Mallin laadinta • Miksi matemaattisia malleja tarvitaan? Yksikköoperaatiot ja teolliset prosessit CHEM-A2100 (5 op) – – – – – Voidaan tehdä ennusteita prosessien käyttäytymisestä Saadaan perusteet suunnittelua varten (mitoitus) Tuetaan investointi- tai muita päätöksiä Optimoidaan uusia tai olemassa olevia prosesseja Havainnollistetaan prosesseja / opetetaan tai opetellaan niiden käyttäytymistä – jne... Prosessien mallitus 1 3 Osaamistavoitteet tälle kerralle Matemaattisen mallin idea • Tuntea matemaattisen mallituksen idea ja sen liittyminen todellisuuteen • Ymmärtää eri mallityyppien luonne: tilastolliset vs. mekanistiset mallit • Ymmärtää mallitukseen liittyvät peruskäsitteet: syötöt (input), tuotteet (output) ja tilat (state); mallin rakentaminen taseiden ja nopeusyhtälöiden avulla • Tuntea esimerkkien kautta kemian tekniikan mallitusmenetelmiä sekä joitain mallien ratkaisuun käytettäviä työkaluja 2 Todellisen maailman ongelma 1 Matemaattinen 2 Matemattinen ongelma ratkaisu 3 Tulokset 4 1. 2. 3. 4. Todellisen maailman ongelman matemaattinen mallitus Ratkaiseminen Ratkaisun tulkinta Tulosten käyttö todellisen ongelman ratkaisemiseksi 4 Mallin rakentamisen vaiheet Mallin rakentamisen vaiheet • Kolmas taso: oleta miten asiat tapahtuvat pienessä mittakaavassa, ja sovella sitä ison mittakaavan malliin Hahmota koko mallin kuvaama kokonaisuus ja määrittele mitä halutaan mallittaa Ensimmäinen taso: ”musta laatikko” -malli xin Ulkopuolella virtaava kaasu tai neste • Esimerkiksi aineensiirtovastus katalyytin ympärillä xout • Moniskaalamallitus xout = f(xin) 5 Kiinteä (huokoinen) katalyytti 7 Laatikoiden värit Mallin rakentamisen vaiheet Toinen taso: oleta jotain muutoksista paikan tai ajan suhteen (täydellinen sekoitus, tulppavirtaus, ajasta riippumaton tai riippuva...) Esim. tulppavirtaus Aineen- ja lämmönsiirtovastus • ”Musta laatikko” -mallit: – – – – Empiirisiä Prosessien ymmärtäminen ei välttämätöntä Perustuu havaittuihin syöttöihin ja tuotteisiin Puhtaasti matemaattisia korrelaatioita (vastakohtana fysikaalis-kemialliselle malleille) – Usein polynomeja tai muita käyränsovituksia dx/dh = f(x) h xout xin D L 6 8 Absorberista on mitattu poistuvan kaasun pitoisuus käytetyn liuotin / kaasu suhteen funktiona Laatikoiden värit ”Valkoinen laatikko” -mallit – – – – Perustuu vain fysiikan lakeihin, F=ma… Mitään mittauksia ei (teoriassa) tarvita Johtaa yleensä hyvin monimutkaisiin malleihin Periaatteessa ekstrapoloituvat täydellisesti (mittakaavan kasvattaminen tms.) – Voi periaatteessa ennustaa uusia ilmiöitä 9 Absorberista on mitattu poistuvan kaasun pitoisuus käytetyn liuotin / kaasu suhteen funktiona 11 Laatikoiden värit ”Harmaa laatikko” -mallit – Käytännössä puhtaasti valkoisia laatikoita ei ole – Taseet ja fysikaalisesti oikean muotoiset tasapainoja nopeusyhtälöt tuovat luotettavuutta – Tasapaino- ja nopeusyhtälöissä on parametreja, jotka pitää sovittaa mittaustuloksiin Usein kannattaa tehdä kokeita prosessin kannalta epäoptimaalisissa olosuhteissa, jotta parametrit identifioituvat! 10 12 Absorberista on mitattu poistuvan kaasun pitoisuus käytetyn liuotin / kaasu suhteen funktiona y b - y*b æ L ö =ç ÷ y a - y*a è KV ø Syötöt ja tuotteet ovat usein selviä. Tilaa kuvaavia muuttujia joutuu joskus miettimään. N Taseet perustuvat pohjimmiltaan ekstensiivisuureisiin, joten ne kuvaavat lähtökohtaisesti myös systeemin tilaa. Malli on ”oikean muotoinen”, johdettu tietyin oletuksin ainetaseista ja tasapainoyhtälöstä Mistä parametrien (K, N…) arvot kannattaa hankkia? Parametrit voidaan mitata tai arvioida erikseen, niillä on fysikaalinen tulkinta. Mallin oletuksia voidaan myös tarkastella Mallin rakentamisen vaiheet Mille seuraavista voidaan kirjoittaa tase? 1. Tietyn ionin moolimäärä 2. Lämpötila 3. Paine 4. Mekaaninen energia 5. Entropia 6. Tilavuus 15 Mallin rakentamisen vaiheet Ajasta riippuvissa malleissa tilan kuvaaminen on keskeisempää kuin steady-state malleissa (esim. Aspen perinteisessä moodissa). Kun tasealue (laatikon rajat) on valittu, valitaan muuttujat: – – – – Mallin rakentamisen vaiheet syötöt (input), usein annettu tuotteet (output), mitä halutaan laskea? systeemin tilaa kuvaavat muuttujat riippumattomat muuttujat (aika, paikka jne) Ajasta riippumattomia erotusprosessien malleja on käsitelty tällä kurssilla aiemmin, seuraavaksi kaksi muunlaista esimerkkiä 14 16 Esimerkki Esimerkki Pystyasennossa olevaan säiliöön syötetään vettä 1 kg/s. Säiliön pohjassa on reikä, josta vettä valuu ulos. patm+rgh Laske veden määrä säiliössä, kun säiliötä aletaan täyttää. Säiliö on aluksi tyhjä. patm Oletetaan, että virtaus pohjassa olevassa reiässä on turbulenttia. Paine reiän ulkopuolella on ilmanpaine, sisäpuolella ilmanpaine + veden hydrostaattinen paine. Näiden ero on sama kuin painehäviö reiässä Turbulentissa virtauksessa painehäviö on verrannollinen virtausnopeuden toiseen potenssiin. Paine-ero reiässä riippuu suoraan veden määrästä säiliössä ja se on verrannollinen massavirran toiseen potenssiin Aiemmin on havaittu, että jos säiliöön syötetään vettä 2 kg/s, niin pitkän ajan kuluttua vesimäärä säiliössä on 400 kg 17 · m out = a m Esimerkki Mitkä ovat syötöt, tuotteet, ja minkälaisia säiliön tilaa kuvaavia muuttujia tarvitaan? Minkälainen ainetase tarvitaan? Minkälaisia malleja tarvitaan kuvaamaan taseen termejä? Ajasta riippuva ainetase. Syöttönä veden massa sisään, tuotteena veden massa ulos. Tilaa kuvaa veden määrä säiliössä · · dm = m in - m out dt Miten veden virtaus ulos riippuu veden 18 määrästä säiliössä? 19 Esimerkki · m out = a m patm+rgh patm Tämä on nyt ainetaseeseen tarvittava fysikaalinen nopeusyhtälö, eli yhtälö, joka ”sulkee” malliyhtälöt. Näitä tarvitaan, jotta tuntemattomia on yhtä paljon kuin yhtälöitä. Mistä parametri a saadaan? Jos massavirta sisään = ulos = 2 kg/s, massa on 400 kg Þ a = 0.1 kg0.5/s 20 function vesiallas Esimerkki tint = [0,1000]; % integrointiaika nollasta tuhanteen sekuntiin · · · dm = m in - m out = m in - a m dt patm+rgh Tässä tapauksessa löytyy analyyttinen ratkaisu: m+ m in æ a lnçç1 a è m in ö a m ÷÷ = - t 2 ø Voidaan ratkaista myös numeerisesti vaikkapa Excelillä tai Matlabilla 21 % veden massa alussa [t,m]=ode15s(@derivaatta, tint, mini); % kutsutaan ratkaisijaa figure(1) plot(t,m) · dm = m in - a m dt Miten ratkaistaan? patm mini = 0; % piirretään kuva function dmdt=derivaatta(t,m) % lasketaan derivaatta dm/dt Matlabin ratkaisualgoritmille % m on hetkellä t säiliössä olevan veden määrä Matlabin hallitseminen ei ole osa tämän kurssin vaatimuksia. Osaamistavoite tässä on ymmärtää miten mallitustyökalut yleisesti toimivat a = 0.1; min = 1; % asetetaan arvot parametreille mout = a*m^0.5; % lasketaan ulosmenevän veden määrä dmdt=min-mout; % asetetaan arvo derivaatalle ainetaseesta 23 Veden massa ajan funktiona Mallitustyökalujen rakenne 120 Pääohjelma, muuttujien alustus Käyttäjän malli, joka antaa lähdetermit tai taseiden virheet arvausten pohjalta veden massa (kg) Ratkaisija 100 80 60 40 20 Tulosten tarkastelu (kuvaajat jne.) 0 0 22 200 400 600 800 aika (s) 1000 1200 1400 24 Aineensiirto ja reaktio, esimerkki Aineensiirto ja reaktio, esimerkki Aineen- ja Partikkelin ulkopuolella lämmönsiirtovastus virtaa reagoivaa ainetta, jonka täytyy kulkeutua katalyytin sisälle jotta reaktio tapahtuu. Reaktio on nopea, joten halutaan tarkastella voiko aineensiirtonopeus rajoittaa havaittua reaktionopeutta. Oletetaan partikkelin Kiinteä (huokoinen) sisäpuoli homogeeniseksi katalyytti (sama pitoisuus kaikkialla). Ulkopuolella virtaava kaasu tai neste dn = kA(c b - c ) - k r cV dt V dc = ka(c b - c ) - k r c dt 27 Aineensiirto ja reaktio, esimerkki Aineensiirtovuo, suunta bulkista partikkeliin N = k (c b - c ) r = -krc, kr=0,1 1/s Aineensiirtokertoimen laskemiseksi tarvitaan empiirinen korrelaatio. Pallomaisille partikkeleille esim. seuraava: Sh = 2 + 0.552 Re1 / 2 Sc1 / 3 Mistä aineensiirron suunnan näkee? Minkälainen reaktio on kyseessä? Minkälainen olisi ajasta riippuva ainetase ainemäärälle katalyytin sisällä (dn/dt)? ACC = IN – OUT + GEN dn = NA + rV = kA (c b - c ) - k r cV dt Mistä saadaan k ja a ? 25 Aineensiirto ja reaktio, esimerkki Reaktionopeus katalyytin tilavuutta kohti dc = kA(c b - c ) - k r cV dt Muokkaa yhtälöä niin, että tilaa kuvaava muuttuja on konsentraatio ja jaa puolittain partikkelin tilavuudella Sh = 26 kd D AB Re = r vd h Sc = h r D AB Miten vesisäiliötä kuvaavaa Matlab –esimerkkiä pitäisi muuttaa, että se kuvaisi tätä partikkeliesimerkkiä? 28 function katalyyttipartikkeli function dcdt=derivaatta(t,c) tint = [0,10]; % integrointiaika, pienelle partikkelille tapahtumat nopeita % asetetaan arvot (vakioita tässä esimerkissä) kr = 0.1; % reaktionopeusvakiio cb = 100; % bulkkikonsentraatio d = 0.001; % partikkelin halkaisija myy = 0.001; % viskositeetti rhoo = 1000; % tiheys Dab = 1e-9; % diffuusiokerroin v = 0.1; % virtausnopeus partikkelin suhteen cini = 0; % konsentraatio alussa [t,c]=ode15s(@derivaatta, tint, cini); % kutsutaan Matlabin ratkaisijaa figure(1) % piirretään kuva plot(t,c) axis([0 10 0 100]) % lukitaan kuvan akselit Miten tätä mallia voisi käyttää kokonaisen reaktorin toiminnan kuvaamiseen? dc = ka(c b - c ) - k r c dt Re = rhoo*v*d/myy; Sc = myy/(rhoo*Dab); Oletetaan steady state Sh = 2+0.552*Re^(1/2)*Sc^(1/3); k=Sh*Dab/d; % aineensiirtokerroin NA = k*a*(cb-c); % Aineensiirto mol/s Käykää parin kanssa läpi mitä missäkin kohdassa tapahtuu r = -kr*c; 100 100 90 90 80 80 70 70 60 60 50 50 40 40 30 30 20 % asetetaan arvo derivaatalle 0 1 2 3 4 5 6 v = 0.1 m/s 10 7 8 9 10 0 ka cb ka + k r r = k rc = kr ka cb ka + k r 31 Yhteenveto 20 v = 1 m/s 10 0 Ratkaistaan reaktionopeus havaittavan (bulkki-) konsentraation perusteella % reaktio mol/s dcdt=NA+r; ainetaseesta c= Ratkaistaan c a=6/d; % aineensiirron ominaispinta-ala partikkelin halkaisijasta dc = 0 = ka (c b - c ) - k r c dt 0 1 2 3 Mitä kaikkea tässä oli oletettu? Ovatko oletukset oikeasti valideja? Onko katalyytti hyvä? Miten tätä mallia voisi käyttää kokonaisen reaktorin toiminnan kuvaamiseen (moniskaalamallitus)? 4 5 6 7 8 9 30 10 • Matemaattinen mallitus on todellisuuden kuvaamista matemaattisin menetelmin. • Luotu malli pitää pystyä ratkaisemaan ja tuloksista pitää voida tehdä johtopäätöksiä. • Tulosten perusteella voidaan tehdä todellisuuteen (teollisiin prosesseihin) liittyviä suunnittelupäätöksiä. 32 Yhteenveto • Tilastolliset mallit (black box) ovat tyypillisesti käyränsovituksia mittauksiin. Tilastollisia malleja on nopea muodostaa, mutta niiden käyttöalue on kapea. • Mekanistiset mallit perustuvat taseisiin sekä niiden termejä kuvaaviin nopeus- ja tasapainoyhtälöihin. • Käytännössä nopeus- ja tasapainoyhtälöt sisältävät koetuloksiin sovitettuja parametreja, mutta nämä mallit ovat silti luotettavampia kuin tilastolliset. 33 Yhteenveto • Mallin ennustuskyvylle on tärkeää, että malli on matemaattisesti vähintään oikean muotoinen. • Nopeus- ja tasapainoyhtälöiden parametreja on paras mitata sellaisilla koejärjestelyillä, joissa kyseinen mallin osa vaikuttaa mahdollisimman paljon tuloksiin. • Itse laadittuja malleja voidaan ratkaista monenlaisilla laskennallisilla työkaluilla (Excel, Matlab, Comsol...). 34
© Copyright 2024