鼓泡流化床内颗粒混合的对流—扩散模型

本文分析了鼓泡流化床内颗粒混合机理，综合了床内颗粒水平方向和垂直方向上的混合，将床内颗粒混合过程分成两部分：一、是向上运动的尾迹相和向下运动的乳化相之间的对流交换，二、是乳化相内横向扩散。建立了二维的对流扩散模型，数值计算和实验数据相吻合；研究了给料点的布置和流化速度对床内物料浓度的影响。     

喷动流化床颗粒混合特性的三维直接数值模拟

采用离散元方法,对喷动流化床内的颗粒混合特性进行了三维直接数值模拟。气相场采用欧拉方法,固相场采用拉格朗日方法;对每一个颗粒考虑了碰撞力、携带力和重力;颗粒碰撞采用软球模型。模拟喷动流化床上下两层颗粒的运动和混合过程,揭示颗粒的混合机制,同时提出表征颗粒混合质量的重要特征参数,并考察了喷动气速和流化气速对颗粒混合的影响。结果表明：由喷动气射流带动而形成的颗粒内循环是颗粒混合的机制;增加喷动气速度和流化气速度均有助于颗粒混合,使颗粒达到完全混合的时间减少且混合更均匀。     

图像追踪算法用于流化床颗粒横向混合特性的研究

与传统的示踪法及试验手段研究颗粒混合行为相比,图像颗粒追踪算法具有快速、准确分析任意时刻颗粒的运动行为,并可实现连续全场跟踪测量等优点.应用图像颗粒追踪算法研究了不同工况的颗粒横向混合特性,结果表明,随表观气速的增加颗粒横向的混合效果提高,合适的料层厚度有利于颗粒的横向混合;床层表面颗粒的横向混合效果优于床层内部颗粒,而沿径向上颗粒的横向混合效果则与表观气速有关.在高气速下,床层中心区域颗粒的横向混合效果优于两边区域;在低气速下,床层只能实现局部流化,边区域颗粒的横向混合效果优于床层中心区域.     

六回路循环流化床颗粒浓度及循环流率实验研究

在六回路循环流化床冷态实验台上,采用差压法和积料法分别测定床内的颗粒浓度分布和物料循环流率,实验研究运行参数对颗粒浓度分布和循环流率的影响规律。结果表明,六回路CFB颗粒浓度分布与单回路CFB相似,沿炉膛高度呈下浓上稀的分布,炉膛出口区的颗粒浓度和速度决定了物料循环流率。当空截面气速增加时,炉膛出口区的颗粒浓度和速度均增大,六回路的循环流率大幅度增加。当二次风率小于30%时,对颗粒浓度和循环流率影响不大。颗粒浓度和循环流率随静止床高增加而增加。颗粒粒径增大时,密相区颗粒浓度增加,稀相区颗粒浓度减小,循环流率减小。基于炉膛出口区颗粒浓度和颗粒速度计算的循环流率理论值与实验数据比较吻合。     

带有内置过滤元件流化床床内颗粒浓度分布的实验研究

燃煤联合循环发电系统,如IGCC、PFBC都需要结构简单、运行可靠、高效的粉尘净化装置。象陶瓷过滤器一样,新型流化床颗粒层过滤器是另一种以燃煤联合循环为应用背景的高效过滤器,它利用部分浸没在床料中的过滤元件表面形成的滤饼进行过滤。床内颗粒浓度的分布直接影响滤饼的形成。该文以揭示床内颗粒浓度分布与滤饼形成的关系为最终目的,利用光导纤维对带有内置过滤元件流化床床内颗粒浓度分布进行了实验研究。研究表明,床内的颗粒浓度沿轴向呈现“S”形分布,在上部区域颗粒浓度有一个增加的现象。径向的颗粒浓度分布具有很大的不均匀性,表现为在浓相区,元件附近区域和近壁区颗粒浓度高于它们之间的区域;在稀盯区,颗粒层附近区域颗粒浓度较高,径向其它区域颗粒浓度较低。     

降低循环流化床飞灰片状颗粒含碳量的研究

研究了片状无烟煤的颗粒特性,观察和实测了燃烧该无烟煤的循环流化床锅炉的运行表现。针对片状颗粒特点,利用煤粉锅炉的卫燃带技术调整锅炉热力责任,建立了飞灰含碳量与炉膛出口之间的关系,有效地降低了片状颗粒的飞灰含碳量。     

流化床炉内颗粒混合的离散单元法数值模拟

为了更好地研究流化床内复杂的运动和颗粒间的混合情况,为流化床的设计及优化提供参考,采用欧拉–拉格朗日坐标系下的离散单元法软球模型在二维空间对单孔射流流化床内气固两相流动进行了数值模拟。其中颗粒相采用离散单元法,气相的计算采用SIMPLER算法,气固两相间遵循牛顿第三定律建立耦合模型,并用FORTRAN语言编程计算来实现。在假设不考虑传热、燃烧及颗粒转动的条件下,模拟得到了流化床内上下两层颗粒的运动和混合情况、气固两项的速度分布以及颗粒的浓度分布。模拟结果表明:由于受到空气射流的影响,流化床内存在强烈的颗粒返混和内循环现象。固体颗粒在横向和纵向都存在一定的浓度梯度,在空间中的碰撞次数分布也有不同,颗粒浓度高的地方颗粒碰撞和混合会更剧烈。     

流化床轴径向混合特性的数值研究

结合离散单元法模拟,引入Ashton混合指数动态跟踪流化床内物料混合进程。颗粒速度分布和气固流动特性分析显示,内部颗粒循环尺度是影响床内混合方式的重要因素。气泡以轴向上升运动为主,加之颗粒自重作用,床内颗粒循环贯穿整个床层高度,颗粒能够实现快速整体混合,轴向具有明显的对流混合特征;另一方面,气泡径向运动彼此约束,内部颗粒循环径向呈现区域化分布,不同区域间的颗粒横向运动受到抑制,以扩散混合为主;相同条件下,轴向混合速度是径向混合速度的3.5倍。模拟所得混合时间尺度与颗粒速度在量值上与相关文献试验结果具有良好的一致性。     

循环流化床旋风分离器颗粒分离特性的分析

应用两相流动理论对循环流化床分离器特性进行了理论分析，并通过实例研究了分离器入口流速不均匀性对分离效果的影响。     

矩形喷动床混合特性的三维数值研究

应用三维离散单元法,采用标准k-ε模型和BeerJohnson表达式考虑湍流和滚动摩擦的影响,对矩形喷动床内颗粒轴、径向均分混合过程进行了模拟。利用Lancy混合指数分析了喷射区、环隙区和喷泉区内颗粒混合速度,以及三区混合速度与全床混合速度之间的关系,同时讨论了喷动气速变化对颗粒混合速度的影响。结果表明:轴向均分混合速度快于径向;矩形喷动床内混合过程分为2个阶段:快速段和慢速段,前者主要是初期环隙区内混合区域迅速扩大的结果,后者则主要是斜底近壁区的混合;环隙区的混合速度控制全床的混合速度;喷动气速的增加未能使矩形喷动床内颗粒混合到达动态平衡的时间减少。     

流化床内床层表面颗粒分布模型

对流化床内气泡在床层表面破裂对颗粒分布的影响进行了研究.给出了气泡破裂后抛射颗粒的运动模型.用该模型对二维流化床表面颗粒的运动进行了模拟,并对模拟结果进行了讨论,表明了颗粒在床层表面的混合对床层内循环具有重要影响.     

循环流化床锅炉的粒子循环

为了研究循环流化床锅炉的粒子循环规律,通过建立循环的数学模型,导出有关循环倍率、可燃粒子循环次数、剩余可燃物、飞灰未完全燃烧热损失、飞灰量、灰浓度系数、灰粒子循环次数等计算式,从而得出以下重要结论:在一定条件下循环倍率在数值上仅与分离器效率有关;剩余可燃物随着循环次数的增加成几何级数下降;对于一般的燃料,可燃粒子仅需少数几次循环即可基本燃尽;过高的循环倍率不利于燃烧工况的稳定;灰浓度系数在数值上仅与分离器效率有关。     

内循环流化床粒级分离效率的试验研究

本文在试验模型上对内循环流化床粒级分离效率进行了试验研究，根据大量的试验结果，利用因次分析的方法得到了内循环流化床粒级分离效率的准则方程，并给出了其试验关联式，为内循环流化床的实际应用与研究提供了依据。     

棉秆在循环流化床中燃烧特性的实验研究

该文介绍了长度为10~100 mm棉秆与弱酸性床料的混合流化特性,主要研究流化风速和棉秆与床料不同配比对混合均匀度的影响。实验结果表明,10~100 mm棉秆与一定粒径分布的床料,质量配比为1~2%,流化数N>3时,能较均匀地混合流化,但流化数N> 7时,混合均匀度有所降低。棉秆与床料配比对混合均匀度也有影响,棉秆的质量配比越小,混合得越均匀,所以设计循环流化床锅炉时流化风速、静止床高要选择合理。在0.5 MW CFB实验装置上研究了纯棉秆燃烧时,流化速度、二次风率和棉秆给料量对炉内温度场分布的影响,结果表明,根据CFB实际运行参数,当流化速度为4~4.5 m/s时,尽管此时混合均匀度有所降低,但并没有影响到密相区稳定燃烧,其温度能够维持在830~870 ℃。实验后放出的底渣没有出现烧结现象,基本保持原来的形貌,说明弱酸性床料能够适合棉秆循环流化床燃烧。     

内循环流化床二次风喷嘴角度的试验研究

本文在冷态试验模型上对内循环流化床二次风喷嘴角度进行了试验研究，在分析试验结果的基础上得到了最佳二次风喷嘴角度，为内循环流化床锅炉的工程设计提供了实验依据。     

喷动流化床气固流动特性试验研究

在一喷动流化床冷态试验装置上,采用压力信号与快速摄像图像分析相结合的方法,研究喷动流化床气固流动特性;基于床内压力分布特征,提出将喷动流化床沿床高方向划分为3个流型区域:喷动段、鼓泡段和悬浮段,得出床内气固流动机理;研究并考察了喷动风、流化风速度对床层压降、空隙率、以及床内气、固内循环的影响,认为喷动风速度Us应低于最小喷动速度Ums,适当地增加流化风速度Uf,延长气体在床内的停留时间;增加流化风率有利于加强床内中心射流区和环形区气体的扩散和颗粒混合,提高气、固反应速率;喷动风速度对床内气、固内循环起着关键作用。     

双循环流化床颗粒循环流率试验与BP神经网络预测

双循环流化床生物质气化装置稳定运行的关键是合理控制颗粒循环流率。在双循环流化床冷态试验台上就鼓泡床风速、提升管风速、静床高和物料平均粒径几方面因素对颗粒循环流率的影响进行了系统的试验研究,并建立了加入动量的BP神经网络预测模型,对双循环流化床颗粒循环流率进行了有效模拟并得到了预测结果。定义了平均偏离度来评价模型预测值相对于试验值的平均偏离情况,通过对比分析试验数据与神经网络模型预测值,表明测试样本神经网络模型预测值相对于试验值偏差不超过0.8 kg·m-2·s-1,相对误差在±8%以内,平均偏离度仅为3.56%。结果表明建立的神经网络模型具有较好的预测效果。