【正文】 體動力學和動力學的燃燒系統(tǒng)設計的不斷增加的計算能力，更遑論模擬鍋爐和它的各種形態(tài)輔作為一個整體的子系統(tǒng)。如果燃料和環(huán)境條件被指定，一個給定的鍋爐的熱效率取決于主要強奎的空氣燃料比，和到燃燒器的空氣和燃料的分布在不同的位置上，如果使用兩個或多個燃燒器。對于不同的燃料，不同爐配置，最佳的空氣燃料比和最佳的空氣和燃料的分布一定的不同，可通過分析粗略估計，但是只能精確地確定通過測試運行。至于鍋爐痕量污染物的排放的控制（在ppm或ppb氧化氮，二氧化硫等方面），所有的作為燃料組合物，在燃燒腔室的流動和溫度場的復雜性，和復雜的機構等不確定因素化學反應使模型的預測非常不可靠。無力的理論分析進行了實證的方法，有必要探討鍋爐的最佳運行條件。 使用分數(shù)因子設計程序確定原發(fā)性措施和選擇性非catalytic reduction一個流化床燃燒器（FBC）中的NOx還原是重要因素。進行優(yōu)化控制FBC靜態(tài)模型，從實驗數(shù)據(jù)進行回歸分析的基礎上的氮氧化物和二氧化硫的排放量。喬治提出了鍋爐的測試系統(tǒng)，以監(jiān)測在全面而系統(tǒng)的方式，通過優(yōu)化各種操作條件下氮氧化物的排放，他并聲稱，實現(xiàn)氮氧化物減排目標并不一定意味著設備翻新或鍋爐性能差。人工神經(jīng)網(wǎng)絡（人工神經(jīng)網(wǎng)絡）作為一種通用的建模工具的能力已經(jīng)得到了廣泛的認可，在過去的20年里，CYBENKO表明，人工神經(jīng)網(wǎng)絡可以近似任意非線性函數(shù)。人工神經(jīng)網(wǎng)絡模型的過程行為提供一種替代方法，因為它們不需要先驗知識的過程現(xiàn)象。他們學習和描述在任何給定的過程中的現(xiàn)象的輸入和輸出之間的關系的數(shù)據(jù)，通過提取嵌入的圖案。在適當?shù)臅r候輸入施加到人工神經(jīng)網(wǎng)絡，“ANN收購”知識“的環(huán)境，被稱為”學習“的過程中。其結果是，將ANN同化的信息，可以購買回顧。人工神經(jīng)網(wǎng)絡能夠處理復雜的和非線性的問題，迅速的處理信息和減少模型開發(fā)所需的工程努力。人工神經(jīng)網(wǎng)絡已經(jīng)成功地應用于過程故障診斷，系統(tǒng)辨識，模式識別，過程建模與控制，統(tǒng)計時間序列建模的各種問題，如KALOGIROU回顧了人工神經(jīng)網(wǎng)絡能源系統(tǒng)的應用。他開發(fā)了一種智能的排放量控制器，氣體燃料燃燒的燃煤電廠，并在他們的研究中，前饋神經(jīng)網(wǎng)絡（FFN）來模擬靜態(tài)非線性分布之間的關系注入天然氣轉化成的上部區(qū)域的燃煤鍋爐的爐中，和相應的氧化物的排出爐內(nèi)的氮排放。 ZHOU等人利用人工神經(jīng)網(wǎng)絡模型和遺傳算法優(yōu)化的低NOx煤粉燃燒。人工神經(jīng)網(wǎng)絡應用于解決燃燒問題的其他實例包括：減少燃燒的時間演化建模，并系統(tǒng)預測煤灰熔融溫度，預測煤炭/焦炭燃燒速率，進行的模型預測控制在火電廠。復雜的優(yōu)化系統(tǒng)，如鍋爐的燃燒過程是一個反復試驗和錯誤的過程，這是顯而易見的。在這樣一個迭代的過程中，進行了實驗測試，以及測試數(shù)據(jù)進行分析，并建議進一步測試分析的基礎上，和與該迭代繼續(xù)，直到實現(xiàn)令人滿意的性能。在這項研究中，提出一種新的優(yōu)化過程通過延伸作者開發(fā)的實驗設計方法，他在約束的情況下，用于搜索一個模擬的燃煤燃燒過程的最佳的操作條件。建議的優(yōu)化過程使用的人工神經(jīng)網(wǎng)絡，以與各種操作變量的性能指標的關系建模，搜索內(nèi)置的響應面產(chǎn)生測試的下一批的候選點的約束條件下，通過信息分析確定下次批次的測試點。這個過程是迭代的，最佳的條件，預計后幾批的測試。所提出的方法的主要優(yōu)點是它的處理多變量，精確地確定的數(shù)量和位置，未來的測試實驗中，考慮非分析的限制，并找到多個最優(yōu)解的能力。本研究的目的是為了演示的建議的優(yōu)化過程的有效性，在搜索的鍋爐的最佳的操作條件。在以下的情況下，內(nèi)置的燃煤鍋爐的燃燒過程的簡化模型和優(yōu)化程序，被引入和被施加到優(yōu)化的模擬燃燒過程的操作條件。它應該被指出的，本文的意圖是來描述的建議優(yōu)化程序和以顯示它的力量在改善的整體性能的一個鍋爐的燃燒過程中實現(xiàn)熱效率高和低污染物排放量盡可能降低，且不提供一個在鍋爐的燃燒行為的深入分析。應當指出，在以下幾個方面粗略估計上述模型用于燃燒。 （一）假設插件流通過燃燒隧道。 （二）均相反應在燃燒過程中使用，飛灰中的未燃燒的炭，NOx和CO的貢獻的形成是不包括在內(nèi)。 （三）溫度更新本研究中使用的僅僅是一個估計值，因為它是復雜的傳熱，流場和其他因素相關。（四）不完整性，由于熱損失引起的灰分和水排出，由不完全燒的煤顆粒，并通過表面對流與輻射到大氣中等被忽略。 （五）在包含的化學物種和反應在燃燒過程中的化學變化的真正機理是近似的。 （六）煤和空氣的組合物不考慮灰分和水的情況下簡化。上述考慮和建立模型的假設，一定會產(chǎn)生一些移位和失真的真實的燃燒過程中的所有的變量之間的關系。然而，作為一個主要的近似模擬，該模型的基礎上的基本材料和能量平衡方程，并包括所有在燃燒過程中的主要方面，這是我們的信念，該模型定性是正確的，已經(jīng)夠復雜了，作為一個例子來說明優(yōu)化過程的有效性。2. 生產(chǎn)的候選最佳點這一步是為了得到一個全面的了解，在整個范圍內(nèi)的一個隨機搜索方法的設計/操作變量的二次模型為代表的響應面。這一步的結果是一個人口接近最佳點，或候選人的最佳生產(chǎn)點，滿足所有的約束條件。模擬特征是在產(chǎn)品和工藝開發(fā)的最佳工作條件。多個局部最優(yōu)解中經(jīng)常遇到的問題。率替代基于局部最優(yōu)的次要目標，如安全性，耐用性，所以它往往是必要的。因此，一個non gradient搜索技術在這里通過。在此步驟中的隨機搜索實現(xiàn)按的詳細文獻[13]。理論上，隨機搜索收斂到全局最優(yōu)。總所周知的延遲的燃燒，用空氣與燃料的混合（即空氣分期）是一種有效的手段，以減少在燃燒過程中的NOx的生產(chǎn)。此外，我們知道，存在一個最佳的空氣比熱效率達到最大，對于給定的燃料和一個給定的燃燒設備。從這些基本原則燃燒，上述兩種情況的最佳條件是有道理的。提高熱效率鍋爐優(yōu)化運行具有十分重要的意義。應該指出的是優(yōu)化的結果依賴于不同的邊界條件，如煤的類型，爐配置，季節(jié)性的大氣條件下，等以上的情況下研究只作為例子，以說明我們的優(yōu)化策略。參考文獻[1] T，布阿L，F(xiàn)rassoldati一個，Antifora一個，Tognotti?，Ranzi E. A Faravelli從爐的氮氧化物排放量預測的新程序。 COMPUT化學Engng2001年，25:613。[2]諾丁甲，埃里克森L，燃燒室與主措施和選擇性非催化減少。燃料1993年，74（1）：128。[3] Henttonen J，科喬IV。 ?研究所能源1992。65:118。[4]喬治EM。鍋爐氮氧化物控制通過優(yōu)化。電源Engng1994年二月29。[5] Cybenko 。數(shù)學控制標志SYST1989。2:303.[6] Kalogirou SA。人工神經(jīng)網(wǎng)絡在能源的應用系統(tǒng)：檢討。能源轉換MGMT1999。40:1073。[7] Reifman J，費爾德曼EE，魏TYC RW Glickert。智能燃料的排放量控制器重新燒燃煤電廠植物。 J空氣廢物MGMT副教授2000。50:20451。[8]周H，岑K表。燃料2001年80:2163。[9]布拉斯科JA，F(xiàn)ueyo?，Dopazo199。，Ballester 。 1998年燃燒的火焰。113:38。[10]尹C，羅?，NI M。燃料1998年，77:1777。[11]朱Q，瓊斯JM，威廉姆斯，托馬斯KM。預測的煤/中焦炭燃燒率，采用人工神經(jīng)網(wǎng)絡方法。燃料1999年，78:1755。[12]普拉薩德Swidenbank E，G，：霍格體重。一個局部模型網(wǎng)絡火電的多變量預測控制遠程戰(zhàn)略廠。自動化，1998，34（10）：1185。[13]陳炯，黃DSH，張SS，：楊SL。產(chǎn)品和工藝利用人工神經(jīng)網(wǎng)絡模型和信息分析的發(fā)展。 AICHE1998，44（4）：876[14]簡CI。熱電聯(lián)產(chǎn)的鍋爐運行優(yōu)化廠：更高的熱效率，降低氮氧化物的排放。臺灣國立清華大學，碩士，論文。2001年。[15]卡爾曼BL，Kwasny SC。為什么雙曲正切？選擇的S形曲線的功能。詮釋聯(lián)合CONF神經(jīng)網(wǎng)絡，1992年馬里蘭州巴爾的摩市。[16]赫茲克羅A，J，帕爾默RG。簡介理論，神經(jīng)計算。紐約：AddisonWesley出版社，1991。[17] Gorodkin J，漢森LK，克羅一個，Savrer199。研究神經(jīng)SYST1993。4:159。