转运站除尘装置多相流粉尘流场研究

秦亚璐，赵静一，刘昊轩，郭 锐，刘旭亮，丁柏元

（1.燕山大学 机械工程学院，河北 秦皇岛 066004；2.河北省特种运载装备重点实验室，河北 秦皇岛 066004；3.秦皇岛燕大一华机电工程技术研究院有限公司，河北 秦皇岛 066004；4.秦皇岛长城环境设备有限公司，河北 秦皇岛 066004）

目前，大型矿山以及发电厂等行业多用带式输送转运系统运输煤等物料，但在运输过程中，因为物料与转运站内壁不断撞击产生大量粉尘，并随着物料从上输送带下落到下输送带，这一过程中粉尘随着产生的诱导风进入外界空气中，对空气造成了污染。因此针对粉尘排放浓度超标问题，相关人员在1940年就开始对这类问题进行了研究，到目前为止提出了许多关于利用自循环除尘技术解决某工况下粉尘排放超标的问题。在早期，S.T.Huque等［1］对散装固体的运输问题做了许多研究，研究了转运系统内物料碰撞动力学、物料输送速度、物料的运行轨迹等相关方面的计算和预测的模型以及设计方法。杜杨等［2在转运站自循环除尘装置上加装了DSF负压导料槽，试验结果表明其除尘效果有了明显的改善，粉尘排放浓度达到了国家要求的排放标准。Cleary等［3］应用文丘里管进行除尘研究，通过对管内压降、除尘效率等方面对文丘里管的除尘效果进行了研究，建立物理模型并对粉尘收集状况进行了试验研究，试验结果表明文丘里管的除尘效果比较好。李勇等［4］对某实际工况下转运系统的曲线落煤管进行了研究，建立系统的几何模型，利用DEM数值模拟等方法分析曲线落煤管结构参数、煤的运输量等对其出口处煤流速度的影响，通过数据处理对该结构参数进行了寻优运算。潘宏生［5］通过对正压回流循环管、落煤管等结构的优化设计，并且将转运系统中的密闭式导料槽、橡胶阻尼帘等结构的组合运用，最终形成了无动力抑尘除尘装置，相比其他的除尘方法，此方法在节能以及除尘效果方面都有较大的优势。

相比其他除尘装置，自循环除尘装置无论是在除尘效果还是成本上均有明显的优势。而现阶段国内外对自循环除尘技术的研究主要是在原有的技术基础上加装其他装置，目前还未对自循环除尘装置进行数值模拟以及寻找能够准确预测粉尘排放浓度的方法。本文结合CFD数值模拟和对BP神经网络的训练，得到预测出口处粉尘排放浓度的方法。

1 数值建模

1.1 几何模型

自循环除尘装置主要由密闭式导料槽、落煤管集流阻尼装置、下输送带、扩容区、追踪纠偏托辊等结构组成［6］。根据已有的参考文献初步设计转运站除尘装置结构的三维几何模型如图1所示。

1.2 数学模型

含尘气流在自循环除尘装置内的运动是复杂运动，可将其简化为湍流状态下的气固两相流运动，并且设定气体为定常状态，不可压缩，同时忽略热量的传递。因此用以下公式进行运算。

连续性方程：

动量方程：

k-ε标准运算模型公式：

式中：C1ε取值为1.44、C2ε取值为1.92、C3ε取值为0.09；GK为层流湍动能（J）；Gb为浮力湍动能（J）；YM为过渡的扩散产生的波动值；Sk、Sε自定义；σk为方程的湍流普朗特数，σk＝1.0；σε为方程的湍流普朗特数，σε＝1.3。

雷诺数公式：

式中：Re为雷诺数；ν为流体的流速（m／s）；dH为管道的当量直径（m）；μ为流体的黏性系数（Pa·s）；A为截面面积（m2）；P为湿周长（m）。

在本文中，取v＝2.91 m／s，A＝0.92 m2，μ＝1.5×10-5Pa·s，P＝3.4 m。因此：

湍流强度公式如下：

湍流动能公式如下：

湍流动能耗散率公式如下：

在本文中I＝0.12，K＝0.183，μ1＝2.91，Su＝0.09，ε＝0.013。

1.3 网格划分

本文利用Gambit软件采取分块处理方式对转运站除尘装置进行网格划分，综合考虑网格的计算数量和网格质量，最终本文采用的网格大小为80 mm，网格划分如图2所示。

1.4 边界条件

设置转运站自循环除尘装置的入口为速度入口（velocity-inlet），其入口速度在之前的研究中已得出。设置压力出口（pressure-outlet）为自循环除尘装置的出口，其值为一个标准大气压。流体域其他边界设置为wall，内部相交的面设置为interface。

1.5 模型参数

根据已有的自循环除尘装置，设定初始的自循环除尘装置的结构参数，如表1所示。

表1 转运站自循环除尘装置初始模型结构参数

2 计算结果与分析

2.1 主回流管管径对自循环除尘装置出口处粉尘排放浓度的影响

以自循环除尘装置的初始模型中主回流管管径500 mm为基准，大小间隔设置为50 mm，则主回流管管径的取值依次为400、450、500、550、600 mm，模型中其他参数不变。通过CFD模拟仿真得到主回流管在不同管径下自循环除尘装置内颗粒迹线分布云图，如图3所示。

由图3可知：自循环除尘装置出口处粉尘排放浓度随着主回流管管径的增加而减小，但是当主回流管管径大于550 mm后，粉尘排放浓度随着主回流管管径的增加而相应增加。由此得出结论，上述所取值的范围内存在使得自循环除尘装置出口处粉尘排放浓度达到最小值的主回流管管径值。

2.2 分流管管径对自循环除尘装置出口处粉尘排放浓度的影响

以自循环除尘装置的初始模型中分流管管径250 mm为基准，大小间隔设置为50 mm，则分流管管径的取值依次是150、200、250、300、350 mm，其他参数不变。通过CFD模拟仿真得到分流管在不同管径下自循环除尘装置中颗粒迹线分布云图，如图4所示。

根据图4可知：随着分流管管径的增大，自循环除尘装置出口处粉尘排放浓度基本呈线性增加。由于分流管管径减小时，含尘气流会以更大的速度通过分流管，这就会造成粉尘颗粒对撞损失能量的增大，促进了粉尘颗粒的沉降，从而降低自循环除尘装置出口处的粉尘排放浓度。

2.3 次回流管管径对自循环除尘装置出口处粉尘排放浓度的影响

以自循环除尘装置的初始模型中次回流管管径250 mm为基准，大小间隔设置为50 mm，则次回流管管径的取值依次是150、200、250、300、350 mm，模型中其他参数不变。通过CFD模拟仿真得到次回流管在不同管径下自循环除尘装置中颗粒迹线分布云图，如图5所示。

由图5可知：自循环除尘装置出口处粉尘排放浓度随着次回流管管径的增加而降低。但在次回流管管径为300 mm时达到极值，此后随着次回流管管径的增加，粉尘排放浓度基本保持不变。由此可以得出结论：上述所取值的范围内存在使得自循环除尘装置出口处粉尘排放浓度达到最小值的次回流管管径值。

2.4 BP神经网络的建立

利用BP神经网络预测转运站自循环除尘装置出口处粉尘排放浓度的方法主要由以下3步组成：首先构建合适的BP神经网络，接着对BP神经网络进行训练，最后运用该神经网络预测转运站自循环除尘装置出口处粉尘排放浓度［7］。在此过程中需要不断地将预测值与期望值进行对比，直到误差越来越小、预测值无限趋向期望值为止。选择Matlab工具箱内newff函数极大简化设计过程［8］，指令函数如下：

net＝newff（P，T，S，TF，BTF，BLF，PF，IPF，OPF，DDF）式中：P为自循环除尘装置输入参数矩阵；T为自循环除尘装置目标粉尘排放浓度数据矩阵；S为隐含层节点数；TF为节点传递函数；BTF为训练函数；BLF为权值／阈值学习函数；PF为性能函数；IPF为输入归一化函数；OPF为输出反归一化函数；DDF为验证数据划分函数。

本文选择的传递函数为Tan-Sigmoid函数，其输出范围为-1～1。

本文通过CFD模拟仿真的方法创建转运站除尘装置训练数据库。由已研究的结论，可以得出转运站自循环除尘装置的主回流管管径d1、分流管管径d2、次回流管管径d3是影响其出口处粉尘排放浓度的主要结构参数。32组样本组成所需的数据库，如表2所示。

表2 自循环除尘装置神经网络训练数据库

续表（表2）

对转运站自循环除尘装置的结构参数进行归一化处理，使得所有数据都转化到0～1之间［9］。归一化函数如下：

式中：xk、xk1分别为归一化前、后的结构参数值；xmin、xmax分别为该结构参数的最小值、最大值。

从自循环除尘装置训练数据库32个样本中随机选择28个样本训练该BP神经网络，剩下4个样本用来检验训练结果的准确性。综合以上信息，设置数据库结构如下：

net＝newff（shurun，shuchun，［2］，｛′tansig′′tansig′｝，′trainlm′）并设置转运站自循环除尘装置数据库训练指令如下：

net＝train（net，shurun，shuchun）

整理预测数据与期望数据进行对比，结果如图6所示。

在检验用的4个样本中，预测值与期望值之间的误差分别为0.47、0.38、0.23、0.29 mg／m3，计算可得最大误差百分比为1%。因此，可以得出结论：经过训练的神经网络具有较好的预测功能，运用训练好的神经网络可以大大减小模拟仿真的工作量。

3 结论

1）自循环除尘装置出口处粉尘排放浓度随着主回流管管径的增加而减小，但是当主回流管管径大于某值后，粉尘排放浓度随着主回流管管径的增加而相应增加。即可得，上述所取值的范围内存在使得自循环除尘装置出口处粉尘排放浓度达到最小值的主回流管管径值。

2）自循环除尘装置出口处粉尘排放浓度随着分流管管径的增大基本呈线性增加。主要原因是分流管内的含尘气流运动速度随着分流管管径的减小而增大，因此含尘气流中粉尘颗粒对撞损失的能量也越大，这有利于粉尘颗粒的沉降，从而降低自循环除尘装置出口处的粉尘排放浓度。

3）自循环除尘装置出口处粉尘排放浓度随着次回流管管径的增加而降低，并且在上述所取值的范围内存在使得自循环除尘装置出口处粉尘排放浓度达到最小值的次回流管管径值。主要原因是含尘气流在流经前部的除尘结构时，粉尘已有大量沉降，而次回流管管径的增加能够使含尘气流更多地通过次回流管增加粉尘的沉降。

4）通过对BP神经网络的训练，最终能够准确预测自循环除尘装置出口处粉尘排放浓度。