[论文解读] Identification of Convection Heat Transfer Coefficient of Secondary Cooling Zone of CCM based on Least Squares Method and Stochastic Approximation Method

А. А. Ivanova|arXiv (Cornell University)|Mar 24, 2010

Metallurgy and Material Forming被引用 4

一句话总结

本文提出一种两阶段方法——首先使用最小二乘法进行初始参数调整，再使用随机逼近法进行运行调整——以识别曲面连续铸机（CCM）二次冷却区的分布式对流换热系数（CHTC）。该方法能从有限的温度测量数据中准确估计CHTC，通过最优步长序列在200次迭代内实现收敛，显著提升了工业钢铸造成型过程的热建模精度。

ABSTRACT

The detailed mathematical model of heat and mass transfer of steel ingot of curvilinear continuous casting machine is proposed. The process of heat and mass transfer is described by nonlinear partial differential equations of parabolic type. Position of phase boundary is determined by Stefan conditions. The temperature of cooling water in mould channel is described by a special balance equation. Boundary conditions of secondary cooling zone include radiant and convective components of heat exchange and account for the complex mechanism of heat-conducting due to airmist cooling using compressed air and water. Convective heat-transfer coefficient of secondary cooling zone is unknown and considered as distributed parameter. To solve this problem the algorithm of initial adjustment of parameter and the algorithm of operative adjustment are developed.

研究动机与目标

• 为解决在复杂气雾冷却条件下，曲面连续铸机（CCM）二次冷却区中对流换热系数（CHTC）空间与时间分布变化复杂、难以准确识别的挑战。
• 开发一种鲁棒的逆方法，利用有限的温度测量数据估计CHTC，克服经验法或固定参数法的局限性。
• 提出两种不同算法：基于多点温度测量的最小二乘法初始调整，以及基于单点温度测量的随机逼近法运行调整。
• 通过严格定义满足随机逼近收敛条件的步长序列，确保参数识别过程的收敛性与稳定性。
• 通过数值模拟验证方法，并比较不同步长序列下的收敛行为，以确定最优调参参数。

提出的方法

• 热传导过程采用非线性、时间依赖的抛物型偏微分方程建模，通过Stefan条件考虑相变影响，并引入非均匀材料属性。
• 边界条件包括辐射与对流换热的组合，其中对流部分通过未知且待识别的分布式CHTC参数建模。
• 在初始调整阶段，采用最小二乘法，利用铸坯表面多个空间点测得的温度数据估计CHTC。
• 在运行调整阶段，采用随机逼近算法，通过单点温度测量迭代更新CHTC估计值：α_{j+1} = α_j - k_j(T_j^* - T_j)。
• 步长序列k_j需满足收敛条件：lim k_j = 0，Σk_j = ∞，且Σ(k_j)^2 < ∞；示例包括k_j = a/(b+j)及基于残差误差符号变化的自适应形式。
• 收敛性通过检查α的最后m个近似值是否均落在彼此的ε-邻域内来判断，表明参数已稳定。

实验结果

研究问题

• RQ1 当仅能获取有限温度测量数据时，如何准确识别曲面连续铸机（CCM）二次冷却区的分布式对流换热系数（CHTC）？
• RQ2 在CHTC识别中，哪种步长序列可确保随机逼近算法快速且稳定收敛？
• RQ3 在步长序列k_j = a/(b+j)中，参数a与b的选择如何影响CHTC估计的收敛速度与精度？
• RQ4 随机逼近法能否可靠地从单点温度测量中识别CHTC？其与基于多点测量的最小二乘法相比表现如何？
• RQ5 随机逼近算法在何种条件下可收敛至真实CHTC值？其对初始参数估计的敏感性如何？

主要发现

• 当采用k_j = a/j且a ∈ [1,2]的步长序列时，随机逼近算法可在少于200次迭代内成功识别分布式CHTC，实现稳定且精确的估计。
• 对于序列k_j = a/j，当a ∈ [1,2]时可获得最优收敛性能；a < 1导致收敛过慢，而a > 2则引发振荡加剧与收敛变慢。
• 序列k_j = a/(b+j)中的参数b必须非负；b < 0会导致调整方向错误，而增大b会降低收敛速度，因此推荐b = 0以实现最佳性能。
• 基于残差误差符号（T_j^* - T_j）的自适应步长序列在a ∈ [1,3]范围内可实现收敛，表现出更强鲁棒性与比固定序列更快的稳定化速度。
• 一种改进的自适应序列，仅在残差符号变化时更新n_j，收敛速度较慢，但在a ∈ [1.2,1.5]范围内，20次迭代后即可达到真实值的6%以内，精度可接受。
• 该方法表现出强鲁棒性，可在广泛初始CHTC估计值下可靠收敛，证实其在工业逆热传导问题中的实际可行性。