Раздел 3.6.

Методы определения параметров моделей структуры

потоков.
Структура потока текучей среды через аппарат проявляется в характере
распределения частиц жидкости по временам пребывания. Этот характер зависит от типа
модели и ее параметров. Параметром модели называется величина, характеризующая
данную модель. Например, параметром модели идеального перемешивания является
среднее время пребывания. Параметром модели идеального вытеснения является время
пребывания или время запаздывания. В принципе, эти параметры могут быть определены
из конструктивных данных аппаратов и их производительности. Однако, такие явления,
как наличие застойных зон, зон чистого запаздывания, и другие отличия от идеальных
моделей, не могут быть предсказаны из конструктивных соображений. Поэтому, наиболее
строгим подходом к определениям типа математических моделей и их параметров является
экспериментальные исследования с использованием трассеров.
Подавая на вход аппарата некое инертное по отношению к составу потока вещество
и прослеживая его концентрацию на выходе, можно определять параметры выбранной
модели потока. Общепринятой методикой для определения параметров моделей по
кривым отклика аппарата на ввод трассера в форме различных возмущающих функций
является вычисление моментов кривых распределения и сопоставление их с пределами
передаточных функций, полученных для рассматриваемых моделей при переменной
оператора Лапласа, стремящемся к нулю.
Начальным моментом порядка s кривой распределения называется интеграл вида:


t
s
M S
  C (t )  dt . (3.6.1)
o

Начальный момент нулевого порядка функции распределения равен



t
0
M 0
  C ( t )  dt  1 (3.6..2)
o

Момент нулевого порядка определяет площадь импульса и не зависит от формы

кривой.
Начальный момент первого порядка равен


t
1
M1  C ( t )  dt  t (3.6.3)
o

среднему времени пребывания.

Центральным моментом кривой распределения называется интеграл вида:



s

S
  (t  t )
o
 C (t )  dt (3.6.4)
Было показано, что центральный момент нулевого порядка для кривой
распределения равен 1.
 


0

0
  (t  t )
o
 C (t )  dt   C (t )  dt  1
o
(3.6.5)

Физически это означает нормированное количество вещества, введенного с

возмущающим сигналом.
Центральный момент функции распределения первого порядка

  


1
  (t  t )  C (t )  dt   t  C (t )dt  t   C (t )  dt  M 1
 t  M 0  t  t  0 (4.6.6)
1
o 0 0

Для второго центрального момента имеем следующее выражение:

46
   


2 2 2 2
  (t  t )  C (t )  dt   t C (t )dt  2t   t  c(t )  dt  t   C (t ) 
2
2 M 2
 2t  t 
o 0 0 (3.6.
M M 2
2
1
, или  2
 M2  M 1  
2 2

7)
Для третьего центрального момента имеем выражение:
 


3 2 3
  (t  t )  C (t )  dt   (t  3  t  t  3  t  t  t )  C (t )dt 
3 2
3
o 0
(3.6.8)

2 3 2 3
M 3
 3t  M 2  3  t  M 1  t ;
3
 M 3
 3t  M 2  2 t ;

Третий центральный момент характеризует асимметрию функции распределения

частиц по времени пребывания в аппарате. Если 3>0, наблюдается правосторонняя
асимметрия, если 3<0, наблюдается левосторонняя асимметрия. Для реальных
технологических аппаратов наблюдается правосторонняя асимметрия С- кривой,
вследствие задержки частиц трассера в аппарате и длительного вымывания их из аппарата.
При использовании импульсного входного возмущения имеет место следующая
связь:

W ( p)  c

( p)  pt
вых
  e  C (t )  dt , (3.6.9)
c вх
( p) 0
так как свх(р)=1 для импульсного входа
Найдем значения производных разных порядков передаточной функции по
оператору Лапласа:

dW ( p ) d 

pt
 (e )  C ( t )  dt  (
dp 0
dp
2 2
d W ( p) 
d 

pt
2
 2
(e )  C (t )  d
d p 0 d p
s  s
d W ( p) d 

pt
s
 s
(e )  C (t )  d
d p 0 d p
(3.6.10)
Найдем теперь пределы правой и ревой частей уравнения для производных при р0.
Заметим, что стремление к нулю оператора Лапласа соответствует стремлению к
бесконечности реального времени t.

( p )  ( 1)
s
t
s s
limW
p 0
 C (t )  dt (3.6.11)
0

Интеграл в правой части уравнения соответствует выражению начального момента

порядка s для функции распределения.
Поэтому, окончательно получаем выражение для момента кривой распределения в
следующем виде:
s
Ms  (1)  limW s ( p ) , (3.6.12)
p 0
где s -порядок производной и начального момента.
Используя это уравнение можно найти связь между параметрами модели структуры потока
и характеристиками экспериментально наблюдаемой кривой распределения – ее
моментами, которые легко вычисляются с использованием методов численного расчета
определенных интегралов.

47
Например, для модели идеального смешения, получим следующие выражения для
производных передаточной функции:
Передаточная функция имеет вид
1 1
W ( p)   (1 t  p) (3.6.13)
(1  t  p )
Первая производная
dW ( p ) 2
 t  (1 t p) (3.6.14)
dp
Вторая производная
2
d W ( p)
2
2
 2t  (1 t p)
3
(3.6.15)
d p
Найдем моменты различного порядка как пределы производных при р0:
1

M 0  lim (1 p 0
p t ) 1 (3.6.16)
2

M 1  ( 1)  lim [( t ) (1p 0

p t ) ]  t (3.6.17)
3

M 2  (1)  lim [2  t
2 2 2

p 0
(1 p t ) ]  2t (3.6.18)

Найдем центральные моменты кривой отклика аппарата идеального перемешивания:

0=М0=1; (3.6.19)
1= t  t  M 0
 0; (3.6.20)

 M
2 2 2
 M 1  2 t  t  t 
2 2
2
(3.6.21)
2
Из полученных выражений видно, что первый начальный момент равен среднему
времени пребывания в аппарате, а второй центральный момент равен дисперсии, причем


2 2
t .
Для аппарата идеального вытеснения , с учетом значения передаточной функции, получаем
следующие выражения:
(1)  pt (2) 2  pt
W(0)(p)=e-p t ; W ( p )  t  e ; W ( p)  t  e (3.6.22)
Отсюда получаем следующие уравнения связи моментов с параметрами модели:

M 0 1; M  t ; M  t ;   1; 
2
2
 0;
1 0 1
(3.6.22)
  M  M  t  t  0;     0
2 2 2 2
2 2 1 2
Полученное выражение для 2, показывает, что дисперсия 2, т.е. рассеяние времени
пребывания отдельных частиц в аппарате идеального вытеснения относительно среднего
времени пребывания равно нулю. Таким образом, все частицы находятся в аппарате одно и
то же время.

Ячеечная модель
Передаточная функция ячеечной модели имеет следующий вид:

48
 n
t 
W ( p )    p 1 (3.6.23)
n 
 
После дифференцирования и нахождения пределов производных, можно найти следующие
соотношения между моментами кривой распределения и параметрами модели:
2

M 1  t; n  M 1
; 
2 2 1
t  ; M3
( n  1)( n  2) 3
t ;   2t
3
(3.6.24)
2 2
M 2 M1 n n 3

Из выражения для дисперсии видно, что при n дисперсия 20. Это свидетельствует о
том, что ячеечная модель при этом стремится к модели идеального вытеснения. Третий
центральный момент является величиной положительной, следовательно функция
распределения будет иметь правостороннюю асимметрию ( затянутый переходный
процесс). На основании полученных формул для М1 и М2 обычно рассчитывают параметры
модели ( t и n) а третий момент используют для проверки адекватности модели.

Диффузионная однопараметрическая модель

Передаточная функция для аппарата больших размеров, описываемого диффузионной
моделью имеет вид:
2

W ( p)  e
(   ) Pe
; где   ;   Pe  Pe  t  p (3.6.25)
2 4
После дифференцирования передаточной функции и выражения моментов кривой
распределения через соответствующие производные получим следующие уравнения связи:
2
2M 1
Pe  2
; (3.6.26)
M2M1
Сопоставим значения второго момента для диффузионной и ячеечной модели:
Из предыдущего выражения, разрешая его относительно М2, получим:
2 2 1 2 2 1
M 2  (1  Pe )  M 1 ; M 2  (1  n )  M 1 ; Pe  n ; Pe  2n (3.6.27)
Критерий Пекле равен удвоенному числу ячеек.
С помощью такой процедуры можно получить уравнения связи моментов кривых
распределения с параметрами для любых моделей, включая комбинированные. Однако, для
сложных комбинированных моделей уравнения связи не всегда могут быть выражены в
явном виде через моменты кривых распределения.
Вычисление моментов по экспериментальным данным.
Экспериментальная С(t) кривая получается при подаче на вход аппарата
импульсного возмущения в виде -функции и представляет собой изменение концентрации
трассера во времени (рис. 3.6.1)

49
 1

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0 2 4 6 8 10 12
i-1 i i+1

Рис.3.6.1. Экспериментальная Сэ(t) кривая . So площадь, ограниченная кривой и

осью абсцисс
Для того, чтобы воспользоваться приведенными выше формулами , необходимо
найти соответствие между теоретической С(t) кривой и экспериментальной кривой. Это
соответствие устанавливается введением масштабного множителя М таким образом, чтобы
выполнялось условие нормировки: т.е.

C э (t )  dt  1
M0 
 C ( t ) dt   M (3.6.28)
0
где М0 начальный момент нулевого порядка. Отсюда находим:
 
1
M 0 C э C S
 (t )dt  1; или M  э
(t )dt  0 (3.6.29)
0

Таким образом, масштабный множитель М есть площадь, ограниченная Сэ(t) –и

осью абсцисс, т.е. S0.
Учитывая полученные выражения, можем записать формулы для расчета моментов
по экспериментальной Сэ(t) – кривой. Для начального момента 1-го порядка получим
выражение:



1
  t С э
(t )  dt
M 1   t  C (t )  dt  M   t  С э (t )  dt  0
 (3.6.30)
С (t )  dt
0 0
э
0

Для момента любого порядка можно записать:



t C
s
э
(t )  dt
M s
 0
 (3.6.31)
 C э (t )  dt
0

Для нахождения численного значения определенных интегралов используют два метода

аппроксимации интегралов – ступенчатый, когда площадь под кривой аппроксимируется
суммой площадей прямоугольников (см. рис.3.6.2),

50
 1

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0 2 4 6 8 10 12
i-1 i i+1

Рис…3.6.2. Метод ступенчатой аппроксимации площади.

или кусочно-линейной аппроксимации, когда площадь под кривой

аппроксимируется суммой площадей соответствующих трапеций, вписанных под кривой
(рис.3.6.3).

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0i-1 i i+1 2 4 6 8 10 12

Рис.3.6.3. Метод линейно - кусочной аппроксимации интеграла

При использовании ступенчатой аппроксимации площадь под кривой вычисляется

следующим образом:
n
M  C э
( t )dt   c  t (3.6.32)
i 1
i

где n – число интервалов t. Для начального момента 1-го порядка формула принимает
вид:

51
 n n

 ti  ci  t t  c i i

M1  i 1
n
 i 1
n
; (3.6.33)
 c  t
i 1
i c i 1
i

Для момента порядка s получим выражение:

n

 ti  c
s
i

M s
 i 1
n
; (3.6.34)
ci 1
i

При ступенчатой аппроксимации Сэ(t) ошибка нарастает по мере возрастания

порядка момента, особенно для несимметричных кривых, как это видно из Рис. 4.6.2. Для
увеличения точности вычислений применяют кусочно-линейную аппроксимацию, как это
показано на Рис.4.6.3. При этом суммарная площадь вычисляется как сумма площадей
трапеций, вписанных под экспериментальной Сэ(t) кривой. В этом случае начальный
момент нулевого порядка может быть вычислен по формуле:

 ci1  ci  t n

M 0 i1 2
 (3.6.35)

Для нахождения начального момента порядка s воспользуемся соотношением:

  ci 1 ci  (t ),

1

s 1 1 n  s 1
t s  1 0
s
 С э (t )  dt   С э (t )  d (t ) 
0
s  1 i 1 2 (3.6.36)
(t )  (t ) ; (t )  t i 1  t i
s 1 s 1 s 1 s 1 s 1

Тогда для начального момента порядка s получается соотношение:

 c
n
s 1  s 1   ci
 (ti 1  t i ) i 1

1 i 1  2  (3.6.37)
M s s 1 n  

 
ci 1 ci
  t


i 1  2 
Из полученной общей формулы найдем для момента первого порядка выражение:

 ci 1  ci 2  c  c (t  t ) 
2 
n n

  ( ti1 ti )
   i 1 i  i 1 i 
i 1  2 2 
1 i 1  2   ;
M1  2  n   (3.6.38)

 ci 1 ci


n 
ci 1 ci
 

i 1  2
 ( ti1 ti 
 ) 
2 

 i 1 

После аналогичных преобразований, учитывая формулу для разности кубов, найдем

выражение для второго начального момента С(t) –кривой:

52
   2 2


n
  ci 1 ci
 
   t i 1 t i t i 1 t i 
  
 2   3 
i 1   
  (3.6.39)
M2  n
ci1  ci
i 1 2
Таким образом, используя полученные соотношения можно по экспериментально
полученным Сэ(t) – кривым рассчитать начальные моменты функции распределения, а по
ним рассчитать параметры моделей потоков, описывающих перенос вещества движущейся
средой в данном аппарате.
С помощью описанной методики были определены параметры моделей потоков для
многих аппаратов. Эти результаты были обобщены в виде критериальных уравнений.
Например, для течения в круглых трубах в ламинарном режиме была получена следующая
обобщающая зависимость:
1 1
  Re Pr (3.6.40)
Pe 192
Для течения в трубе при турбулентном режиме зависимость имеет следующий вид:
1
 3.57  (3.6.41)
Pe
где  - коэффициент трения, зависящий от числа Re и от шероховатости внутренней
поверхности трубопровода.
Однако описанная методика определения параметров моделей по
экспериментальным кривым отклика хотя и является общепринятой, имеет некоторые
принципиальные недостатки:
1. Связь моментов кривой распределения с производными от передаточной функции
получена в предположении, что входной возмущающий сигнал подается в форме
единичного импульса, или -функции. На практике такой входной сигнал реализовать
невозможно, а, следовательно, необходимо производить дифференцирование
передаточной функции с учетом реального входного сигнала. Это приводит к большим
математическим трудностям.
2. Выходная функция Cэ(t) должна измеряться и интегрироваться при t, так только при
этом условии выполняется предел производной передаточной функции р0 и имеют
место полученные уравнения связи между моментами кривой распределения и
параметрами гидродинамических моделей. Это условие также трудно реализовать
экспериментально, поскольку эксперимент всегда проходит за конечное время, и малые
количества трассера трудно регестрировать экспериментально.
Поэтому в последнее время получил распространение другой подход к определению
параметров моделей структуры потоков по экспериментальным данным, основанный на
общем подходе к задаче идентификации математических моделей на основе методов
нелинейного программирования.

Определение параметров гидродинамических моделей по экспериментальным данным

путем решения обратной задачи методами нелинейного программирования.
1.Постановка задачи
Для того, чтобы решить задачу определения параметров модели по
экспериментальным данным применим метод поиска минимального рассогласования
между результатами моделирования поведения объекта с заданными значениями
параметров модели и результатами наблюдения за объектом при нанесении на его вход
выбранного входного сигнала. Функцию рассогласования запишем в виде суммы квадратов

53
отклонений. Решению поставленной задачи будет соответствовать нахождение минимума
суммы квадратов отклонений по искомым параметрам модели.
Математическая формулировка поставленной задачи имеет следующий вид:

 ( P )  min 
PM P
 y (t k
i k , P)  y
k
(t i k ) 2
;
(3.6.42)
k
k  1,..., NEXP; i k
 1,..., N T
где:
NEXP -число экспериментов
NTk -число точек по времени для k-го эксперимента
P -вектор параметров модели Мр ={P;Pi [Piн,Piв]};
н
P -вектор нижних ограничений переменных
Рв -вектор верхних ограничений переменных
k
y (ti) - экспериментальный выходной сигнал для k-го эксперимента
в i-й точке.
Функция рассогласования при каждом значении вектора параметров модели
формируется путем численного решения уравнений модели для получения набора
расчетных значений уk(tik) в каждой i-й точке измерения k-го эксперимента. После
формирования функции рассогласования, соответствующей заданному вектору параметров
модели P , производится поиск параметров модели, минимизирующих функцию
рассогласования ( P ). Для поиска минимума функции рассогласования используются
различные методы нелинейного программирования, например, градиентный метод,
алгоритм которого приведен ниже:
(i ) (i )
     
 p  M   p  M  
( i 1) (i ) (i )
p  (3.6.43)
j j
pj j
pj
   
где:
pj – j-й компонент вектора параметров модели
i – номер шага поиска.
Для ускорения процесса поиска экстремума функции рассогласования применяют
различные методы, ускоряющие процедуру поиска минимума. Например, используют
метод наискорейшего спуска. При использовании этого метода продолжают движение в
направлении вычисленного градиента до тех пор, пока это движение является успешным.
Для этого после каждого шага проверяется, успешным ли был этот шаг:

 
(i ) ( i 1)
(3.6.44)
Если шаг был успешным, следующий шаг делается в этом же направлении. Если же шаг
оказывается неудачным ( вышеуказанное условие не выполняется), производится возврат в
предыдущую точку, вычисляется новое значение градиента функции рассогласования и
производится движение в направлении нового градиента. Иногда, для сокращения числа шагов
в направлении градиента и ускорения достижения минимума в этом направлении применяют
методы однопараметрической оптимизации, например метод «золотого сечения» или метод
чисел Фибоначчи. В этом случае, производится поиск оптимального значения коэффициента
пропорциональности М, позволяющего быстрее локализовать минимум на данном направлении
градиента.

54
 Таким образом, можно находить параметры сложных моделей потоков, в том числе и
комбинированных, при использовании входных возмущающих сигналов произвольной формы
и при проведении измерений в конечное время.
На основании изложенного подхода в Российском научном центре «Прикладная химия» была
создана автоматизированная программная система RTD (Residence Time Distribution),
позволяющая решать задачи синтеза сложных моделей структуры потоков из элементарных
блоков и решать обратную задачу нахождения параметров моделей по экспериментальным
данным.
Далее показаны результаты использования системы RTD для поиска параметров
диффузионной модели – критерия Ре и среднего времени пребывания по экспериментальной
кривой отклика на импульсное возмущение, поданное на вход аппарата в виде
прямоугольного импульса малой продолжительности.

Рис.1. Сопоставление расчетных и экспериментальных кривых при начальном

приближении.

55
 1,2

1
Концентрация, безразмерная

0,8

0,6

Ряд1
0,4 Ряд2
Ряд3

0,2

0
0 20 40 60 80 100 120

-0,2
Время, мин

Рис. 1.Начальное приближение, Pe=1, t=7, Ряд1-свх(t), ряд 2 -свых(t) эксп

ряд 3 свых(t) расчетная

Рис.2. Сопоставление экспериментальных и расчетных кривых после поиска.

Результаты статистического анализа:

56
 1,2

1
Концентрация, безразмерная

0,8

0,6

Ряд1
0,4 Ряд2
Ряд3
0,2

0
0 20 40 60 80 100 120

-0,2
Время, мин

Рис.2 Описание эксперимента с найденными параметрами модели, Pe=14,57, t=10,05

Ряд 1 свх(t), Ряд 2-Свых(t) - экспериментальная, Ряд 3 Свых(t) - расчетная

Результаты статистического анализа:

Statistics Summary
===================

1. Adequacy Analysis

Sum of squares:
Residual = 0,0004645
degree of freedom = 99
Regression = 3,536
degree of freedom = 2
Percentage point = 0.05
Fisher (calc) = 7611
Fisher (tab) = 3,088
degree of freedom = 2, 99
Student (tab) = 1,984
degree of freedom = 99

57