[发明专利]基于GBRT预测固体燃料化学链过程中反应性能的方法

说明书

本发明涉及一种预测固体燃料化学链过程中的反应性能的方法，包括(1)通过固体燃料化学链实验研究收集数据；(2)整理数据，得到训练样本和测试样本；(3)使用梯度提升回归树模型对训练样本进行训练；(4)对固体燃料化学链过程中的反应性能进行预测。通过遍历数据组合，预测结果，根据不同化学链技术的需求，得到对应的化学链工况参数。相对于现有技术，本发明通过梯度提升回归树模型对各种固体燃料在化学链过程中的反应性能进行预测，大幅度减少实验的数量，节省大量人力物力，且有利于直观定量地预测化学链过程中的燃料转化率等，对优化化学链过程具有一定的指导意义。

技术领域

本发明涉及一种预测固体燃料在化学链过程中的反应性能的方法，尤其是基于梯度提升回归树模型(即Gradient Boost Regression Tree,缩写为GBRT)预测固体燃料化学链过程中的反应性能的方法，属于化学链燃烧技术领域。

背景技术

化学链技术主要包括化学链燃烧和化学链气化等，过程中，燃料不与空气直接接触，而是通过载氧体在两个反应器之间进行交替循环反应，以实现氧的传递。化学链燃烧可以无需额外的能量消耗实现CO₂内分离，化学链气化则是以载氧体代替纯氧使固体燃料气化，减少运行成本，并且载氧体具有催化气化的作用，因此，化学链技术是实现固体燃料高效清洁利用的重要技术之一。

固体燃料的化学链过程是一个复杂的热化学过程，受到很多因素的影响。在研究基于化学链技术处理固体燃料的过程时，固体燃料可以为烟煤、褐煤、无烟煤、石油焦等各类不同种燃料及其多种混合的燃料。其次，载氧体作为热载体和氧载体，在化学链过程中起到关键作用，载氧体也有很多类型，如常见的铁基，铜基，镍基载氧体，更有多金属载氧体和天然载氧体等。经过前期的实验研究发现，水蒸气含量，反应温度，O/C(载氧体中含氧的摩尔量与固体燃料中含碳的摩尔量之比)等都对实验结果和化学链过程产生重要的影响。由于固体燃料的不确定性，载氧体种类的不确定性，反应条件的不确定性，通常需要大量的实验和数据来选取较优的实验材料和条件。实验结果也通常是多个离散的结果，表示大致趋势，并且需要花费大量的时间、人力、物力和财力来获得较优的工况。而随着人工智能的高速发展，可以通过人工智能辅助科研人员的实验研究，缩小实验参数的范围和实验数量，来预测固体燃料在化学链过程中的反应性能，进而发展化学链技术。根据实验参数输入预测实验结果可以转化为机器学习中的有监督回归问题。常用的回归方法有多元线性回归、逻辑回归、支持向量回归、以及近年来兴起的神经网络方法。然而由于在化学链过程的场景中，数据的维度通常较高，数据间的内部逻辑复杂，使用线性回归等方法难以对复杂数据空间进行建模，而神经网络方法需要大量的标记数据，难以获得，因而不适用于化学链过程预测的场景。

发明内容

技术问题：针对现有技术的不足，本发明提出一种基于GBRT预测固体燃料化学链过程中的反应性能的方法，可以简单直接地通过建立梯度提升回归树模型，已知固体燃料、载氧体等反应物的基本性质以及实验条件参数预测出相应的评价指标，为固体燃料化学链过程的预测提供了一种可行方法，从而预测得到最优的工况参数。

技术方案：本发明基于GBRT预测固体燃料化学链过程中的反应性能的方法，包括以下步骤：

(1)通过固体燃料化学链实验研究收集数据；

(2)整理数据，得到训练样本和测试样本；

(3)使用梯度提升回归树模型对训练样本进行训练；

(4)对固体燃料在化学链过程中的反应性能进行预测。

进一步地，步骤(1)所述固体燃料化学链实验包括固体燃料和载氧体的气化和燃烧。

进一步地，步骤(1)中所述固体燃料包括煤类、生物质、石油焦中的一种或多种混合燃料；化学链实验过程中需要的载氧体，包括铁基、镍基、铜基或多金属载氧体，以及天然载氧体。

进一步地，所述步骤(2)包括以下子步骤：