基于 CNN-LSTM-AR2 架构的换热器污垢热阻估算

《International Communications in Heat and Mass Transfer》:Fouling resistance estimation in heat exchangers using a CNN-LSTM-AR2 architecture

【字体: 大 中 小 】 时间:2026年08月28日 来源:International Communications in Heat and Mass Transfer 6.2

编辑推荐:

   • 运行感知的预处理保留了独立运行之间的时间完整性。• CNN-LSTM-AR2 整合了局部、长程和近期状态信息。• 该架构实现了 R2 = 0.9755、RMSE = 0.0090 和 MAE = 0.0073。• 移除 AR2 后,测试 R2 从 0.9755 降至 0.

  

• 运行感知的预处理保留了独立运行之间的时间完整性。• CNN-LSTM-AR2 整合了局部、长程和近期状态信息。• 该架构实现了 R2 = 0.9755、RMSE = 0.0090 和 MAE = 0.0073。• 移除 AR2 后,测试 R2 从 0.9755 降至 0.5711。• 多种子测试确认了稳定的性能提升,Holm 校正后的 ?? = 0.006。引言工业换热器是热力系统中的关键组件,在电力生产和化工处理等领域,其性能直接影响能源效率、运行成本和系统可靠性 [1], [2]。这些系统在纳米流体增强传热和炼油厂能源优化等高级应用中发挥着关键作用 [3], [4]。然而,在长期运行过程中,传热表面不可避免地会形成污垢沉积,这仍然是工业实践中的一大挑战。污垢是指在真实运行条件下,矿物质水垢、腐蚀产物、悬浮颗粒和生物物质等不需要材料的积累 [5], [6], [7]。这种积累引入了额外的热阻和流阻,导致传热效率降低和能耗增加。因此,系统运行变得效率低下且更难以维护,导致运行成本增加和系统稳定性降低。这些因素突显了准确的污垢监测和预测对于确保工业换热器系统稳定高效运行的重要性 [8], [9], [10]。此外,污垢演变受耦合的热流体和物理化学相互作用支配,导致系统行为呈现高度非线性和动态特征 [11], [12], [13]。污垢的演变通常遵循阶段性模式,包括初始沉积、加速生长和稳定阶段 [14], [15], [16],并受温度梯度、流动特性和流体组成的影响 [17], [18], [19]。因此,运行条件即使微小变化也可能导致污垢行为产生显著差异 [20]。污垢热阻已被采用为表征污垢严重程度及其对传热性能影响的代表性指标 [21], [22], [23],提供了直接的物理解释。它已被广泛应用于状态监测 [24], [25], [26], [27]。最近,它也被用于剩余使用寿命估计 [28], [29]。总体而言,污垢行为的内在复杂性和变异性要求在真实运行条件下开发可靠、准确、鲁棒且可泛化的预测模型。然而,传统的污垢建模方法主要依赖于实验研究和经验关联式 [30]。例如,Wang 等人(2026)开发了一种用于传热表面上 CaCO? 结晶污垢的耦合模型 [31]。尽管实验方法提供了机理层面的理解,但通常受限于受控环境且资源消耗大 [32]。经验模型和机理模型提供了可解释的关系,但依赖于参数校准,这限制了其在复杂和非稳态条件下的适用性 [33]。混合建模和防垢策略已被探索以提升预测能力 [34], [35]。然而,这些方法在强非线性和噪声下仍难以实现鲁棒的性能,且往往无法捕捉真实工业系统的复杂性。这些局限性促使人们探索灵活的数据驱动建模策略用于污垢预测。在此背景下,工业传感技术和数据采集系统的进步使数据驱动方法用于污垢预测成为可能 [36]。例如,Hajizadeh 等人(2022)对人工智能方法在换热器污垢预测中的应用进行了比较研究,强调了其在不同运行条件下捕捉复杂系统行为的有效性 [37]。机器学习方法,包括神经网络、梯度提升和混合框架,在捕捉运行变量与污垢阻力之间的非线性关系方面展现了强大的能力 [38], [39]。其灵活性促进了在污垢检测和维优化中的广泛应用 [40], [41]。解析模型与数据驱动模型之间的比较研究进一步凸显了它们在表征系统复杂性方面的优势 [42]。数据驱动模型在提高预测精度和优化性能方面也展现了强大的潜力 [43],而近期研究探索了自适应和知识驱动的学习策略。此外,Demirskiy 等人(2018)利用现场监测数据预测污垢趋势,在真实运行条件下证明了其有效性 [44]。然而,大多数现有方法主要关注静态关系,时间依赖性未被充分利用。污垢演变本质上是路径依赖的,受累积历史效应的影响 [45], [46], [47], [48],这在非稳态条件和异质性运行中带来了挑战 [49], [50]。因此,融入时间动力学对于提高预测性能并进一步增强实际工业应用中模型的整体泛化能力至关重要。为应对这些时间和非线性特征,机器学习方法,包括循环神经网络、长短期记忆(LSTM)模型和支持向量回归模型,已被广泛采用 [51]。Wang 等人(2023)提出了一种由改进灰狼优化器优化的支持向量回归模型(IGWO-SVR),用于交变磁场下的污垢预测 [52],而 Tang 等人(2025)开发了一种融合时间延迟效应的物理信息 LSTM 模型 [53]。这些模型在非线性时间预测任务中展现了有效性。此类方法在高度非线性和持续变化的工业运行环境中展现了卓越的适应性和预测稳定性。Lu 等人(2026)进一步将物理建模与 LSTM 相结合以提升预测能力 [54]。卷积神经网络(CNN)也被引入以增强工业时间序列数据的鲁棒性 [55], [56]。结合卷积和序列模块的混合架构在工业时间建模中展现了强大的性能 [57], [58]。Yu 等人(2025)提出了一种用于剩余使用寿命预测的 CNN-BiLSTM 模型 [59],同时也有报道称时间表征方面取得了额外改进 [60]。近期研究进一步证明,混合建模和多尺度融合策略可在复杂运行条件下提升鲁棒性 [61], [62], [63]。物理引导和混合建模框架在工业热力系统中受到了越来越多的关注,其中物理一致性和时间表征对于部署至关重要 [64], [65]。融合物理机制和动态行为的机器学习方法在换热器建模方面也展现了强大潜力 [66], [67]。尽管取得了这些进展,重要的局限性仍然存在。现有模型主要依赖于隐式记忆机制,而显式的短期时间持续性鲜有被考虑。因此,在噪声和动态运行条件下,瞬态行为仍然难以捕捉。因此,需要更高级的时间建模策略来表征噪声、非稳态和异质性运行条件下的多尺度污垢动力学。因此,仍存在若干重要的研究空白。多尺度时间动力学未在统一框架中一致表征,而显式的近期状态持续性受到的关注有限。当独立运行在没有运行级别控制的情况下进行拼接或分割时,时间完整性也可能受到损害。本研究通过聚焦于强非线性、时间依赖性、测量噪声和显著跨运行变异性条件下的测量辅助当前状态污垢阻力估计,解决了这些问题。相应地,开发了一种运行感知的、泄漏控制的软传感方法,整合了 CNN-LSTM-AR2 架构。运行感知预处理防止了跨运行的虚假连续性和有效目标不连续性。CNN 提取局部时间变化,而 LSTM 捕捉长程累积行为。测量的 ?????(???1) 和 ?????(???2) 编码近期污垢状态。由于仅使用了先前时间步的阻力测量值,该公式保留了时间因果性。协调整合有效表征了互补的时间尺度,并提高了在异质性运行条件下的估计精度、鲁棒性和一致性。主要贡献有三方面。第一,运行感知预处理保留了独立运行之间的时间一致性,防止了跨边界序列构建,并减少了信息泄漏。第二,CNN-LSTM-AR2 结合了卷积提取、循环记忆和观测自回归状态,以表征局部变化、累积演变和即时污垢持续性。第三,通过基准比较、受控消融、多种子统计测试、SHAP 解释、运行条件分层和计算效率分析,在独立保留运行上进行了全面可靠性评估。这些贡献建立了一种物理信息感知、泄漏感知的测量辅助污垢阻力估计方法。该方法支持当前状态监测和跨换热器配置及工业运行环境的未来验证。本文其余部分组织如下。第 2 节描述数据处理和模型开发。第 3 节呈现详细的实验结果和分析。第 4 节总结本工作的关键发现和实用见解。章节摘要实验数据和变量描述运行数据取自 Sundaram 公开发表的学位论文 [68],相应的原油污垢实验和实验装置随后由 Watkinson 等人报道 [69]。实验装置由配备电加热环形探头的便携式污垢研究单元组成,以 Syncrude Sweet Blend 合成原油作为工作流体。记录变量反映了由耦合热力学控制的污垢动力学,数据特征对估计复杂性的影响污垢阻力估计受到运行和热时间尺度变化的复杂化。静态关系无法完全表征逐渐沉积物积累、短期扰动和运行状态之间的转换。图 3 展示了预处理前的代表性原始时间序列。图 3(a) 中的系统压力保持在狭窄范围内,尽管可以看到若干阶跃变化和一次显著下降。图 3(b) 中的电压迅速下降结论在异质性条件下研究了测量辅助的当前状态污垢阻力估计。将 CNN-LSTM-AR2 架构与运行感知预处理相结合。评估了精度、鲁棒性、可解释性和计算效率。结论总结如下。(1)运行感知预处理保留了跨运行的时间完整性。运行边界和无效目标中断了滞后生成和序列构建,同时缩放参数为CRediT 作者贡献声明Yaning Zhou:原创稿件撰写、可视化、软件、方法论、数据整理。Chunmei Liu:软件、方法论。Xidi Shang:软件、方法论。Min Wang:方法论。Wuliang Yin:软件、方法论。Jianxin Pan:监督、方法论。Hua Wang:监督。Kai Yang:审稿与编辑、数据整理。Qingtai Xiao:审稿与编辑、监督、方法论。利益冲突声明作者声明不存在已知的可能影响本文工作的竞争性经济利益或个人关系。致谢作者感谢中国云南省科学技术人才与平台项目(编号 202405AF140068)、中国云南省基础研究项目(编号 202601BE070001-043、202501CI070345 和 202601AT070196)、人才计划(编号 XDYC-QNRC-2022-0129 和 YESS20210106)以及国家重点实验室开放基金(编号 YSQH-ZD-24005、BGRIMM-KZSKL-2024-22 和 CNMMRCUKF2402)的财政支持。符号表变量?? 输入特征数量????( · ) 由架构参数化的非线性映射?? 电流??????????? Huber 损失函数?? 评估序列数量?? 系统压力???? 电功率?? 热流密度???? 污垢阻力??????(??) 时间步 ?? 处的估计污垢阻力?????(???1) 前一时间步的污垢阻力?????(???2) 前两个时间步的污垢阻力?? 瞬态热阻?? 序列长度???? 主流体温度???? 表面温度?? 时间步索引??min 起始时间为Yaning Zhou|Chunmei Liu|Xidi Shang|Min Wang|Wuliang Yin|Jianxin Pan|Hua Wang|Kai Yang|Qingtai Xiao
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号