神经网络法预测煤灰中铁钙比与灰熔融温度的关系

向铁钙比不同的ZX煤、SH煤、LY煤中添加Ca、Fe助剂,改变煤灰中Fe2O3/Ca O,测定煤灰在弱还原气氛下的灰熔融温度,采用BP神经网络模型预测灰熔融温度与灰成分及其组合参数之间的关系。结果表明,3种煤中加入Fe S2、Fe、Ca CO3后,灰熔融温度均降低。当添加同种含Fe助剂,在中铁高钙的煤中,铁钙比越小,煤灰流动温度越低;而在低铁低钙的煤中,铁钙比越大,煤灰流动温度越低。同一煤样,加入不同含Fe助剂,相同铁钙比时,加入单质Fe的煤灰熔融温度更低。铁钙比对煤灰熔融温度的影响还与灰成分等其它因素有关。使用质量百分数作为基准,输入层包含8个灰成分参数和3个组合参数(铁钙比、铁钙和及酸碱比)的BP神经网络模型对灰熔融温度的预测优于仅包含8个灰成分和酸碱比的9参数输入层预测模型,该模型对高铁低钙的煤样灰熔融温度的预测效果较好。     

铁钙比对煤灰熔融特性的影响

在灰中铁钙比(Fe2O3/Ca O)1.1的刘一煤中添加Ca CO3和还原铁粉,调节灰中铁钙比,考察铁钙比对煤灰熔融温度及渣样矿物组成的影响。结果表明,随铁钙比的增大,煤灰熔融温度逐渐降低,铁钙比5.5时,煤灰流动温度1 300℃;增大铁钙比,莫来石的生成受到了抑制,钙长石在高温下依然存在,含铁矿物进入低温共融矿物群的数量增大,显著降低灰熔融温度;降低铁钙比,高温下生成大量的高熔点矿物钙黄长石,导致灰熔融温度较高。     

煤灰和生物质灰组成及灰熔融温度预测

炉内结渣是影响火电机组和气化工艺可靠运行的关键因素之一,准确及时测量灰熔融温度可提高火电机组和气化炉运行的安全性和经济性。但灰熔融温度测量过程中存在诸多不确定因素,建立灰熔融温度预测方法不仅能验证试验数据可靠性,也可在一定程度上代替繁琐复杂的试验。论述了煤灰和生物质灰的组成、分类方法及异同点,综述了不同氧化物对灰熔融性的影响。阐述了经验公式、机器学习模型、多元相图这3种主要煤和生物质灰熔融温度预测方法,并分析了各类方法的优缺点和适用范围。认为经验公式更适合品种单一且数量较少的煤灰数据集,但不适用于生物质灰熔融温度预测。机器学习模型对煤灰和生物质灰预测效果优良,但建模难度更大,所需训练样本数据更多。基于相图预测灰熔融温度受限于灰熔融性测试方法,预测效果并不优于经验公式和机器学习模型,但对4种典型煤种有较好的预测精度,而生物质灰相较煤灰而言特殊样本更多,能否用于生物质灰熔融温度预测需进一步研究。今后可考虑构建K近邻回归、随机森林等解决回归问题突出的模型,扩充生物质数据库样本,提升预测模型的精度和泛化能力。     

基于AdaBoost优化的BP神经网络算法在灰熔融温度预测中的应用

煤灰熔融温度对煤气化过程有很大影响。煤灰流动温度（FT）由灰成分决定,但两者之间的关系尚不明确。采用传统的BP神经网络和AdaBoost优化的BP神经网络来预测煤灰流动温度。结果表明,BP神经网络可以预测煤灰流动温度的变化趋势,但预测结果不是很理想。AdaBoost优化的神经网络的预测结果可以达到很高的精度,预测结果的平均绝对误差为5.81,准确度为99.2%,这也说明了利用AdaBoost优化BP神经网络预测模型预测煤灰流动温度的可行性。     

煤灰熔融温度计算公式的研究

依据172组商业用煤分析数据,对7种经验公式的准确性和适用性进行了检测;在此基础上,进一步对煤灰酸碱比与ST和FT关系进行了分析,采用分段拟合的方法,推导出利用煤灰酸碱比计算ST和FT的一组关系式,预测结果与实测值具有较好的一致性,且关系式适用范围较广,可对实际工作起到指导作用。     

煤灰成分对灰熔融性影响研究

通过对154个煤样的灰成分进行分析,探讨了煤灰主要成分及煤灰中酸碱比对灰熔融性的影响,并回归出了酸碱比与灰熔融性的关系式,预测结果与实测值具有较好的一致性。     

酸碱比值与助熔剂对煤灰熔融流动温度影响的研究

以我国62组重要商业用煤的煤灰化学成分和灰熔融性为研究对象,讨论了酸碱比值与灰熔融流动温度的关系,结果表明酸碱比值越大,流动温度越高。考察了助熔剂CaO和Fe2O3不同添加量对6组高灰熔点煤灰熔融流动温度的影响。实验表明:同一煤样中添加相同质量的助熔剂CaO和Fe2O3,对酸碱比值的改变相同,但是其助熔效果不同,因此酸/碱比值不可当做衡量煤灰熔融特性的唯一参数。以6种煤的实测数据为基础,对助熔剂CaO添加量的经验公式的准确性和适用性作了分析。由于煤种的多样性与灰成分的复杂性,使得经验公式具有局限性,助熔剂添加量的确定仍需实验测量。     

常用预测煤灰熔融性温度经验公式的适应性研究

以62组商业用煤为研究对象,在对其煤灰化学成分与灰熔融性温度关系初步分析的基础上,重点对常用的5个预测灰熔融性温度经验公式的预测准确性和适用性进行了研究。通过比较各经验公式计算值与实际测量值的偏差来检验其预测效果,并根据检验结果对其适用范围做了进一步说明。计算结果表明,由于煤灰成分的复杂性和经验公式所用煤种的局限性,经验公式的适用范围比较有限,预测精度有时不够理想。这一方面提示人们在使用经验公式时应关注其预测精度,同时也为深入研究煤灰熔融特性温度模型提供了有价值的参考。     

Predicting coal ash fusion temperature with a back-propagation neural network model

A novel technique, the back-propagation (BP) neural network, is presented for predicting the ash fusion temperature from ash compositions for some Chinese coals instead of the traditional techniques, such as the ternary equilibrium phase diagrams and regression relationships. In the applications of the BP networks, some modifications to the original BP algorithm are adopted to speed up the BP learning algorithm, and some useful advice is put forward for the choice of some key parameters in the BP model. Compared to the traditional techniques, the BP neural network method is much more convenient and direct, and can always achieve a much better prediction effect.     

配煤对煤灰熔点的影响及灰熔点预测模型研究

针对皖北刘桥二矿煤（A）属于高灰熔点煤,无法满足Shell气化炉液态排渣的需要。考察了采用配煤技术降低煤A的灰熔点的效果,结果表明,配煤可以显著的降低煤A的高灰熔融性。使其能够满足Shell气化炉液态排渣工艺的要求。并采用最小二乘法对灰熔点与煤灰灰成分之间建立并回归了预测模型,预测模型方程表明,若能增加配煤煤灰中MgO的含量可显著降低煤灰熔点,增加配煤煤灰中CaO的含量可使煤灰熔点降低,在煤灰中SiO2和Al2O3总含量一定的条件下,高硅低铝的配煤煤灰可进一步降低煤灰熔点。同时该模型能较好地预测三种原煤配煤的灰熔点。     

Predicting the properties of needlepunched nonwovens using artificial neural network

Needlepunching is a well‐known nonwoven process of converting fibrous webs into self‐locking or coherent structures using barbed needles. In this study, Artificial Neural Network (ANN) modeling technique has been used to predict the bulk density and tensile properties of needlepunched nonwoven structures by relating them with the main process parameters, namely, web area density, punch density, and depth of needle penetration. The simultaneous effect of more than one parameter on bulk density and tensile properties of needlepunched nonwoven structures have been investigated based upon the results of trained ANN models. A comparison is also made between the experimental and predicted values of fabric bulk density and tensile strength in the machine and crossmachine directions in unseen or test data sets. It has been inferred that the ANN models have achieved good level of generalization that is further ascertained by the acceptable level of mean absolute error obtained between predicted and experimental results. © 2009 Wiley Periodicals, Inc. J Appl Polym Sci, 2009     

Predicting oxidative stability of vegetable oils using neural network system and endogenous oil components

The usefulness of Artificial Neural Network Systems (ANNW) to predict the stability of vegetable oil based on chemical composition was evaluated. The training set, comprised of a composition of major and minor components of vegetable oil as inputs and as outputs, induction period and values of slopes for initiation and propagation, was measured by oxygen consumption. The best predictability was achieved for oils stored at 35°C with light exposure, when the major fatty acids, chlorophylls, tocopherols, tocotrienols, and metals were used as predictors. For oils stored at 65°C without light, a good predictability was obtained when composition of the major fatty acids and the amounts of tocopherols and tocotrienols were used. These results suggest that vegetable oil stability can be successfully predicted by ANNW when partial oil composition is known.     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

Predicting the vapor-liquid equilibrium of carbon dioxide+alkanol systems by using an artificial neural network

A multi-layer feed-forward artificial neural network has been presented for accurate prediction of the vapor liquid equilibrium (VLE) of CO₂+alkanol mixtures. Different types of alkanols namely, 1-propaol, 2-propanol, 1-butanol, 1-pentanol, 2-pentanol, 1-hexanol and 1-heptanol, are used in this study. The proposed network is trained using the Levenberg-Marquardt back propagation algorithm, and the tan-sigmoid activation function is applied to calculate the output values of the neurons of the hidden layers. According to the network’s training, validation and testing results, a six layer neural network is selected as the best architecture. The presented model is very accurate over wide ranges of experimental pressure and temperatures. Comparison of the suggested neural network model with the most important thermodynamic correlations shows that the proposed neuromorphic model outperforms the other available alternatives. The predicted equilibrium pressure and vapor phase CO₂ mole fraction are in good agreement with experimental data suggesting the accuracy of the proposed neural network model for process design.     

酸性氧化物和酸碱比对煤灰熔融行为的影响

为了研究酸性氧化物（SiO₂和Al₂O₃）的相对含量和酸碱比对煤灰熔融行为的影响,本文以准东煤灰化学组成为基础,利用分析纯试剂制备了28组合成灰样品,在马弗炉815℃灰化后利用灰熔融特性分析仪、扫描电子显微镜-能谱仪（SEM-EDS）和X射线衍射仪（XRD）对样品熔融特性、表观形貌和矿物组成进行表征。进而采用多元线性回归法建立了灰熔融温度预测模型,并对该模型的适用性进行了检验。结果表明：在相同酸碱比下,当SiO₂含量由9%上升至33.73%,而Al₂O₃含量由35.98%降至11.25%时,合成灰的变形温度（DT）、软化温度（ST）、半球温度（HT）和流动温度（FT）均呈单调下降趋势,这意味着SiO₂含量的增加可能促进了煤灰的熔融过程;在不同碱酸比下,合成灰的熔融温度随着酸碱比的增加呈先下降后升高的变化趋势,在酸碱比为1.25时合成灰的特征温度出现最小值,表明酸碱比对合成灰熔融温度的影响呈非线性关系。通过SEM-EDS和XRD表征发现,合成灰中CaO、Fe₂O₃、Ca₂MgSiO₇、Ca₂Fe₂O₅、SiO₂和Al₂O₃等耐熔矿物和CaSiO₃等助熔矿物的相对含量以及与钠相关的低温共熔反应是改变合成灰熔融温度的主要因素。本文所建立模型对文献中6组灰样4个特征温度的预测结果与其对应测量值之间最大残差绝对值均小于80℃,说明该模型在本文的合成灰化学组分范围内可用性较好,具有一定的应用价值。     

生物质对高灰熔点煤灰熔融特性的调控机制

为探索生物质对高灰熔点煤灰熔融特性的影响,向鹤壁煤和晋城无烟煤中分别加入不同质量比的花生壳和玉米秸秆,采用智能灰熔点测定仪测定混合灰样的灰熔点,X-射线荧光仪和X-射线衍射仪分析灰熔融特性变化的原因。结果表明:随着生物质质量分数增大混合灰熔融温度逐渐降低,选择合适生物质质量分数能使灰熔融流动温度满足液态排渣要求;鹤壁煤混合灰样和晋城无烟煤混合灰样中的高熔点矿物质与煤灰其他成分反应生成了铁橄榄石、铁尖晶石、白榴石、钙长石和微斜长石等,这些矿物之间能够形成低温共熔物,从而导致混合灰的灰熔融温度降低。