基于数据融合的熔盐换热设备腐蚀状态在线评估方法及平台与流程

摘要: 本发明涉及熔盐换热设备服役安全,具体涉及一种基于数据融合的熔盐换热设备腐蚀状态在线评估方法及平台。背景技术:1、熔盐作为高效传热蓄热工质,在太阳能光热发电、火电...
基于数据融合的熔盐换热设备腐蚀状态在线评估方法及平台与流程

本发明涉及熔盐换热设备服役安全,具体涉及一种基于数据融合的熔盐换热设备腐蚀状态在线评估方法及平台。

背景技术:

1、熔盐作为高效传热蓄热工质,在太阳能光热发电、火电灵活性改造及供热等领域广泛应用。熔盐换热设备长期处于200~600℃高温工况,熔盐腐蚀性强烈,易导致储罐、管道及换热器等部件腐蚀减薄,甚至穿孔泄漏,引发非计划停运,严重威胁系统安全与经济性。因此,对熔盐换热设备腐蚀状态的实时监测与准确评估具有重要工程意义。

2、目前,熔盐环境腐蚀检测技术主要包括以下几类。离线检测方法(如定期停机割管、无损探伤)需设备停运,无法连续监测,难以及时发现隐患。公开号为cn120294097a的中国专利公开了一种熔盐管道腐蚀实时监测方法,其中电化学在线监测通过电极电位或电流变化反映腐蚀特性,但受熔盐流动和高温环境影响,测量精度和电极长期稳定性不足。可视化内窥镜方法可直观观察腐蚀形貌,但依赖人工判读,误判率高且难以持续作业。近年来发展的数字孪生技术,公开号为cn115372245a的中国专利公开了一种基于数字孪生技术的高温熔盐储罐腐蚀在线监测方法,通过传感器实时数据驱动腐蚀模型进行在线评估,但其核心腐蚀预测模型多基于有限实验数据拟合的经验公式或简化物理模型,难以准确表征材料成分、介质条件、运行参数等多因素耦合作用,预测精度仍有较大提升空间。

3、机器学习方法已初步应用于材料腐蚀预测,如高温合金腐蚀速率估算和熔盐反应堆电化学信号分析,但尚未出现针对硝酸盐体系、系统融合多源腐蚀数据并构建高精度预测模型,进而结合设备实时运行参数实现熔盐换热设备腐蚀状态在线评估的完整技术方案。

技术实现思路

1、本发明为克服现有技术中熔盐腐蚀检测,离线检测需停机无法连续监测;电化学监测受高温熔盐流动影响,精度与电极稳定性差;内窥镜依赖人工判读,误判率高;现有数字孪生腐蚀模型多为经验简化模型,难以表征多因素耦合效应,腐蚀预测精度不足等问题。为此本发明提出了一种基于数据融合的熔盐换热设备腐蚀状态在线评估方法及平台,为解决上述技术问题本发明是通过以下技术方案实现的:

2、方案一、本发明提出了基于数据融合的熔盐换热设备腐蚀状态在线评估方法,所述方法包括以下步骤:

3、步骤1、获取包含材料化学成分、微观组织、熔盐介质成分、试验温度及时间的腐蚀数据集,对所述腐蚀数据集进行预处理;

4、步骤2、随机抽取10%数据作为测试集,其余为训练集,采用bp神经网络、支持向量机、决策树、高斯回归机器学习算法,并结合贝叶斯优化或网格搜索调参及10折交叉验证,分别将所述训练集输入特征对所述腐蚀速率进行训练,得到多个初始预测模型;

5、步骤3、采用初始预测模型对测试集进行预测,通过损失函数评价初始预测模型精度,损失函数是训练集和测试集的均方差之和;

6、步骤4、从所述多个初始预测模型中筛选出损失函数最小的模型,所述模型作为最终的所述腐蚀速率预测模型,并实时获取待评估熔盐换热设备的dcs运行数据;

7、步骤5、基于步骤4所获得的dcs运行数据,计算设备管程不同位置的实时参数变化,将管程材料属性和步骤4中获取的管程不同位置的实时参数输入至所述构建的腐蚀速率机器学习预测平台中,计算得到材料的实时预测腐蚀速率;

8、步骤6、将预设时间单元作为一周期,将采集到的温度数据输入步骤4所述腐蚀速率预测模型中,基于步骤5得到的预测腐蚀速率,计算当前时间单元内管程材料的腐蚀减薄量;根据计算得到的腐蚀减薄量评估熔盐换热设备的腐蚀状态,完成对熔盐换热设备腐蚀状态在线评估。

9、进一步的,步骤3中采用初始预测模型对测试集进行预测,通过损失函数评价初始预测模型精度的方法为:

10、

11、其中,为样本真实标签集合,为模型的预测函数,为训练集样本总数量,为测试集样本总数量,为第i个样本的真实标签,为第i个样本的输入特征,为模型对第i个样本的预测输出值。

12、进一步的,步骤6中所述的计算当前时间单元内管程材料的腐蚀减薄量的方法为:

13、当时间单元内的温度波动>±5℃时,对应壳程和管程的腐蚀速率为波动值;壳程和管程材料在时间单元的腐蚀量通过离散数据积分的方法计算,在时间单元内提取n个数据点,表示为:

14、

15、其中,

vi是第i个时间点时的腐蚀速率,壳程和管程材料在时间单元的累计腐蚀量

dfi为:

16、

17、其中,i为采样点序号,n为总采样点数量,为第i采样点对应的时间。

18、进一步的,步骤6中所述的计算当前时间单元内管程材料的腐蚀减薄量的方法还包括时间单元内的介质温度波动≤±5℃时,对应壳程和管程的腐蚀速率为稳定值,壳程和管程材料在时间单元的累计腐蚀量

dsi为:

19、

20、其中,为第i+1采样点对应的时刻。

21、进一步的,步骤6中根据计算得到的腐蚀减薄量评估熔盐换热设备的腐蚀状态,完成对熔盐换热设备腐蚀状态在线评估包括:将累计腐蚀减薄量与预设的安全阈值进行比较,当累计腐蚀减薄量达到安全阈值的预设比例时发出预警信号,所述预设比例为70%、80%或90%。

22、方案二、基于数据融合的熔盐换热设备腐蚀状态在线评估平台,其特征在于,所述平台基于方案一所述的数据融合的熔盐换热设备腐蚀状态在线评估方法实现,所述平台包括:

23、数据预处理模块,用于获取包含材料化学成分、微观组织、熔盐介质成分、试验温度及时间的腐蚀数据集,对所述腐蚀数据集进行预处理;

24、训练模块,用于随机抽取10%数据作为测试集,其余为训练集,采用bp神经网络、支持向量机、决策树、高斯回归机器学习算法,并结合贝叶斯优化或网格搜索调参及10折交叉验证,分别将所述训练集输入特征对所述腐蚀速率进行训练,得到多个初始预测模型;

25、初步预测模块,用于采用初始预测模型对测试集进行预测,通过损失函数评价初始预测模型精度,损失函数是训练集和测试集的均方差之和;

26、优化预测模块,用于从所述多个初始预测模型中筛选出损失函数最小的模型,所述模型作为最终的所述腐蚀速率预测模型,并实时获取待评估熔盐换热设备的dcs运行数据;

27、数据采集与传输模块,用于基于优化预测模块所获得的dcs运行数据,计算设备管程不同位置的实时参数变化,将管程材料属性和腐蚀速率预测模型构建模块中获取的管程不同位置的实时参数输入至所述构建的腐蚀速率机器学习预测平台中,计算得到材料的实时预测腐蚀速率;

28、评估模块,用于将预设时间单元作为一周期,将采集到的温度数据输入腐蚀速率预测模型构建模块所述腐蚀速率预测模型中,基于腐蚀速率预测模块得到的预测腐蚀速率,计算当前时间单元内管程材料的腐蚀减薄量;根据计算得到的腐蚀减薄量评估熔盐换热设备的腐蚀状态,完成对熔盐换热设备腐蚀状态在线评估。

29、进一步的,提供一种优选实施方式,所述腐蚀速率预测模型构建模块中还包括模型更新模块,用于在采集新腐蚀实验数据时,对所述腐蚀速率预测模型进行增量学习或重新训练,实现腐蚀速率预测模型的动态更新与优化。

30、进一步的,提供一种优选实施方式,所述评估模块中所述的温度数据通过设置于熔盐换热设备上的温度传感器实时采集,并通过数据采集与传输模块传送至所述材料腐蚀速率预测平台。

31、方案三、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现方案一所述的方法的步骤。

32、方案四、一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行方案一所述的方法。

33、本发明的有益之处在于:

34、本发明所述的基于数据融合的熔盐换热设备腐蚀状态在线评估方法及平台通过收集涵盖材料成分、介质成分、温度、时间等多维参数的腐蚀数据集,采用多种机器学习算法训练并筛选最优预测模型,构建腐蚀速率预测平台;在此基础上,调取设备实时温度数据,以固定时间单元计算材料腐蚀减薄量,实现设备腐蚀状态动态评估与预警。本发明能够有效克服现有技术实时性差、预测精度不足等问题,为熔盐换热设备安全运行提供可靠支撑。