空氣反應器風速對循環(huán)流率的影響Fig.5 Effect of wind velocity in air reactor on circulating flow rate

3.4 氣化室床料高度的影響

生物質儲存和氣化都在氣化室中進行，氣化室床料高度H處的壓降會影響其反應效率和產氣品質。H對GS的影響如圖6所示。由圖6可知，當循環(huán)物料質量為12 kg，H由6.0 cm增大到9.0 cm時，GS由9.525 kg/(m2·s)減小至7.932 kg/(m2·s)，隨著H增大，GS減小。其原因是H增大會導致Δp56增大，循環(huán)物料在燃燒室的流化高度減小，導致從燃燒室到下降管的循環(huán)物料質量也變小。

圖6 氣化室床料高度對循環(huán)流率的影響Fig.6 Influence of bed material level on circulating flow rate

3.5 循環(huán)物料質量的影響

循環(huán)物料質量mG對GS的影響如圖7所示。由圖7可以看出，當Ug=2.8 m/s，mG由11 kg增加至13 kg時，GS由15.134 kg/(m2·s)增大至20.924 kg/(m2·s)，GS隨著mG的增加而增大。其原因是隨著循環(huán)物料質量的增加，Δp56隨之增大，加熱室內的物料堆積量不斷增加，燃料反應器內的物料已充分流化，加大隔離器給風使得更多的循環(huán)物料參與循環(huán)，則到達燃燒室的循環(huán)物料質量也將增加，從燃燒室到下降管的循環(huán)物料質量也隨之增加[11]。

圖7 循環(huán)物料質量對循環(huán)流率的影響Fig.7 Effect of circulating material mass on circulating flow rate

4 循環(huán)流率預測模型

4.1 預測模型建立

在TBS-CLC生物質氣化系統(tǒng)內，存在給風機風壓不穩(wěn)定和由于人為因素而降低實驗精度的情況，建立循環(huán)流率的預測模型，根據模型對系統(tǒng)內變量進行優(yōu)化可彌補實驗不足。因此，采用BP神經網絡、遺傳算法(GA)優(yōu)化的BP神經網絡和支持向量機(SVM)[12]等算法對循環(huán)流率進行建模預測，所建模型分別為BP模型、GA-BP模型和SVM模型。SVM的回歸函數f(x)為：

(4)

BP算法作為一種局部搜索算法，使用過程中會存在局限性：網絡環(huán)境在很大程度上決定了算法性能的優(yōu)劣性，初始化BP神經網絡的閾值和權值存在不確定性，導致網絡接收訓練時存在隨機性，所以優(yōu)化閾值和權值將有利于得到更優(yōu)質的BP算法的預測效果[13]。使用遺傳算法優(yōu)化BP神經網絡的權值和閾值，利用適應度函數對個體進行選擇處理，進而評估不同個體解[14-15]，最終得到BP神經網絡的最佳預測函數。

4.2 預測結果與分析

為了得到更好的模型預測效果，引入相對誤差δ、均方根誤差RMSE和平均絕對百分比誤差MAPE3個誤差指標作為BP模型、GA-BP模型和SVM模型性能評價的標準。

(5)

(6)

(7)

由圖8和圖9可知，BP模型測試樣本預測結果的相對誤差中有較多值小于-10%或大于10%，SVM模型測試樣本預測結果的相對誤差中有較多值在-10%～-5%和5%～10%，GA-BP模型的預測性能明顯提高，大部分預測結果的相對誤差在5%以內，即當隱含層節(jié)點數為7時，GA-BP模型除了訓練樣本第53、第55和第94個樣本的相對誤差超過5%以及測試樣本第102和第121個樣本的相對誤差超過5%外，其他訓練樣本和測試樣本的相對誤差均在5%以內，說明GA-BP模型預測結果與實驗值擬合較好，該模型對訓練樣本和測試樣本均具有較強的逼近能力。

(a) BP模型和SVM模型

(b) GA-BP模型圖8 循環(huán)流率預測結果與實驗值的對比Fig.8 Circulating flow rate prediction results and experimental values

因此，GA-BP模型具有較強的泛化能力，比優(yōu)化之前的BP模型具有更高的預測性能。如表2所示，當隱含層節(jié)點數為7時，測試樣本預測所得均方根誤差為0.841 10 kg/(m2·s)，平均絕對百分比誤差為4.42%，測試樣本與訓練樣本的預測精度和平均偏離情況相近，表明該模型具有較好的泛化能力，能夠準確地對輸出參數進行預測。

為了進一步比較BP模型、GA-BP模型和SVM模型對循環(huán)流率的預測性能，使用式(6)和式(7)得出RMSE和MAPE(見表3)。由表3可知，BP模型和SVM模型對訓練樣本的RMSE和MAPE均大于GA-BP模型，表明BP模型和SVM模型的訓練精度較高，產生了過擬合現(xiàn)象，泛化能力較弱。GA-BP模型對測試樣本的RMSE和MAPE均小于BP模型和SVM模型，表明GA-BP模型的預測精度較高，擬合度較好，具有較好的泛化能力，適用于預測循環(huán)流率。

(a) 訓練樣本相對誤差

(b) 測試樣本相對誤差圖9 不同預測模型的相對誤差Fig.9 Relative error of different prediction models

表2 GA-BP模型預測性能分析Tab.2 Prediction performance analysis of GA-BP model

表3 不同預測模型對循環(huán)流率的預測結果分析

5 結 論

(1) 循環(huán)流率隨著燃料反應器風速增大而增大，但增幅逐漸變緩。循環(huán)流率隨著空氣反應器風速增大、循環(huán)物料質量增加和床料高度減小而增大。

(2) 基于BP模型和SVM模型建立的循環(huán)流率預測模型對測試樣本的逼近能力較差。當隱含層節(jié)點數為7，利用GA-BP模型預測循環(huán)流率時，測試樣本所得均方根誤差為0.841 10 kg/(m2·s)，平均絕對百分比誤差為4.42%，預測結果與實驗值較吻合。GA-BP模型對訓練樣本和測試樣本有良好的逼近能力，說明該模型預測循環(huán)流率時有更高的預測準確性和適用性，為TBS-CLC生物質氣化系統(tǒng)熱態(tài)研究提供了參考。