[go: up one dir, main page]

CN117987160B - 一种高效有机固废热解过程自适应控制方法及系统 - Google Patents

一种高效有机固废热解过程自适应控制方法及系统 Download PDF

Info

Publication number
CN117987160B
CN117987160B CN202410399816.XA CN202410399816A CN117987160B CN 117987160 B CN117987160 B CN 117987160B CN 202410399816 A CN202410399816 A CN 202410399816A CN 117987160 B CN117987160 B CN 117987160B
Authority
CN
China
Prior art keywords
solid waste
pyrolysis
weight
organic solid
inorganic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410399816.XA
Other languages
English (en)
Other versions
CN117987160A (zh
Inventor
毛林强
黄新
李远兵
刘雨欣
倪梦婷
黄思渊
朱丽丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Zhongdihao Energy Conservation And Environmental Protection Technology Co ltd
Original Assignee
Jiangsu Zhongdihao Energy Conservation And Environmental Protection Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Zhongdihao Energy Conservation And Environmental Protection Technology Co ltd filed Critical Jiangsu Zhongdihao Energy Conservation And Environmental Protection Technology Co ltd
Priority to CN202410399816.XA priority Critical patent/CN117987160B/zh
Publication of CN117987160A publication Critical patent/CN117987160A/zh
Application granted granted Critical
Publication of CN117987160B publication Critical patent/CN117987160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • CCHEMISTRY; METALLURGY
    • C10PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10BDESTRUCTIVE DISTILLATION OF CARBONACEOUS MATERIALS FOR PRODUCTION OF GAS, COKE, TAR, OR SIMILAR MATERIALS
    • C10B53/00Destructive distillation, specially adapted for particular solid raw materials or solid raw materials in special form
    • CCHEMISTRY; METALLURGY
    • C10PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10BDESTRUCTIVE DISTILLATION OF CARBONACEOUS MATERIALS FOR PRODUCTION OF GAS, COKE, TAR, OR SIMILAR MATERIALS
    • C10B57/00Other carbonising or coking processes; Features of destructive distillation processes in general
    • CCHEMISTRY; METALLURGY
    • C10PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10GCRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G1/00Production of liquid hydrocarbon mixtures from oil-shale, oil-sand, or non-melting solid carbonaceous or similar materials, e.g. wood, coal
    • C10G1/008Controlling or regulating of liquefaction processes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/2431Multiple classes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/27Regression, e.g. linear or logistic regression

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Organic Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Physics & Mathematics (AREA)
  • Materials Engineering (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Wood Science & Technology (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明涉及有机固废热解技术领域,本发明公开了一种高效有机固废热解过程自适应控制方法及系统,包括获取待热解多源有机固废种类和重量,基于多源有机固废种类和预构建的固废分类模型获得热解固废类别,热解固废类别包括热解油固废、热解气固废和热解炭固废,再根据热解固废类别获取相应的第二热解温度,这样将有机固废通常是多种有机废品混合的因素考虑进去,同样地,本发明先基于多源有机固废重量获得无机固废重量,再基于多源有机固废重量和无机固废重量生成热解固废重量,最后根据热解固废重量、无机固废重量获得相应的第一热解温度,同样考虑了加入无机固废对热解温度的影响,这样使得多源有机固废的热解效率更高。

Description

一种高效有机固废热解过程自适应控制方法及系统
技术领域
本发明涉及有机固废热解技术领域,更具体地说,本发明涉及一种高效有机固废热解过程自适应控制方法及系统。
背景技术
有机固废的处理是一个复杂且多学科的领域,涉及物理、生物学、化学等多个学科,由于有机固废种类繁多,组成成分各异,其处理方法也相应多样,目前,主要的处理方法包括卫生填埋、好氧堆肥、焚烧以及热处理,其中,热解法作为一种清洁且高效的方法,显示出显著的优势,这种方法在无氧或缺氧条件下加热有机固废,使大分子有机物发生热化学分解,最终生成三种产物:热解气、热解油和热解炭,热解法不仅处理效率高,还减少了环境污染,因此被认为是处理有机固废的一种理想方法,在有机固废热解过程中热解温度对有机固废的影响较大,随着人工智能技术的发展,工业与人工智能技术相结合,在处理有机固废时同样也使用了人工智能技术;
例如,公开号为CN114262620A的专利公开了一种有机危固废资源化利用方法及其设备,该专利虽然将有机危固废依次经过低温热解、中温热解、高温热解,形成热解气、热解油和热解炭,并且相应地设置有三种热解的温度对有机固废进行热解,但还存在一定的问题;
虽然该专利使用了三种热解温度对有机固废进行热解,但是由于有机固废通常是多种有机废品混合在一起,通过破碎机进行破碎再放入到炉中进行热解,而该专利中的热解温度并不是根据有机固废进行自适应调整的,这样会导致有机固废的热解效率较低,同时为了进一步提高热解效率,会在有机固废中混合无机固废,同样需要考虑加入无机固废对热解温度的影响。
鉴于此,本发明提出一种高效有机固废热解过程自适应控制方法及系统以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种高效有机固废热解过程自适应控制方法及系统。
为实现上述目的,本发明提供如下技术方案:
一种高效有机固废热解过程自适应控制方法,包括:
S10:获取待热解多源有机固废种类和重量,基于多源有机固废种类和预构建的固废分类模型获得热解固废类别,热解固废类别包括热解油固废、热解气固废和热解炭固废;
S20:基于多源有机固废重量和预构建的无机固废生成模型获得无机固废重量,基于多源有机固废重量和无机固废重量生成热解固废重量;
S30:根据热解固废重量、无机固废重量获得相应的第一热解温度,获取热解固废类别相应的第二热解温度,基于第一热解温度和第二热解温度生成目标热解温度,根据目标热解温度对多源有机固废和无机固废进行热解。
进一步,固废分类模型的构建方法包括:
获取i组数据,i为大于1的正整数,数据包括历史多源有机固废种类和历史热解固废类别,将历史多源有机固废种类和历史热解固废类别作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的历史多源有机固废种类作为输入数据,将训练集中的历史热解固废类别作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为固废分类模型。
进一步地,无机固废生成模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史多源有机固废重量和历史无机固废重量,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史多源有机固废重量作为回归网络的输入数据,以样本训练集中的历史无机固废重量作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时无机固废重量的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为无机固废生成模型。
进一步地,基于多源有机固废重量和无机固废重量生成热解固废重量的方法包括:
Psw=
Psw为热解固废重量,为多源有机固废重量,/>为无机固废重量。
进一步地,根据热解固废重量、无机固废重量获得相应的第一热解温度的方法包括:
基于热解固废重量和无机固废重量获得预设空间网格库中的目标网格编号,根据目标网格编号确定对应的网格热解温度,将网格热解温度作为第一热解温度。
进一步,空间网格库的构建方法包括:
以热解固废重量为长度、无机固废重量为宽度组成方形区域,对方形区域进行网格划分,并对划分后的各个网格进行编号,确定每个网格的网格编号;
将方形区域中所对应的热解固废重量、无机固废重量以及网格热解温度,与每个网格的网格编号进行关联处理以生成索引规则;
将索引规则、热解固废重量、无机固废重量、网格热解温度以及对应的网格编号存入空间数据库,得到空间网格库。
进一步地,获取热解固废类别相应的第二热解温度的方法包括:
分别获取热解油固废、热解气固废和热解炭固废相应的第一标准热解温度、第二标准热解温度和第三标准热解温度,取第一标准热解温度、第二标准热解温度和第三标准热解温度的平均值作为第二热解温度。
进一步地,基于第一热解温度和第二热解温度生成目标热解温度的方法包括:
式中,为目标热解温度,/>为第一热解温度,/>为第二热解温度,/>均为权重系数。
进一步地,还包括:
S40:向热解过程中的多源有机固废和无机固废通入Q体积的催化剂;
S50:通入H时间后,判断热解固废重量是否小于预设第一固废重量阈值,若是,则令Q=Q-M,并返回至S40,若否,则令Q=Q+J,并返回至S40,J大于M,J为催化剂需要增加的体积,M为催化剂需要减少的体积;
S60:重复步骤S40和S50,直至热解固废重量等于预设第二固废重量阈值时,结束循环。
一种高效有机固废热解过程自适应控制系统,其用于实现上述的一种高效有机固废热解过程自适应控制方法,包括:
分类模块:获取待热解多源有机固废种类和重量,基于多源有机固废种类和预构建的固废分类模型获得热解固废类别,热解固废类别包括热解油固废、热解气固废和热解炭固废;
重量生成模块:基于多源有机固废重量和预构建的无机固废生成模型获得无机固废重量,基于多源有机固废重量和无机固废重量生成热解固废重量;
温度确定模块:根据热解固废重量、无机固废重量获得相应的第一热解温度,获取热解固废类别相应的第二热解温度,基于第一热解温度和第二热解温度生成目标热解温度,根据目标热解温度对多源有机固废和无机固废进行热解。
一种电子设备,包括电源、接口、键盘、存储器、中央处理器以及存储在存储器上并可在中央处理器上运行的计算机程序,所述处理器执行计算机程序时实现上述的一种高效有机固废热解过程自适应控制方法,所述接口包括网络接口与数据接口,网络接口包括有线或无线接口,数据接口包括输入或输出接口。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时实现上述一种高效有机固废热解过程自适应控制方法。
相比于现有技术,本发明的有益效果为:
本发明先获得热解固废类别,再根据热解固废类别获取相应的第二热解温度,这样将有机固废通常是多种有机废品混合的因素考虑进去,同样地,本实施例先基于多源有机固废重量获得无机固废重量,再基于多源有机固废重量和无机固废重量生成热解固废重量,最后根据热解固废重量、无机固废重量获得相应的第一热解温度,同样考虑了加入无机固废对热解温度的影响,最后通过第一热解温度和第二热解温度生成目标热解温度,再根据目标热解温度对多源有机固废和无机固废进行热解,这样使得多源有机固废的热解效率更高,同时还可以提高产油量和产气量,缩短热解时间。
附图说明
图1为本发明中一种高效有机固废热解过程自适应控制方法的示意图;
图2为本发明中空间网格库构建的示意图;
图3为本发明中一种电子设备的示意图;
图4为本发明中一种计算机可读存储介质的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1所示,本实施例公开提供了一种高效有机固废热解过程自适应控制方法,包括:
S10:获取待热解多源有机固废种类和重量,基于多源有机固废种类和预构建的固废分类模型获得热解固废类别,热解固废类别包括热解油固废、热解气固废和热解炭固废;
需要说明的是,多源有机固废种类包括但不限于农村秸秆、废木屑、生活垃圾中的肉类、生活垃圾中的纸张和聚乙烯等,有机固废在进行热解之前,需要先经过破碎机进行破碎,在破碎完成之后进入均质化仓库,混匀之后再放入到热解炉中进行热解,多源有机固废种类可以直接获取固废图像,通过对固废图像进行识别从而获得有机固废的种类,而多源有机固废重量可以通过设置在存储装置内部的传感器进行获得,存储装置是用于将多种有机固废进行储存的装置;
由于有机固废在热解过程中最终生成三种产物:热解气、热解油和热解炭,因此本实施例中将热解固废类别分为三种,分别是热解油固废、热解气固废和热解炭固废,可以理解的是,由于单一的有机固废在热解过程中,同时会产生热解气、热解炭等,本实施例中是以该有机固废热解过程中,产生了最主要的物质进行的分类,例如,农村秸秆在热解的过程中主要产生了热解炭,因此农村秸秆可以归类为热解炭固废,虽然农村秸秆在热解的过程中同样产生了热解气,但热解气相对于热解炭并不是主要产生,同理,例如生活垃圾中的肉类,在热解过程中的产物主要是热解油,因此可以直接归类为热解油固废,虽然最后也存在热解炭,但是热解炭并不是主要产物;
固废分类模型的构建方法包括:
获取i组数据,i为大于1的正整数,数据包括历史多源有机固废种类和历史热解固废类别,将历史多源有机固废种类和历史热解固废类别作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的历史多源有机固废种类作为输入数据,将训练集中的历史热解固废类别作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为固废分类模型,分类器优选为朴素贝叶斯模型或支持向量机模型的其中一种;
S20:基于多源有机固废重量和预构建的无机固废生成模型获得无机固废重量,基于多源有机固废重量和无机固废重量生成热解固废重量;
值得注意的是,由于通过向多源有机固废的热解过程中添加无机固废进行协同处置,可以显著提升热解效率,这种方法通过为反应体系引入Na、Mg等金属离子,促进了与生物质的熔融与缩聚反应,这不仅有助于提高产油量和产气量,而且还能有效缩短热解时间,而无机固废的重量与多源有机固废重量之间的关系是根据本领域技术人员通过实验数据进行确定的;
无机固废生成模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史多源有机固废重量和历史无机固废重量,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史多源有机固废重量作为回归网络的输入数据,以样本训练集中的历史无机固废重量作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时无机固废重量的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为无机固废生成模型,回归网络优选为神经网络模型;
基于多源有机固废重量和无机固废重量生成热解固废重量的方法包括:
Psw=
Psw为热解固废重量,为多源有机固废重量,/>为无机固废重量;
需要说明的是,上述中为损失常数,指的是在多源有机固废运输过程中会存在损失,同时多源有机固废与无机固废在混合的过程中会进入到破碎机中进行破碎,这时同样会造成重量的损失,/>同样为损失常数,但是/>指的是多源有机固废和无机固废在进行热解之前,需要先进行烘干,那么烘干的过程中会损失水分,从而导致重量的损失;
S30:根据热解固废重量、无机固废重量获得相应的第一热解温度,获取热解固废类别相应的第二热解温度,基于第一热解温度和第二热解温度生成目标热解温度,根据目标热解温度对多源有机固废和无机固废进行热解;
根据热解固废重量、无机固废重量获得相应的第一热解温度的方法包括:
基于热解固废重量和无机固废重量获得预设空间网格库中的目标网格编号,根据目标网格编号确定对应的网格热解温度,将网格热解温度作为第一热解温度;
空间网格库的构建方法包括:
以热解固废重量为长度、无机固废重量为宽度组成方形区域,对方形区域进行网格划分,并对划分后的各个网格进行编号,确定每个网格的网格编号;
将方形区域中所对应的热解固废重量、无机固废重量以及网格热解温度,与每个网格的网格编号进行关联处理以生成索引规则;
将索引规则、热解固废重量、无机固废重量、网格热解温度以及对应的网格编号存入空间数据库,得到空间网格库;
需要说明的是,如图2所示,本实施是以无机固废重量为横轴、热解固废重量为纵轴建立方形区域,并且对方形区域进行网格划分,将划分后的各个网格进行编号,将方形区域中所对应的热解固废重量、无机固废重量以及网格热解温度,与每个网格的网格编号进行关联;其中,将方形区域中所对应的热解固废重量、无机固废重量以及网格热解温度,与每个网格的网格编号进行关联处理指的是,如图2所示,图中A为热解固废重量,B为无机固废重量,确定A与B交点落在那个网格之内,则将A和B一起与网格所对应的网格编号相关联,同时网格热解温度与对应的网格编号为映射关系;
本实施例中多源有机固废是多种有机固废配比而成,那么根据各有机固废之间比例不同,导致多源有机固废重量存在一定的随机性,无机固废重量又是根据多源有机固废重量而来,无机固废重量与多源有机固废重量并不是线性关系,这就容易导致出现相同的热解温度,例如,多源有机固废重量为2,求出相应的无机固废重量为0.4,多源有机固废重量为2.1,求出相应的无机固废重量为0.3,这样导致求出的热解固废重量相同,若仅仅将热解固废重量与热解温度建立映射关系,虽然热解固废重量相同,但是配比不同,容易造成热解效率的降低,因此本实施例通过空间网格库的方式,一方面是能够进行快速的检索,另一方面能够减少上述情况的发生;
获取热解固废类别相应的第二热解温度的方法包括:
分别获取热解油固废、热解气固废和热解炭固废相应的第一标准热解温度、第二标准热解温度和第三标准热解温度,取第一标准热解温度、第二标准热解温度和第三标准热解温度的平均值作为第二热解温度;
可以理解的是,热解油固废:通常在较低的热解温度下,热解油的产量较高,这通常在大约450℃到550℃之间;热解气固废:产生热解气的温度通常高于产生热解油的温度,这通常在大约650℃到800℃之间,在这些温度下,更多的重组分和碳氢化合物被分解,产生气体;热解炭是在缺氧条件下加热物质时的剩余固体产物,较高的温度(比如700℃到900℃)更有利于炭化过程,因此第一标准热解温度、第二标准热解温度和第三标准热解温度可由本领域技术人员根据实际情况进行确定;
基于第一热解温度和第二热解温度生成目标热解温度的方法包括:
式中,为目标热解温度,/>为第一热解温度,/>为第二热解温度,/>均为权重系数;
可以理解的是,有机固废的热解温度与其自身的重量和热解固废类别有关,那么本实施例先获得热解固废类别,再根据热解固废类别获取相应的第二热解温度,这样将有机固废通常是多种有机废品混合的因素考虑进去,同样地,本实施例先基于多源有机固废重量获得无机固废重量,再基于多源有机固废重量和无机固废重量生成热解固废重量,最后根据热解固废重量、无机固废重量获得相应的第一热解温度,同样考虑了加入无机固废对热解温度的影响,最后通过第一热解温度和第二热解温度生成目标热解温度,再根据目标热解温度对多源有机固废和无机固废进行热解,这样使得多源有机固废的热解效率更高,同时还可以提高产油量和产气量,缩短热解时间。
实施例2
基于实施例1,一种高效有机固废热解过程自适应控制方法,还包括:
S40:向热解过程中的多源有机固废和无机固废通入Q体积的催化剂;
S50:通入H时间后,判断热解固废重量是否小于预设第一固废重量阈值,若是,则令Q=Q-M,并返回至S40,若否,则令Q=Q+J,并返回至S40,J大于M,J为催化剂需要增加的体积,M为催化剂需要减少的体积;
S60:重复步骤S40和S50,直至热解固废重量等于预设第二固废重量阈值时,结束循环;
本实施例中,催化剂包括但不限于氧化钙和三氧化二铝,可以理解的是,通常热解过程中,催化剂是以粉末状或者碎块状的方式加入到有机固废中,而多源有机固废进行热解的过程一般分为三个阶段,即初期阶段、失重阶段和后期阶段,在初期阶段,多源有机固废开始进行热解,需要持续地加入催化剂,此时热解固废重量一直是大于或等于第一固废重量阈值,当进入到失重阶段,热解固废重量会明显地减小,此时热解固废重量小于第一固废重量阈值,但是依旧大于第二固废重量阈值,此时多源有机固废开始大量地热解,那么相应地减少催化剂的通入,避免催化剂的量过大从而影响多源有机固废的热解,当热解固废重量等于第二固废重量阈值时,也就表明进入了后期阶段,此时不再通入催化剂,本实施例根据多源有机固废的热解过程,从而不断地调整催化剂的通入量,使得催化剂始终能够保证多源有机固废能够进行较高效率的热解,同时也避免了催化剂加入过多,从而对多源有机固废热解产生不利的影响。
实施例3
本实施例基于实施例1,还公开了一种高效有机固废热解过程自适应控制系统,包括:
分类模块:获取待热解多源有机固废种类和重量,基于多源有机固废种类和预构建的固废分类模型获得热解固废类别,热解固废类别包括热解油固废、热解气固废和热解炭固废;
需要说明的是,多源有机固废种类包括但不限于农村秸秆、废木屑、生活垃圾中的肉类、生活垃圾中的纸张和聚乙烯等,有机固废在进行热解之前,需要先经过破碎机进行破碎,在破碎完成之后进入均质化仓库,混匀之后再放入到热解炉中进行热解,多源有机固废种类可以直接获取固废图像,通过对固废图像进行识别从而获得有机固废的种类,而多源有机固废重量可以通过设置在存储装置内部的传感器进行获得,存储装置是用于将多种有机固废进行储存的装置;
由于有机固废在热解过程中最终生成三种产物:热解气、热解油和热解炭,因此本实施例中将热解固废类别分为三种,分别是热解油固废、热解气固废和热解炭固废,可以理解的是,由于单一的有机固废在热解过程中,同时会产生热解气、热解炭等,本实施例中是以该有机固废热解过程中,产生了最主要的物质进行的分类,例如,农村秸秆在热解的过程中主要产生了热解炭,因此农村秸秆可以归类为热解炭固废,虽然农村秸秆在热解的过程中同样产生了热解气,但热解气相对于热解炭并不是主要产生,同理,例如生活垃圾中的肉类,在热解过程中的产物主要是热解油,因此可以直接归类为热解油固废,虽然最后也存在热解炭,但是热解炭并不是主要产物;
固废分类模型的构建方法包括:
获取i组数据,i为大于1的正整数,数据包括历史多源有机固废种类和历史热解固废类别,将历史多源有机固废种类和历史热解固废类别作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的历史多源有机固废种类作为输入数据,将训练集中的历史热解固废类别作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为固废分类模型,分类器优选为朴素贝叶斯模型或支持向量机模型的其中一种;
重量生成模块:基于多源有机固废重量和预构建的无机固废生成模型获得无机固废重量,基于多源有机固废重量和无机固废重量生成热解固废重量;
值得注意的是,由于通过向多源有机固废的热解过程中添加无机固废进行协同处置,可以显著提升热解效率,这种方法通过为反应体系引入Na、Mg等金属离子,促进了与生物质的熔融与缩聚反应,这不仅有助于提高产油量和产气量,而且还能有效缩短热解时间,而无机固废的重量与多源有机固废重量之间的关系是根据本领域技术人员通过实验数据进行确定的;
无机固废生成模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史多源有机固废重量和历史无机固废重量,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史多源有机固废重量作为回归网络的输入数据,以样本训练集中的历史无机固废重量作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时无机固废重量的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为无机固废生成模型,回归网络优选为神经网络模型;
基于多源有机固废重量和无机固废重量生成热解固废重量的方法包括:
Psw=
Psw为热解固废重量,为多源有机固废重量,/>为无机固废重量;
需要说明的是,上述中为损失常数,指的是在多源有机固废运输过程中会存在损失,同时多源有机固废与无机固废在混合的过程中会进入到破碎机中进行破碎,这时同样会造成重量的损失,/>同样为损失常数,但是/>指的是多源有机固废和无机固废在进行热解之前,需要先进行烘干,那么烘干的过程中会损失水分,从而导致重量的损失;
温度确定模块:根据热解固废重量、无机固废重量获得相应的第一热解温度,获取热解固废类别相应的第二热解温度,基于第一热解温度和第二热解温度生成目标热解温度,根据目标热解温度对多源有机固废和无机固废进行热解;
根据热解固废重量、无机固废重量获得相应的第一热解温度的方法包括:
基于热解固废重量和无机固废重量获得预设空间网格库中的目标网格编号,根据目标网格编号确定对应的网格热解温度,将网格热解温度作为第一热解温度;
空间网格库的构建方法包括:
以热解固废重量为长度、无机固废重量为宽度组成方形区域,对方形区域进行网格划分,并对划分后的各个网格进行编号,确定每个网格的网格编号;
将方形区域中所对应的热解固废重量、无机固废重量以及网格热解温度,与每个网格的网格编号进行关联处理以生成索引规则;
将索引规则、热解固废重量、无机固废重量、网格热解温度以及对应的网格编号存入空间数据库,得到空间网格库;
需要说明的是,如图2所示,本实施是以无机固废重量为横轴、热解固废重量为纵轴建立方形区域,并且对方形区域进行网格划分,将划分后的各个网格进行编号,将方形区域中所对应的热解固废重量、无机固废重量以及网格热解温度,与每个网格的网格编号进行关联;其中,将方形区域中所对应的热解固废重量、无机固废重量以及网格热解温度,与每个网格的网格编号进行关联处理指的是,如图2所示,图中A为热解固废重量,B为无机固废重量,确定A与B交点落在那个网格之内,则将A和B一起与网格所对应的网格编号相关联,同时网格热解温度与对应的网格编号为映射关系;
本实施例中多源有机固废是多种有机固废配比而成,那么根据各有机固废之间比例不同,导致多源有机固废重量存在一定的随机性,无机固废重量又是根据多源有机固废重量而来,无机固废重量与多源有机固废重量并不是线性关系,这就容易导致出现相同的热解温度,例如,多源有机固废重量为2,求出相应的无机固废重量为0.4,多源有机固废重量为2.1,求出相应的无机固废重量为0.3,这样导致求出的热解固废重量相同,若仅仅将热解固废重量与热解温度建立映射关系,虽然热解固废重量相同,但是配比不同,容易造成热解效率的降低,因此本实施例通过空间网格库的方式,一方面是能够进行快速的检索,另一方面能够减少上述情况的发生;
获取热解固废类别相应的第二热解温度的方法包括:
分别获取热解油固废、热解气固废和热解炭固废相应的第一标准热解温度、第二标准热解温度和第三标准热解温度,取第一标准热解温度、第二标准热解温度和第三标准热解温度的平均值作为第二热解温度;
可以理解的是,热解油固废:通常在较低的热解温度下,热解油的产量较高,这通常在大约450℃到550℃之间;热解气固废:产生热解气的温度通常高于产生热解油的温度,这通常在大约650℃到800℃之间,在这些温度下,更多的重组分和碳氢化合物被分解,产生气体;热解炭是在缺氧条件下加热物质时的剩余固体产物,较高的温度(比如700℃到900℃)更有利于炭化过程,因此第一标准热解温度、第二标准热解温度和第三标准热解温度可由本领域技术人员根据实际情况进行确定;
基于第一热解温度和第二热解温度生成目标热解温度的方法包括:
式中,为目标热解温度,/>为第一热解温度,/>为第二热解温度,/>均为权重系数;
可以理解的是,有机固废的热解温度与其自身的重量和热解固废类别有关,那么本实施例先获得热解固废类别,再根据热解固废类别获取相应的第二热解温度,这样将有机固废通常是多种有机废品混合的因素考虑进去,同样地,本实施例先基于多源有机固废重量获得无机固废重量,再基于多源有机固废重量和无机固废重量生成热解固废重量,最后根据热解固废重量、无机固废重量获得相应的第一热解温度,同样考虑了加入无机固废对热解温度的影响,最后通过第一热解温度和第二热解温度生成目标热解温度,再根据目标热解温度对多源有机固废和无机固废进行热解,这样使得多源有机固废的热解效率更高,同时还可以提高产油量和产气量,缩短热解时间。
实施例4
本实施例公开提供了一种电子设备,包括电源、接口、键盘、存储器、中央处理器以及存储在存储器上并可在中央处理器上运行的计算机程序,所述中央处理器执行所述计算机程序时实现上述各方法所提供的一种高效有机固废热解过程自适应控制方法,所述接口包括网络接口与数据接口,网络接口包括有线或无线接口,数据接口包括输入或输出接口。
由于本实施例所介绍的电子设备为实施本申请实施例中一种高效有机固废热解过程自适应控制方法所采用的电子设备,故而基于本申请实施例中所介绍的一种高效有机固废热解过程自适应控制方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中一种高效有机固废热解过程自适应控制方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例5
本实施例公开提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时实现上述一种高效有机固废热解过程自适应控制方法。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种高效有机固废热解过程自适应控制方法,其特征在于,包括:
S10:获取待热解多源有机固废种类和重量,基于多源有机固废种类和预构建的固废分类模型获得热解固废类别,热解固废类别包括热解油固废、热解气固废和热解炭固废;
S20:基于多源有机固废重量和预构建的无机固废生成模型获得无机固废重量,基于多源有机固废重量和无机固废重量生成热解固废重量;
S30:根据热解固废重量、无机固废重量获得相应的第一热解温度,获取热解固废类别相应的第二热解温度,基于第一热解温度和第二热解温度生成目标热解温度,根据目标热解温度对多源有机固废和无机固废进行热解;
所述固废分类模型的构建方法包括:
获取i组数据,i为大于1的正整数,数据包括历史多源有机固废种类和历史热解固废类别,将历史多源有机固废种类和历史热解固废类别作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的历史多源有机固废种类作为输入数据,将训练集中的历史热解固废类别作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为固废分类模型;
所述无机固废生成模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史多源有机固废重量和历史无机固废重量,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史多源有机固废重量作为回归网络的输入数据,以样本训练集中的历史无机固废重量作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时无机固废重量的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为无机固废生成模型。
2.根据权利要求1所述的一种高效有机固废热解过程自适应控制方法,其特征在于,所述基于多源有机固废重量和无机固废重量生成热解固废重量的方法包括:
Psw为热解固废重量,为多源有机固废重量,/>为无机固废重量。
3.根据权利要求1所述的一种高效有机固废热解过程自适应控制方法,其特征在于,所述根据热解固废重量、无机固废重量获得相应的第一热解温度的方法包括:
基于热解固废重量和无机固废重量获得预设空间网格库中的目标网格编号,根据目标网格编号确定对应的网格热解温度,将网格热解温度作为第一热解温度。
4.根据权利要求3所述的一种高效有机固废热解过程自适应控制方法,其特征在于,所述空间网格库的构建方法包括:
以热解固废重量为长度、无机固废重量为宽度组成方形区域,对方形区域进行网格划分,并对划分后的各个网格进行编号,确定每个网格的网格编号;
将方形区域中所对应的热解固废重量、无机固废重量以及网格热解温度,与每个网格的网格编号进行关联处理以生成索引规则;
将索引规则、热解固废重量、无机固废重量、网格热解温度以及对应的网格编号存入空间数据库,得到空间网格库。
5.根据权利要求1所述的一种高效有机固废热解过程自适应控制方法,其特征在于,所述获取热解固废类别相应的第二热解温度的方法包括:
分别获取热解油固废、热解气固废和热解炭固废相应的第一标准热解温度、第二标准热解温度和第三标准热解温度,取第一标准热解温度、第二标准热解温度和第三标准热解温度的平均值作为第二热解温度。
6.根据权利要求5所述的一种高效有机固废热解过程自适应控制方法,其特征在于,所述基于第一热解温度和第二热解温度生成目标热解温度的方法包括:
式中,为目标热解温度,/>为第一热解温度,/>为第二热解温度,/>和/>均为权重系数。
7.根据权利要求1所述的一种高效有机固废热解过程自适应控制方法,其特征在于,还包括:
S40:向热解过程中的多源有机固废和无机固废通入Q体积的催化剂;
S50:通入H时间后,判断热解固废重量是否小于预设第一固废重量阈值,若是,则令Q=Q-M,并返回至S40,若否,则令Q=Q+J,并返回至S40,J大于M,J为催化剂需要增加的体积,M为催化剂需要减少的体积;
S60:重复步骤S40和S50,直至热解固废重量等于预设第二固废重量阈值时,结束循环。
8.一种高效有机固废热解过程自适应控制系统,其用于实现权利要求1-6中任一项所述的一种高效有机固废热解过程自适应控制方法,其特征在于,包括:
分类模块:获取待热解多源有机固废种类和重量,基于多源有机固废种类和预构建的固废分类模型获得热解固废类别,热解固废类别包括热解油固废、热解气固废和热解炭固废;
重量生成模块:基于多源有机固废重量和预构建的无机固废生成模型获得无机固废重量,基于多源有机固废重量和无机固废重量生成热解固废重量;
温度确定模块:根据热解固废重量、无机固废重量获得相应的第一热解温度,获取热解固废类别相应的第二热解温度,基于第一热解温度和第二热解温度生成目标热解温度,根据目标热解温度对多源有机固废和无机固废进行热解。
9.一种电子设备,包括电源、接口、键盘、存储器、中央处理器以及存储在存储器上并可在中央处理器上运行的计算机程序,其特征在于,所述中央处理器执行所述计算机程序时实现权利要求1至7任一项所述的一种高效有机固废热解过程自适应控制方法,所述接口包括网络接口与数据接口,网络接口包括有线或无线接口,数据接口包括输入或输出接口。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时实现权利要求1至7任一项所述一种高效有机固废热解过程自适应控制方法。
CN202410399816.XA 2024-04-03 2024-04-03 一种高效有机固废热解过程自适应控制方法及系统 Active CN117987160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410399816.XA CN117987160B (zh) 2024-04-03 2024-04-03 一种高效有机固废热解过程自适应控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410399816.XA CN117987160B (zh) 2024-04-03 2024-04-03 一种高效有机固废热解过程自适应控制方法及系统

Publications (2)

Publication Number Publication Date
CN117987160A CN117987160A (zh) 2024-05-07
CN117987160B true CN117987160B (zh) 2024-05-31

Family

ID=90900921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410399816.XA Active CN117987160B (zh) 2024-04-03 2024-04-03 一种高效有机固废热解过程自适应控制方法及系统

Country Status (1)

Country Link
CN (1) CN117987160B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN207952195U (zh) * 2017-11-23 2018-10-12 北京神源环保有限公司 一种生活垃圾热解系统
CN109678440A (zh) * 2019-01-16 2019-04-26 武汉博立达农业科技发展有限公司 生活垃圾制备蒸压砖的方法以及实施其的系统
WO2021087057A1 (en) * 2019-10-31 2021-05-06 Eastman Chemical Company Pyrolysis method and system for recycled waste
CN114630883A (zh) * 2019-10-31 2022-06-14 伊士曼化工公司 用于回收废物的热解方法和系统
CN115558511A (zh) * 2022-09-28 2023-01-03 江苏中的好节能环保科技有限公司 一种无机固废协同促进多源有机固废高效热解的方法
CN220098916U (zh) * 2023-04-23 2023-11-28 广州维港环保科技有限公司 一种利用循环热载体耦合碳渣热能回收的有机固废热解资源化系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7169197B2 (en) * 2000-07-10 2007-01-30 Advanced Fuel Research, Inc. Pyrolysis processing for solid waste resource recovery

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN207952195U (zh) * 2017-11-23 2018-10-12 北京神源环保有限公司 一种生活垃圾热解系统
CN109678440A (zh) * 2019-01-16 2019-04-26 武汉博立达农业科技发展有限公司 生活垃圾制备蒸压砖的方法以及实施其的系统
WO2021087057A1 (en) * 2019-10-31 2021-05-06 Eastman Chemical Company Pyrolysis method and system for recycled waste
CN114630883A (zh) * 2019-10-31 2022-06-14 伊士曼化工公司 用于回收废物的热解方法和系统
CN115558511A (zh) * 2022-09-28 2023-01-03 江苏中的好节能环保科技有限公司 一种无机固废协同促进多源有机固废高效热解的方法
CN220098916U (zh) * 2023-04-23 2023-11-28 广州维港环保科技有限公司 一种利用循环热载体耦合碳渣热能回收的有机固废热解资源化系统

Also Published As

Publication number Publication date
CN117987160A (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
Cheng et al. Is hydrothermal treatment coupled with carbon capture and storage an energy-producing negative emissions technology?
Li et al. A review of computational modeling techniques for wet waste valorization: Research trends and future perspectives
Wang et al. A machine learning model to predict the pyrolytic kinetics of different types of feedstocks
Rao et al. Attribute based specification, comparison and selection of feed stock for anaerobic digestion using MADM approach
Yang et al. On the prediction of biogas production from vegetables, fruits, and food wastes by ANFIS‐and LSSVM‐based models
Biancini et al. Comprehensive life cycle assessment analysis of an Italian composting facility concerning environmental footprint minimization and renewable energy integration
Offie et al. Development of an artificial intelligence-based framework for biogas generation from a micro anaerobic digestion plant
Ng et al. Multi-objective design of industrial symbiosis in palm oil industry
Aghbashlo et al. Determining biomass chemical exergy using a novel hybrid intelligent approach to promote biomass-based biorefineries
Garcia-Garcia et al. Environmental impact of different scenarios for the pyrolysis of contaminated mixed plastic waste
Mawusi et al. A comprehensive review of the production, adoption and sustained use of biomass pellets in Ghana
Yin et al. Prediction of high-density polyethylene pyrolysis using kinetic parameters based on thermogravimetric and artificial neural networks
Ezzat Salem et al. Potential of waste to energy conversion in Egypt
Shi et al. A method for addressing compensation effect in determining kinetics of biomass pyrolysis
CN117987160B (zh) 一种高效有机固废热解过程自适应控制方法及系统
Nanda et al. The Waste-to-Energy (WtE) Technology to Support Alternative Fuels for Agriculture in the Context of Effective Solid Waste Management in the Jabodetabek Area, Indonesia
Devi et al. An Integrated Bipolar Picture Fuzzy Decision Driven System to Scrutinize Food Waste Treatment Technology through Assorted Factor Analysis.
Arularasan et al. A Holistic Framework for Environment Conscious Based Material Selection and Experimental Assessment Using Digraph‐Based Expert System
CN117454327B (zh) 基于多项式回归的有机废弃物热解气组分预测方法及系统
Parra-Orobio et al. Selection of inocula conditioning methodologies for the anaerobic digestion of food waste
Thilagasree et al. Analysis of municipal solid waste as a source of energy production using fuzzy decision system
Quteishat et al. Strategic Renewable Energy Resource Selection Using a Fuzzy Decision-Making Method.
Tseng et al. Urban metabolism of recycling and reusing food waste: A case study in Taipei City
Li et al. Comparative analysis of kinetic model-fitting methods and selection priority for horse manure pyrolysis
Uddin et al. Life cycle analysis of biochar use in water treatment plants

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant