喷淋散射法烟气脱硫机理及优化研究—基于AI+CAE的喷淋散射塔运行优化
湿法脱硫技术因其脱硫效率高、适用性强等优势，广泛应用于工业锅炉烟气治理领域，喷淋散射塔作为一种新型高效脱硫设备，凭借其独特的结构设计实现了气液充分接触，在降低污染物排放方面发挥着重要作用。刘老师的博士论文《喷淋散射法烟气脱硫机理及其优化研究》前序章节已系统阐述了喷淋散射塔内多相流特性、脱硫反应机理，并深入分析了单一运行参数对脱硫性能的影响规律，但工业实际运行过程中，喷淋散射塔的脱硫效果并非由单一因素独立决定，而是受到锅炉负荷、浆液特性、气液参数等多因素、多层次的耦合作用，且各参数对脱硫效率、设备能耗的影响权重存在显著差异。这种复杂的耦合关系导致运行参数调整缺乏精准依据，易出现脱硫效率不稳定、风机能耗偏高、操作频繁等问题，严重制约了喷淋散射塔低耗高效运行目标的实现。因此，构建精准的脱硫性能预测模型，明确各运行参数的影响权重，揭示喷淋散射塔与传统喷淋塔的脱硫特性差异，对优化运行参数、降低操作难度、提升设备运行经济性具有重要的理论价值和工程实践意义。本文选自我的博士论文第五章，完整论文请在仿真秀直播间下载查看。5月14日20时我还在仿真秀直播间与读者朋友交流，欢迎各位专家学者莅临指导和交流。前章对喷淋散射塔内的多相流及脱硫机理进行详细的阐述，并对其影响因素进行了分析。然而，由于喷淋散射塔的脱硫性能不仅受到单因子变量的影响，还会受到不同运行因素、不同层次之间的耦合关联影响，而且各运行因素对脱硫性能影响程度差异较大。所以精确预知各运行参数对于脱硫性能、风机能耗等影响程度能够有助于维持喷淋散射塔低耗高效脱硫能力，以降低运行操作的弹性空间，降低频繁调整运行参数的概率。为了避免由于喷淋散射塔在变运行工况条件和多参数复杂耦合因素影响下而造成运行参数的影响因素重要性分布预测不准确的情况，本章基于人工智能学习模型，利用喷淋散射塔脱硫装置的DCS控制系统的运行历史数据和在线实时数据，来构造喷淋散射塔脱硫特性的实时动态预测模型。由于喷淋室属于喷淋散射塔脱硫重要环节，而喷淋塔脱硫方式与喷淋室类似且应用较广，通过将喷淋散射塔与喷淋塔的运行参数的重要性指标分布进行对比更有助于理解喷淋散射塔烟气脱硫机理和优化。于是，在对比喷淋塔的运行参数实时动态预测结果后，对获得的较为准确的喷淋散射塔脱硫效率等参数的重要性指标分布进行分析，从而为优化喷淋散射塔的运行参数调整空间提供借鉴。针对锅炉负荷波动大、脱硫塔内各运行与结构参数变化大容易使得湿法脱硫塔产生功耗、能耗以及脱硫预测模型失真的问题，本研究基于Python2017计算平台，利用机器学习数据训练模型来构建基于喷淋散射塔和喷淋塔的DCS控制系统历史运行参数和实时在线数据的智能深度自学习动态脱硫预测模型，并获取其优化策略。此外，由于缺乏喷淋散射塔实际运行参数的指标权重相关数据，使得喷淋散射塔在运行过程中具备较大的运行参数调整空间。而且，在实践过程中脱硫率，烟气出口温度等结果的影响指数差异会导致在改造喷淋散射塔过程中的运行能力发生重大变化。例如，在喷淋散射塔中，脱硫率最能反应其功耗、能耗和环保的特性，按照传统喷淋塔的设计，脱硫率与浆液的液位关系不大。但根据前文的结果，浆液液位对喷淋散射塔的脱硫率占据较重要的影响地位，故而对喷淋散射塔运行结果的影响权重的分析有利于了解其运行机理，以优化其运行参数的调整空间，降低工作人员的操作的频繁度，提升喷淋散射塔脱硫率的稳定性。由于脱硫率等运行结果受到的多个维度、多个层面的运行参数耦合作用的影响，难以通过简单的定量分析或者单纯的检测来判断各输入参数的影响程度，并取到最佳的运行性能，故而需要合理的预测模型对其进行预测。为了弄清实际运行中的喷淋散射塔各重要参数的影响指数排序，本文主要采用XGBoost（XGB），LightGBM（LGB），Random Forest，SVR Linear Kernel/SVR RBF Kernel，ElasticNet等六个机器学习模型对喷淋散射塔的脱硫过程构建预测模型，根据预测结果获取包括脱硫率等结果的影响参数排序，并与喷淋塔相关结果进行差异对比。首先，通过在喷淋散射塔的DCS控制系统上获取实测参数并结合实测数据以对测试数据进行初步采集；随后对喷散塔所获得的入出口的烟气温度差、浆液温度、PH、液位深度、入出口压差等等有效数据进行有效储存。在经历了预测模型初始化、输入参数预处理、预测测试、模拟结果与真实值误差分析对比等步骤后对基于机器学习模型的预测效果进行评估。最后，通过对筛选出的最优模型的结果进行解释分析，从而获取各输入参数如温度，压差等对于结果的影响权重，以及各个输入参数之间的关系。XGBoost(Extreme gradient boosting)模型是一种新型的梯度提升决策树(GBDT)算法。与传统的GBDT模型不同，此方法采用泰勒二阶展开和添加正则项以优化损失函数，并通过引入稀疏感知算法来提升树学习模型，最终使得此方法无论是计算效率还是精度都非常优良。而且，由于采样随机，从而在一定程度上能防止了模型过拟合，并且能获得全局最优和全局收敛解。但由于XGBoost模型参数数量多、类型杂，在即使是性能优良，精度较高情况下也必须筛选合适模型参数进行迭代计算。在预测模型的计算流程中，首先需要人为预设置 XGBoost 各参数待选值,并基于网格搜索的方法,经过多次交叉验证后选择最优结果所对应的参数组合。通过对喷淋散射塔实测真实的数据进行数据清洗，数据正则化，数据分裂，grid search调参等步骤以获得实测值的模拟预测值，并与真实值误差分析对比，从而获得良好的预测结果。在XGBoost中，其算法集成总公式为（5-1）。
（5-1）式中： fk为函数空间F的一个函数，即第k棵独立的树(包括该树叶子权重); F是所有分类回归树集 合而成的空间。本模型采用梯度提升法，新预测值通过添加新树同时补充前一步的预测值而获得。在第 t 步的预测值公式为（5-2）。
（5-2）
（5-3）此函数主要通过泰勒级数展开扩展至2阶，其中
和
分别为一、二阶导数。随后，在第t 轮迭代时，获得最终目标函数公式为（5-4）。
（5-4）其中，T为叶子节点数，γ和λ分别为L1及L2的正则惩罚项，而
为树f的j个叶子的权重，公式为（5-5），此权重在喷淋散射塔脱硫预测中也被称为重要性指标。
（5-5）
（5-6）预测模型验证主要采用平均误差值(MAE), 均方根误差(RMSE)来对预测结果进行统计, XGB、LightGBM、Random Forest、SVR Linear Kernel/SVR RBF Kernel、ElasticNet等模型预测喷淋散射塔的结果与实测值的误差对比，在脱硫实践过程中，MAE和RMSE数值越小，代表的回归模型越为精确、准确，其MAE，RMSE的公式详见(5-7)和(5-8)。
（5-7）
(5-8)研究对象为第二章提到的工业级钙法喷淋散射脱硫塔，通过从控制板以每20s/单次的频率采集实际运行数据。根据现场的情况，选取目标时间为3个月范围内运行参数拾取其几千份样本并进行数据处理，详见附表1。假定σ为每批样本的均值，为了确保数据清洗针对性强且高效，将数据中不属于（0.1σ，10σ）的数据通过算法剔除掉，与脱硫率相关的运行参数的适用范围汇总如表5-1。根据运行参数的特性，有大量的数据与脱硫率有关。例如入口烟气的性质、入口浆液的性质、风压阻力、
含量、石灰石浆液泵的运行情况、风机情况、喷淋层数、喷嘴、液位、散射孔开度等等。由于建模过程中采用过多维度的参数容易造成模型的过拟合，且实际运行过程中几十个维度的参数同时监测、提取也存在困难。在经过数据清洗、数据降维等操作后，选取以下变量参数用于喷淋散射塔的脱除率模型的训练：浆液的PH值
，散射管浸液深度H(m)，烟气进出口压力差ΔP(kPa)，烟气入出口温度
，以及浆液温度
，构建以上参数与脱硫率的函数关系式为（5-9）。
;（5-9）采用类似的方法来选取并构建氧化风机总电流、烟气出口温度等参数的重要性模型。为了削减XGBoost模型中超参数对预测结果的影响，需要对其模型参数进行调试，经过测试调试后，将适用于本喷淋散射塔的XGBoost模型参数设置汇总于表5-2。随后，基于 XGBoost 算法进行可靠性分析，主要使用k 折交叉验证法等方法进行预测结果可靠性分析，经过单次验证后模型预测准确率分布在69%~95%，由于误差波动过大需要继续迭代验证；在49次反复迭代计算后最终将精确率控制在92%以上。 由于单喷淋塔的结构相对喷淋散射塔更简易，且其多年运行稳定，故而通过将传统湿法脱硫塔，即喷淋塔的脱硫与喷淋散射塔脱硫进行对比能更为深入反应喷淋散射塔的脱硫性能。本文基于调研的情况，将采集到的喷淋塔的脱硫运行参数进行数据预处理。由于条件有限，仅获得了氨法喷淋塔脱硫相关运行参数作为样本。同时，由于本章主要针对喷淋散射塔脱硫进行研究，而将喷淋塔脱硫的影响因素作为对比补充，因此采用氨法喷淋塔的实测数据作为研究对象。此喷淋塔的运行参数通过采集过程为每1小时/单次方式获取数据。根据现场的条件，拾取目标时间为1个月的数据作为样本，总样本数量为三百多份，详见附表2。同样，在数据清洗过程中，将数据中不属于（0.1σ，10σ）的数据通过算法剔除掉。在喷淋脱硫塔的脱硫率预测中，将6个独立变量F1~F6作为输入参数，这些参数主要包括PH值、浆液液位、烟气量、入出口烟气温度差、浆液温度以及氨用量等，而将脱除率作为输出结果；在氧化风机压力的预测中，将 2个独立变量包括循环槽液液位(m), 吸收塔液位(m)作为输入参数,而氧化风机压力(kPa)作为输出结果；在烟气出口温度预测中，将 4个独立变量M1~M4的评价指标数据作为输入参数，包括烟气入口温度(K), 浆液液位(m), 烟气量(m3/h), 氨用量(kg/h)等设置为输入值，同时将烟气出口温度(K)设置为输出值。在喷氨用量预测中，将5个独立变量M1~M5的评价指标数据作为指标参数，这些指标参数包括PH值，液位(m), 烟气量(m3/h)，烟气温度降ΔTG(T),入口(mg/m3)等作为输入参数，而喷氨用量作为输出结果。通过对比发现，XGB等模型预测结果与实测值的平均误差值、均方根误差普遍低于其他机器学习模型，故而针对XGB模型的预测结果进行进一步分析，详见表5-3。通过对比XGB和LGB两种模型的预测结果发现：XGB模型对于脱硫率的预测结果更优。首先，两种模型都采用网格搜索方法(grid search)方法来寻找最优化的参数并获取贴近实测的预测结果。从模型上看，LGB采用加速模型训练的方式对参数进行训练。从梯度角度来看，通常针对信息增益的计算中影响权重大的进行保留、采样、排序，并挑选出数组中的topN(排名极大的一批参数)，结合带系统性偏差系数修正后的梯度小的参数随机采样参数，以获得较为完善的预测结果。从分裂角度，XGB模型主要采用分叶法（leaf-wise），由于其着重筛选收益最大的叶节点来分裂推进，故而其一定程度上减少了数据的含量或者特征值的数量，降低了出现过拟合现象的概率。在经历数据清洗等过程后，对获得XGB和LGB对于脱硫率回归模型预测结果进行对比，见图5-1。其中，图中的点越贴近y=x函数图像，则表示模型对该输出变量的拟合程度越高。虽然LGB并未出现极大的过拟合，但由于其预测值其对脱硫率的预测性能还不够强。而XGB模型利用惩罚削减机制对每棵树叶节点树以及参与程度（权重）进行削减，并不定时机的拾取一些树性质来融合进行分裂算法以构建树。图5-1 基于机器学习的喷淋散射塔脱硫率回归模型预测效果：(a)XGB模型脱硫率预测拟合度,(b) LGB模型脱硫率预测拟合度 图5-2基于XGB模型的喷淋散射塔各参数回归模型预测效果：(a)烟气出口温度(K)的拟合度；(b)消耗的氧化风机总电流的拟合度 由于此模型主要采用分桶分裂法（level-wise），虽然表面上各个树的权重接近，但其对损失函数采用的泰勒二阶展开，使得其不容易出现过拟合。当采用计算信息增益最大的方向来判断树的结构以及缺失值的分裂方向使得其对稀疏数据具备强有力的支持，见图5-1(b)。同时，由于XGB模型需要将所有数据导入内存并参与分裂，而LGB模型对数值和特征有针对性的筛选，使得XGB模型会比LGB计算量大。但是由于LGB模型计算过程中会遍历分节点时采用分裂增益法计算，计算周期过长，效率相对XGB低一些。从图5-1(b)可以看出，在XGB模型计算脱硫率预测值上几乎所有点都距离直线非常接近，并且预测对测量数据的响应很好，其预测结果与实测数据吻合良好，表明了XGB模型的有效性和适应性更强。为了可以更加直观地量化表现较好的集成算法XGBoost的喷淋散射塔各参数预测模型的拟合效果，整理出了XGBoost算法对于烟气出口温度和风机电流的XGB模型的测试数据的预测值和真实值拟合度图，见图5-2(a)~(b)。图中的点越贴近y=x函数图像，则表示模型的预测效果越好。图5-3 基于XGBoost模型的喷淋塔运行参数的回归模型预测效果：(a)脱硫率拟合度,(b)喷氨量拟合度,(c)烟气出口温度拟合度,(d)氧化风机出口压力拟合度 通过对比可以发现XGBoost算法对于烟气出口温度和消耗的总风机电流的预测结果与实测数据吻合良好。模型预测相对误差都远低于生产实际要求。其中消耗的总风机电流，烟气出口温度的误差在3%以内，而预测与真实值的误差在6%范围内，表明了模型的有效性和适应性。此外，图5-3(a)~(d)表示的是基于XGBoost模型的喷淋塔运行参数的回归模型预测效果，其中脱硫率、喷氨量等结果的预测整体误差低于20%，故而样本的回归模型较好，且并未出现明显的过拟合和欠拟合现象。但由于喷淋塔的样本数量以及参数变化区间有限，以及受限于实测条件及环保相关要求，故而此喷淋塔样本预测误差略大。通过对比喷淋散射塔的回归预测可发现，样本的数量和质量对于工程实践预测有着至关重要的作用。但是若要让样本中各参数变化过大，又容易带来工程上参数的信号波动过大，随即导致参数的稳定性不够优良的问题。在满足环保的情况下，需要兼顾考虑工程实测脱硫相关参数的波动区间范围以及参数的稳定性问题，从而既能保证工业设备的安全稳定运行，同时又能深入了解喷淋散射塔的脱硫机理，进而才有利于提出改造及优化的方案。采用XGBoost算法在模型建立后，通过计算与脱硫率F1~F5的特征指标在所有分类树中 特征频率，可得到参数重要性分布。图5-4(a) 表示的是与喷淋散射塔脱硫率相关的五项重要性指标,在各项特征指标中，浆液池的浆液液位对于脱硫率的影响程度最大占比46%，而烟气进出口压力差的影响程度为16.5%。此结果表明脱硫效率受浆液池液位深度影响最大，即液位越高出口越少，脱硫效率越好。由于在实际运行过程中，为了贴合环保和经济性要求而故而将烟气入出口温度控制在很小的变化幅度范围内，以维持较高的脱硫率而避免腐蚀，所以烟气温降对脱硫率的影响会低于浆液池液位深度和烟气压降。虽然模型的PH值变化幅度有限，但是其对于的影响指标占比接近14%，这也反映了PH值对于脱硫效率影响较大。此外，由图5-4(b)表示的是与风机的总消耗电流相关的2项重要性指标，其中氧化风管压力权重最大，而浆液池液位占有一定的权重。这是由于为了维持入口烟气的流速（10~20m/s），需要提供较大的氧化风管压力（>20pa）以克服液体产生的阻力，而浆液池液位越高，浆液池区域液体对烟气产生的阻力也就越大，故而需要消耗的风机电流也就越多。最后，由图5-4(c)，在烟气出口温度的影响指标来看，烟气入口温度的影响程度最大。由于浆液温度和浆液液位变化幅度较低而入口烟气的温度变化较大，所以烟气出口温度会较大程度受入口温度的影响。图5-4 基于XGB模型的喷淋散射塔各参数评价指标重要性对比：(a)与脱硫率相关的5项重要性指标, (b)与风机的总消耗电流相关的2项重要性指标,(c)与烟气出口温度相关的3项重要性指标。 从此喷淋塔脱硫率的影响指标评价来看，与脱硫率最相关的指标主要是喷氨量(重要性占比42%)，而其他的参数包括浆液液位、入出口烟气温度变化等参数的影响程度相对较弱，详见图5-5(a)。由于在喷淋塔中主要依靠喷氨进行脱硫，故而脱硫率会很大程度上受到喷氨量的影响。图5-5 基于XGB模型的氨法喷淋塔各参数评价指标重要性对比： (a)与脱除率相关的6项重要指标, (b)与氧化风机的出口压力相关的2项重要指标，(c)与喷氨量相关的5项重要指标，(d)与烟气出口温度相关的4项重要指标。 浆液液位通过影响浆液循环量，从而间接影响喷氨的效果和脱硫效率。烟气温度降低幅度越大，其的吸收传质的效果越好，故而烟气温度变化也会影响脱硫率。其次，从中可发现喷淋散射塔影响脱硫率排第一的是浆液池液位，与喷淋塔的脱硫率影响参数特征指标截然不同。从喷氨量来看，烟气量对于用氨量的影响远大于其他指标（重要性占比70%）。这是由于烟气量增大时，其负荷就会增大。当入口的浓度增大，烟气中更容易流入一些吸收塔的角落或者死区，从而增大脱硫难度，故而需要使用更多的氨水，由于烟气量的变化会引发喷氨量的波动，从而影响脱硫率，故而喷淋塔的脱硫率也会受到烟气量的影响，见图5-5(b)。从氧化风机出口压力影响参数指标来看，影响氧化风机出口压力指标排名第一的是吸收塔的浆液液位（重要性占比67%）。通常情况下，循环槽浆液液位波动较小，比较平稳，其对于氧化风机的影响程度相对较低，而吸收塔液位过高，则需要提供更强劲的风压以提供更充足的氧化空气，以保证将液位升高带来的更多的亚硫酸钙进一步氧化，见图5-5(c)。由于吸收塔的烟气入口温度较为固定，浆液液位等参数对于烟气出口温度的影响也相对低于喷氨用量。在喷淋塔中气液两相的传热效果强烈，增加氨水的喷射量会使得吸收塔的出口温度明显的下降，故而喷氨量为影响烟气出口温度的最重要指标（重要性占比51%），见图5-5(d)。通过总结喷淋塔脱硫特性可发现，在喷淋塔中需要保持较高的喷氨量或者塔内持液量以确保较高的脱硫率，这就使得喷淋单塔容易出现电耗高且负荷适应不够强的问题。基于人工智能的喷淋散射塔运行参数预测后发现：对烟气脱硫率、氧化风机电流、烟气出口温度的影响指数最高参数分别是散射管浸液深度，氧化风管压力,烟气入口温度。对喷淋塔中的脱硫率、用氨量、氧化风机出口压力和烟气出口温度最重要参数指标分别是喷氨量(42%)、入口烟气量(70%)、吸收塔浆液液位(67%)和喷氨量(51%)。其次，由于变入口温度下的喷淋散射塔的烟气出口温度波动幅度较低，故而喷淋散射塔对于入口烟温的适应性较强。其次，在喷淋散射塔中，脱硫率主要受散射管在浆液中的浸没深度的影响，其次受浆液温度的影响，这两个参数均为可调量且不容易受到负荷的影响；在喷淋塔中，喷氨量对脱硫率的影响程度较大，而烟气量对喷氨量的重要性影响程度最高，故而喷淋塔的脱硫率更容易受到负荷波动的影响。通过对比喷淋散射塔和喷淋塔的脱硫率的影响指数分布，因而喷淋散射塔的负荷适应性更强。此外，有鉴于喷淋散射塔中各重要参数如脱硫率的影响指数分布与喷淋塔截然不同且独具特点，故基于脱硫率、风机能耗等参数的重要性指标分析可对不同喷淋散射塔的运行参数调整空间进行优化。在喷淋散射塔中，由于脱硫率主要受散射管浆液的液位影响，故而可以在运行过程中将液气比或者喷淋室的脱硫率固定在高位，并通过单独调节散射管的浸没深度或者循环浆液泵的液位来调节整个喷淋散射塔的脱硫率，使得脱硫率与散射管浸液深度呈贴近线性相关的关系。从而避免了操作人员需要同时或者反复调节PH值、液气比、循环浆液量等参数，并能在最短时间内将出口的SO2浓度控制在较低且稳定的水平。然后，针对氧化风机电流，出口烟气温度等其他参数的调整也可以采用类似的方法。通过优化运行参数的调整空间，可以使得运行人员的操作便捷、从而降低工作人员的操作负担和风险，并使得设备负荷适用性高，灵敏性和抗腐蚀性强，运行成本低。本章主要针对喷淋散射塔脱硫性能受内部不同运行因素、不同层次之间的耦合关联影响而造成运行参数的影响因素重要性分布预测不准确的情况，采用XGBoost（XGB），LightGBM（LGB）等机器学习模型来构建适合喷淋散射塔和喷淋塔的机器学习动态脱硫预测模型。通过对喷淋散射塔和喷淋塔的DCS控制系统历史运行参数和实时在线数据的样本进行提取、挖掘、清洗、建模、回归预测过程以完成其模型构建过程，并进行了喷淋散射塔和喷淋塔的脱硫等参数重要性指标分布预测。通过对比后发现，XGBoost模型预测结果中喷淋散射塔的脱硫率，消耗的总风机电流，烟气出口温度的误差在3%以内，而SO2预测与真实值的误差在6%范围内，表明了模型的有效性和适应性。通过对比喷淋塔的各运行参数的影响指数分布，从而发现喷淋散射塔各运行参数对于脱硫率等结果的影响程度具备与喷淋塔不同的特性，对喷淋散射塔的烟气脱硫率、氧化风机电流、烟气出口温度的影响指数最高参数分别是散射管浸液深度(46%)，氧化风管压力(86%)，烟气入口温度(56%)。由于影响喷淋散射塔脱硫率的最重要的参数为散射管浸液深度，其属于可调量且不受负荷的影响，故喷淋散射塔的负荷适应性强。基于喷淋散射塔中各重要参数如脱硫率、风机能耗的重要性指标分布预测，可有助于优化喷淋散射塔运行参数的调整空间，为改善运行人员的操作环境提供借鉴。基于CFD+AI烟气多污染物排放控制装置应用公开课
5月14日20时，仿真秀主办的AI+CAE主题月第五期将邀请湖南工商大学资源环境学院副教授 刘老师做《基于CFD+AI烟气多污染物排放控制装置应用初探》讲座，核心聚焦火电、钢铁、化工等行业烟气多污染物治理场景，针对性解决行业核心痛点：传统CFD模拟耗时久、难以适配动态工况，且烟气多污染物协同控制精度不足、试验成本偏高。 其应用价值显著，通过CFD与AI技术融合，可实现烟气多污染物排放的精准模拟与高效控制，大幅缩短仿真周期、降低治理成本，助力相关行业突破超低排放瓶颈，为企业提供可落地的技术参考，推动烟气治理向智能化、高效化转型，助力减污降碳协同发展。请识别下方二维码观看和回放（报告以实际直播为准）。 声明：本文首发仿真秀App，部分图片和内容转自网络，如有不当请联系我们，欢迎分享，禁止私自转载，转载请联系我们。欢迎投稿，投稿与技术交流请联系杨老师18610516616（微同）
著作权归作者所有，欢迎分享，未经许可，不得转载
首次发布时间：2026-05-19
最近编辑：4月前
获赞 12105粉丝 23562文章 4686课程 277
