一种基于神经网络的同位素分离仿真方法及系统与流程

1.本发明涉及同位素分离技术领域，特别涉及一种基于神经网络的同位素分离仿真方法及系统。


背景技术：

2.同位素分离是研究同一元素的不同同位素之间的分离，被分离的同位素应属同一原子序数的同一元素。同一元素的各种同位素有相同的核内质子数和核外电子数，故其化学性质极为相似，分离难度很大。但它们的核内中子数不同，因而其原子量不同，这就引起同位素或其分子在热力学性质上的差异，利用同位素间在物理性质和化学性质上的细微差别，可以达到分离的目的。
3.现有的同位素分离方法可分为四大类：第一大类为直接利用同位素质量差别，如电磁分离，离心分离；第二大类为利用平衡分子传递性质的差别，如扩散、热扩散、离子迁移，分子蒸馏；第三大类为利用热力学性质上的差别，包括化学平衡和相平衡，如精馏、化学交换、萃取、吸收、吸附、离子交换、结晶；第四大类为利用同位素化学反应动力学性质上的差别，如电解、光化学分离。但是，在通过上述方法进行同位素分离的过程中，分离装置的运行参数设置往往达不到最优，即，无法保证同位素分离过程在最优的分离环境条件下发生，从而影响所分离同位素的丰度。
4.为此，如何提供一种能够得到分离装置的最优运行参数，保证同位素分离过程在最优的分离环境条件下发生，从而有效提升所分离同位素的丰度的基于神经网络的同位素分离仿真方法及系统是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提出了一种基于神经网络的同位素分离仿真方法及系统。基于同位素分离装置仿真的运行参数以及其所对应的同位素分离丰度，训练同位素分离丰度神经网络模型，以获得最优运行参数。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种基于神经网络的同位素分离仿真方法，包括：
8.步骤(1)：基于工艺流程模拟软件，构建同位素分离装置。
9.步骤(2)：获取同位素分离装置的运行参数以及同位素分离丰度，训练同位素分离装置的同位素分离丰度神经网络模型。
10.步骤(3)：输入待测运行参数至同位素分离丰度神经网络模型，得到同位素分离丰度结果，以确定最优运行参数。
11.可选的，步骤(1)中，工艺流程模拟软件包括：aspen plus、design ll、promax。
12.可选的，同位素分离装置包括：依次连接的过滤装置、第一精馏塔、第二精馏塔、渗透汽化膜分离器。
13.可选的，过滤装置由活性炭吸附装置、离子交换树脂装置、反渗透装置以及edi电
除盐装置中的一种或两种以上组成。
14.可选的，步骤(2)中，运行参数包括：第一精馏塔和第二精馏塔的级数、塔高、塔径、进料量、回流比、塔顶压力以及渗透汽化膜分离器的级数、膜材料、压强、预热器温度、侧冷凝器冷却温度、膜面积。
15.可选的，步骤(2)中，同位素分离丰度包括：渗透渗透汽化膜分离器的氧十七水丰度以及被渗透汽化膜分离器截留的氧十八水丰度。
16.可选的，步骤(3)中，根据渗透所述渗透汽化膜分离器的氧十七水丰度以及被所述渗透汽化膜分离器截留的氧十八水丰度，确定最优运行参数，如下：
17.p
max
＝correspond[max(w1a1+w2a2)]；
[0018]
其中，p
max
为最优运行参数；correspond为对应函数，表示氧十七水丰度和氧十八水丰度的加权和的最大值对应的运行参数；max为最大值函数，表示氧十七水丰度和氧十八水丰度的加权和的最大值；a1和a2分别为氧十七水丰度和氧十八水丰度；w1和w2分别为氧十七水丰度和氧十八水丰度对应的权重。
[0019]
本发明还提供一种基于神经网络的同位素分离仿真系统，包括：
[0020]
模拟构建模块：用于基于工艺流程模拟软件，构建同位素分离装置。
[0021]
模型训练模块：用于获取同位素分离装置的运行参数以及同位素分离丰度，训练同位素分离装置的同位素分离丰度神经网络模型。
[0022]
模型输出模块：用于输入待测运行参数至同位素分离丰度神经网络模型，得到同位素分离丰度结果。
[0023]
可选的，还包括：
[0024]
最优运行参数选取模块：用于根据所述同位素分离丰度结果，确定最优运行参数。
[0025]
经由上述的技术方案可知，与现有技术相比，本发明提出了一种基于神经网络的同位素分离仿真方法及系统。通过应用aspen plus、design ll、promax等工艺流程模拟软件对同位素分离装置进行建模，获取同位素分离装置的运行参数以及运行参数所对应的同位素分离丰度，训练同位素分离丰度神经网络模型，输入待测运行参数，即可迅速获得不同运行参数下的同位素分离丰度，以根据最优运行参数选取函数得到使同位素分离装置具有最优同位素分离性能的最优运行参数。本发明基于同位素分离装置仿真的运行参数以及其所对应的同位素分离丰度，训练同位素分离丰度神经网络模型，以获得最优运行参数，不仅保证了同位素分离过程在最优的分离环境条件下发生，有效提升了所分离同位素的丰度，还因应用了同位素分离丰度神经网络模型，有效解决了工艺流程模拟软件在进行多复杂运行参数同时输入时，输出结果较慢的问题。
附图说明
[0026]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0027]
图1为本发明的方法流程示意图。
[0028]
图2为本发明的系统结构示意图。
具体实施方式
[0029]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030]
实施例1：
[0031]
本发明实施例1提供一种基于神经网络的同位素分离仿真方法，如图1所示，包括：
[0032]
步骤(1)：基于工艺流程模拟软件，包括：aspenplus、design ll、promax等，构建同位素分离装置，包括：依次连接的由活性炭吸附装置、离子交换树脂装置、反渗透装置以及edi电除盐装置中的一种或两种以上组成的过滤装置、第一精馏塔、第二精馏塔、渗透汽化膜分离器。
[0033]
其中，第一精馏塔、第二精馏塔、渗透汽化膜分离器均具有轻组分出料端和重组分出料端；过滤装置的出料口与第一精馏塔的进料口连接，第一精馏塔的重组分出料端与第二精馏塔的进料口连接，第二精馏塔的重组分出料端与渗透汽化膜分离器的进料口连接；第二精馏塔的轻组分出料端与第一精馏塔的回流口连接；第一精馏塔和第二精馏塔的轻组分出料端处均连接有塔顶冷凝器，第一精馏塔和第二精馏塔的重组分出料端处均连接有塔底再沸器；第二精馏塔的重组分出料端与渗透汽化膜分离器的进料口设有预热器；渗透汽化膜分离器的轻组分出料端处连接有透过冷凝器。
[0034]
步骤(2)：获取同位素分离装置的运行参数，包括：第一精馏塔和第二精馏塔的级数一般为1-15级、塔高一般为20-60m、塔径一般为0.1m-2m、进料量一般为0.1kg/h-1000kg/h、回流比一般为50-500、塔顶压力一般为100mmhg-300mmhg以及渗透汽化膜分离器的级数一般为1-3级、膜材料一般为为疏水性高分子膜，例如：聚丙烯、聚乙烯、聚四氟乙烯、硅树脂、纤维酯等、压强一般为10pa-30pa、预热器温度一般为30至60度、侧冷凝器冷却温度一般为-50至-30度、膜面积一般为5m
2-10m2以及不同运行参数下的同位素分离丰度，包括：渗透渗透汽化膜分离器的氧十七水丰度以及被渗透汽化膜分离器截留的氧十八水丰度，如表1所示，训练同位素分离装置的同位素分离丰度神经网络模型。
[0035]
步骤(3)：输入待测运行参数至同位素分离丰度神经网络模型，得到同位素分离丰度结果，以确定最优运行参数，如下：
[0036]
p
max
＝correspond[max(w1a1+w2a2)]；
[0037]
其中，p
max
为最优运行参数；correspond为对应函数，表示氧十七水丰度和氧十八水丰度的加权和的最大值对应的运行参数；max为最大值函数，表示氧十七水丰度和氧十八水丰度的加权和的最大值；a1和a2分别为氧十七水丰度和氧十八水丰度；w1和w2分别为氧十七水丰度和氧十八水丰度对应的权重。
[0038]
实施例2：
[0039]
本发明实施例2提供一种基于神经网络的同位素分离仿真系统，包括：
[0040]
模拟构建模块：用于基于工艺流程模拟软件，构建同位素分离装置。
[0041]
模型训练模块：用于获取同位素分离装置的运行参数以及同位素分离丰度，训练同位素分离装置的同位素分离丰度神经网络模型。
[0042]
模型输出模块：用于输入待测运行参数至同位素分离丰度神经网络模型，得到同
位素分离丰度结果。
[0043]
最优运行参数选取模块：用于根据所述同位素分离丰度结果，确定最优运行参数。
[0044]
本发明实施例公开了一种基于神经网络的同位素分离仿真方法及系统。通过应用aspenplus、design ll、promax等工艺流程模拟软件对同位素分离装置进行建模，获取同位素分离装置的运行参数以及运行参数所对应的同位素分离丰度，训练同位素分离丰度神经网络模型，输入待测运行参数，即可迅速获得不同运行参数下的同位素分离丰度，以根据最优运行参数选取函数得到使同位素分离装置具有最优同位素分离性能的最优运行参数。本发明基于同位素分离装置仿真的运行参数以及其所对应的同位素分离丰度，训练同位素分离丰度神经网络模型，以获得最优运行参数，不仅保证了同位素分离过程在最优的分离环境条件下发生，有效提升了所分离同位素的丰度，还因应用了同位素分离丰度神经网络模型，有效解决了工艺流程模拟软件在进行多复杂运行参数同时输入时，输出结果较慢的问题。
[0045]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0046]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于神经网络的同位素分离仿真方法，其特征在于，包括：步骤(1)：基于工艺流程模拟软件，构建同位素分离装置；步骤(2)：获取所述同位素分离装置的运行参数以及同位素分离丰度，训练所述同位素分离装置的同位素分离丰度神经网络模型；步骤(3)：输入待测运行参数至所述分离丰度神经网络模型，得到同位素分离丰度结果，以确定最优运行参数。2.根据权利要求1所述的一种基于神经网络的同位素分离仿真方法，其特征在于，步骤(1)中，所述工艺流程模拟软件包括：aspen plus、designll、promax。3.根据权利要求1所述的一种基于神经网络的同位素分离仿真方法，其特征在于，所述同位素分离装置包括：依次连接的过滤装置、第一精馏塔、第二精馏塔、渗透汽化膜分离器。4.根据权利要求3所述的一种基于神经网络的同位素分离仿真方法，其特征在于，所述过滤装置由活性炭吸附装置、离子交换树脂装置、反渗透装置以及edi电除盐装置中的一种或两种以上组成。5.根据权利要求3所述的一种基于神经网络的同位素分离仿真方法，其特征在于，步骤(2)中，所述运行参数包括：所述第一精馏塔和所述第二精馏塔的级数、塔高、塔径、进料量、回流比、塔顶压力以及所述渗透汽化膜分离器的级数、膜材料、压强、预热器温度、侧冷凝器冷却温度、膜面积。6.根据权利要3所述的一种基于神经网络的同位素分离仿真方法，其特征在于，步骤(2)中，所述同位素分离丰度包括：渗透所述渗透汽化膜分离器的氧十七水丰度以及被所述渗透汽化膜分离器截留的氧十八水丰度。7.根据权利要6所述的一种基于神经网络的同位素分离仿真方法，其特征在于，步骤(3)中，根据渗透所述渗透汽化膜分离器的氧十七水丰度以及被所述渗透汽化膜分离器截留的氧十八水丰度，确定最优运行参数，如下：p
max
＝correspond[max(w1a1+w2a2)]；其中，p
max
为最优运行参数；correspond为对应函数，表示所述氧十七水丰度和所述氧十八水丰度的加权和的最大值对应的运行参数；max为最大值函数，表示所述氧十七水丰度和所述氧十八水丰度的加权和的最大值；a1和a2分别为所述氧十七水丰度和所述氧十八水丰度；w1和w2分别为所述氧十七水丰度和所述氧十八水丰度对应的权重。8.一种基于神经网络的同位素分离仿真系统，其特征在于，包括：模拟构建模块：用于基于工艺流程模拟软件，构建同位素分离装置；模型训练模块：用于获取所述同位素分离装置的运行参数以及同位素分离丰度，训练所述同位素分离装置的同位素分离丰度神经网络模型；模型输出模块：用于输入待测运行参数至所述同位素分离丰度神经网络模型，得到同位素分离丰度结果。9.根据权利要求8所述的一种基于神经网络的同位素分离仿真系统，其特征在于，还包括：最优运行参数选取模块：用于根据所述同位素分离丰度结果，确定最优运行参数。

技术总结
本发明公开了一种基于神经网络的同位素分离仿真方法及系统，应用于同位素分离技术领域，包括：基于工艺流程模拟软件，构建同位素分离装置；获取同位素分离装置的运行参数以及同位素分离丰度，训练同位素分离装置的同位素分离丰度神经网络模型；输入待测运行参数至分离丰度神经网络模型，得到同位素分离丰度结果。本发明不仅保证了同位素分离过程在最优的分离环境条件下发生，有效提升了所分离同位素的丰度，还因应用了同位素分离丰度神经网络模型，有效解决了工艺流程模拟软件在进行多复杂运行参数同时输入时，输出结果较慢的问题。输出结果较慢的问题。输出结果较慢的问题。


技术研发人员：喻海波 刘振兴 熊伟 叶一鸣 胡石林 张平柱 曾智斌
受保护的技术使用者：安徽中核桐源科技有限公司
技术研发日：2023.03.29
技术公布日：2023/8/9