Дипломная (вкр): Компьютерная реализация информационно-моделирующей системы для процессов химической очистки теплоэнергетического оборудования

Этапы химической очистки:

) скоростные водные промывки, которые проводятся для удаления из котла случайных и слабо сцепленных с поверхностью металла загрязнений (сварочный грат, песок, ржавчина, отслоившиеся куски окалины);

) щелочение для удаления масел и разрыхления отложений (обезжиривание);

) обработка отложений основными реагентами. Обработка отложений раствором основных реагентов может сопровождаться рядом явлений, связанных с коррозией основного металла, поэтому независимо от вида применяемого реагента необходимо в промывочный раствор добавлять ингибиторы коррозии;

) удаление отработанного промывочного раствора. Осуществляется обычно вытеснением раствора водой;

) нейтрализация остатков реагента

) пассивация очищенных поверхностей для образования равномерной пленки окислов, предохраняющей металл в дальнейшем от атмосферной коррозии. Водные промывки, проводимые после химической очистки технической водой, насыщенной большим количеством кислорода, хлоридами и сульфатами, которые способствуют интенсивной коррозии (ржавлению) металла. Поэтому пассивирующие растворы приготовляются обязательно на обессоленной воде, так как присутствие в растворе хлоридов или сульфатов препятствует созданию защитной пленки на металле.

Принципы химической очистки:

) превращение нерастворимого отложения в соль, хорошо растворимую в воде;

) связывание катионной части нерастворимого вещества отложения в прочный комплекс, хорошо растворимый в воде;

) превращение вещества отложения в другое вещество, также нерастворимое в воде, но способное растворяться в кислоте, других реагентах согласно первому или второму принципу очистки или легко уноситься потоком воды;

) разрушение подслоя отложений, прочно связанного с поверхностью металла, с последующим удалением разрыхленных и отставших от поверхности нагрева отложений потоком воды;

) растворение основной части отложений, после чего оставшиеся нерастворенными отложения удаляются потоком воды;

) эмульгирование или диспергирование нерастворимых веществ (или части их) с последующим удалением тонкодисперсной эмульсии или взвеси потоком воды.

Типы реагентов:

) щелочи (едкий натр, кальционированная сода, тринатрийфосфат, аммиак или специальные детергенты);

) минеральные кислоты;

) органические кислоты;

) комплексоны.

2.2 Структура информационно-моделирующей системы, назначение и описание модулей системы

Разработана функциональная структура информационно-моделирующей системы, которая представлена на рисунке 2.1, состоящая из 5-х подсистем: информационная подсистема, моделирующая подсистема по корреляционно-регрессионному анализу, моделирующая подсистема по дисперсионному анализу, моделирующая подсистема на основе теории конечных автоматов, подсистема анализа моделей.

Рисунок 2.1 - Функциональная структура информационно-моделирующей системы

Информационная подсистема проводит ввод экспериментальных данных процессов химической очистки теплоэнергетического оборудования и включает в себя справочные данные. Моделирующие подсистемы проводят корреляционно-регрессионный анализ, дисперсионный анализ, анализ на основе теории конечных автоматов. Подсистема анализа моделей выдает показатели модели, реализует выборку оптимальной модели.

Корреляционно-регрессионный анализ информационно-моделирующей системы включает регрессию от одного параметра и множественную регрессию. В регрессии от одного параметра по результатам построения модели рассчитываются коэффициент корреляции, который показывает на сколько тесно связаны входной и выходной данные, показатели уравнений различных видов регрессий (линейная, параболическая, гиперболическая, полулогарифмическая, показательная, степенная), проверка значимости коэффициентов по критерию Стьюдента (информационная подсистема включает в себя справочные данные критических значений распределения Стьюдента согласно уровню значимости α=0,05), проверка адекватности модели по критерию Фишера (информационная подсистема включает в себя справочные данные критических значений распределения Фишера согласно уровню значимости α=0,05). Во множественной регрессии по результатам построения модели производится расчет коэффициента корреляции, расчет показателей уравнений регрессии разных видов (линейная, с парными взаимодействиями, с квадратичными взаимодействиями), проверка адекватности модели.

Дисперсионный анализ информационно-моделирующей системы строит модели следующий анализов: однофакторный анализ, двухфакторным, латинский квадрат (3 фактора), греко-латинский квадрат (4 фактора), гипер-греко-латинский квадрат (5 факторов), латинский квадрат (5 факторов, различие в расположении и комбинаторике факторов). Включает в себя подсчеты общей суммы факторов, а также факторной суммы и остаточной суммы, подсчет степеней свободы для всех трех типов сумм, расчет общей, остаточной и факторной дисперсий, проверка значимости фактора реализуется по критерию Фишера (информационная подсистема включает в себя справочные данные критических значений распределения Фишера согласно уровню значимости α=0,05), проверка различий между средними значениями реализуется по критерию Дункана (информационная подсистема включает в себя справочные данные рангов критерия Дункана).

Анализ на основе теории конечных автоматов проводит расчет необходимого количества выбранных реагентов для очистки определенного вида отложений на основе данных о количестве и занимаемой площади отложений. Должна быть создана графическая реализация, представляющая наглядное моделирование клеточно-автоматной модели, а именно где каждой клетке присваивается соответствующее состояние, исходя из входных данных, присутствие или отсутствие отложений, по достижению определенной клетке алгоритм определяет нужное количество реагента для ее очистки (если требуется) и меняет ее состояние.

2.3 Математическое моделирование на основе корреляционно-регрессионного анализа

Во многих задачах порой необходимо определить на сколько случайная величина Y зависит от случайной величины Х, и зависит ли вовсе. У этих показателей иногда проявляется связь друг с другом функционально, но чаще видна между ними статистическая зависимость - при этом изменение одного показателя подразумевает изменение среднего значения другого показателя, что называется корреляционной зависимостью [18].

Для регрессии от одного параметра входные и выходные данные указываются из условий: нет параллельных опытов, есть параллельные опыты, есть параллельные опыты, и их количество фиксировано. Когда нет параллельных опытов, одному значению входных данных соответствует одно значение выходных данных, что представлено в таблице 2.2.

Таблица 2.2 - Экспериментальные данные при отсутствии параллельных опытов

Когда есть параллельные опыты, то одному значению входного параметра соответствует несколько значений выходного параметра, что представлено в таблице 2.3, если количество выходных значений неопределенно, и в таблице 2.4 при фиксированном количестве значений.

Таблица 2.3 - Экспериментальные данные при наличии параллельных опытов

Таблица 2.4 - Экспериментальные данные при наличии параллельных опытов

Для определения тесноты связи между показателями есть коэффициент корреляции, который определяется по формуле:

где  - среднее значение входных значений;

 - среднее значение выходных значений;

 - количество опытов;

 - дисперсия входных данных;

 - дисперсия выходных данных.

Средние значения определяются по формулам:

Дисперсии определяются по формулам:

Когда есть параллельные опыты, вместо yi берутся средние значения по строкам из таблицы данных.

Коэффициент корреляции лежит в интервале от -1 до 1. Чем ближе по модулю к единице его значение, тем сильнее теснота связи между данными. Отрицательный знак коэффициента говорит об обратной зависимости входных параметров от выходных.

Линейная форма связи между экспериментальными данными имеет вид:

Коэффициенты a0 и a1 (и для последующих форм связи) определяются методом наименьших квадратов и в конечном итоге определяются по формулам:

Параболическая форма связи между экспериментальными данными имеет вид:

Коэффициенты b0, b1 и b2 определяются по формулам:

Гиперболическая форма связи между экспериментальными данными имеет вид:

Коэффициенты c0 и c1 определяются по формулам:

Полулогарифмическая форма связи имеет вид:

Коэффициенты d0 и d1 определяются по формулам:

Показательная форма связи между экспериментальными данными имеет вид:

Коэффициенты e0 и e1 определяются по формулам:

Степенная форма связи имеет вид:

Коэффициенты f0 и f1 определяются по формулам:

Дисперсия воспроизводимости определяется из условий характера проведения опытов. При отсутствии параллельных опытов она находится по формуле:

,       (2.1)

где l - количество коэффициентов в уравнении регрессии.

При наличии параллельных опытов с неопределенным количеством дисперсия воспроизводимости определяется по формуле:

,

где mi - количество параллельных опытов каждой серии.

При наличии параллельных опытов с одинаковым количеством дисперсия воспроизводимости определяется по формуле:

где m - количество параллельных опытов;

В знаменателе оценки дисперсии воспроизводимости указывается степень свободы данной дисперсии (fвоспр).

Значимость коэффициентов проверяют по критерию Стьюдента. Для линейной формы уравнения регрессии (аналогично и для остальных форм связи) критерий будет иметь вид:

где  - среднее квадратичное отклонение j-го коэффициента.

Если tj больше табличного значения для уровня значимости α=0,05 и числа степеней свободы fвоспр, то коэффициент aj значимо отличается от нуля. Среднее квадратичное отклонение определяется по формуле:

,

где Si2 - выборочные дисперсии.

Если выборочные дисперсии однородны, то используют вместо них дисперсию воспроизводимости.

Адекватность модели проверяется по критерию Фишера, указанном в формуле:

,   (2.2)

где  - дисперсия адекватности.

Она определяется по формуле:

,  (2.3)

где  - расчетное значение по определенной форме связи.

В знаменателе указана степень свободы дисперсии адекватности (fад). Если наблюдаемое значение критерия Фишера для уровня значимости α=0,05 и степеней свободы fвоспр и fад меньше критического, то модель адекватна. Чем больше превышает критическое значение наблюдаемое, тем эффективнее уравнение регрессии.

Если необходимо исследовать корреляционную связь между многими величинами, то есть возможность построить следующие модели множественной регрессии: