[发明专利]基于矿物相与神经网络复合模型预测煤灰熔融温度的方法

权利要求书

1.一种基于矿物相与神经网络复合模型预测煤灰熔融温度的方法，其特征在于，包括以下步骤：

(1)收集某一煤种在温度T下的XRD图谱，从而得到此温度下煤灰矿物相实际组成；

(2)将硅、铝、铁、钙、镁五种元素在煤灰中的含量以及温度T作为影响煤灰-矿物相预测子模型的参数；使用热力学方法，利用高温下化学组分相互反应产生的吉布斯自由能变化，建立线性规划问题，再使用Matlab工具，建立求解指定温度T下的煤灰-矿物相组成预测子模型；

(3)向煤灰-矿物相组成预测子模型中输入硅、铝、铁、钙、镁的含量以及温度T，预测出在此温度下的矿物相组成；

(4)将预测出的矿物相组成与实际组成对比，验证煤灰-矿物相组成预测子模型的准确性；

(5)将煤灰-矿物相组成预测子模型的输出数据作为下一个煤灰-灰熔点预测子模型的输入参数，同时还需设置的参数有：流动温度的最大值T_max与最小值T_min以及最大容忍温差ΔTb；

(6)利用BP神经网络，建立煤灰-灰熔点预测子模型；

(7)收集煤灰的原始数据，所述原始数据包括K₂O、Na₂O、SiO₂、Al₂O₃、Fe₂O₃、CaO、MgO、SO₃、TiO₂、MnO₂的含量，以及煤灰的变形温度DT、软化温度ST、半球温度HT、流动温度FT，建立煤灰数据库；

采用部分真实煤灰数据对煤灰-灰熔点预测子模型进行训练，同时用另一部分真实煤灰数据做模拟，验证模型的精确性；

(8)引入修正值，对Ti和Na/K元素对模型的影响进行修正，修正公式如下：

式中，θ₁、θ₂分别代表Ti、Na+K的质量分数，w_i(θ_i)代表指定元素在温度T下对熔融温度的修正值；

再使神经网络的训练反复引入修正值，以摆脱修正值对其的预测影响，同时反复求解新的修正值关系式，从而使整个预测模型精确化；

(9)分析煤灰-灰熔点预测子模型预测煤灰数据的精确度，检验模型预测精度。

2.根据权利要求1所述的一种基于矿物相与神经网络复合模型预测煤灰熔融温度的方法，其特征在于，步骤(6)中，所述BP神经网络的输入层为如下矿物相的含量数据：硅钙石、硅灰石、假硅灰石、一铝酸钙、二铝酸钙、铝酸三钙、硅酸三钙、镁钙氧化物、透辉石、钙镁橄榄石、镁黄长石、镁硅钙石、钙长石、钙铝辉石、钙铝黄长石、钙铝榴石、铁铝尖晶石、铁橄榄石、斜铁辉石、镁橄榄石、镁铝尖晶石、堇青石、莫来石和石英共24个输入参数；输出层为变形温度DT、软化温度ST、半球温度HT、流动温度FT共4个数据。

3.根据权利要求1所述的一种基于矿物相与神经网络复合模型预测煤灰熔融温度的方法，其特征在于，步骤(7)对煤灰-灰熔点预测模型进行训练的步骤是：使用BayesianRegularization算法以及10层的隐藏层数，选择使用Matlab中的神经网络工具箱，将训练次数设置为500代以内。

4.根据权利要求1所述的一种基于矿物相与神经网络复合模型预测煤灰熔融温度的方法，其特征在于，步骤(9)中，评判精确度的指标主要分为平均绝对百分比误差以及均方误差，计算公式如下：

其中，MAPE为平均绝对百分比误差，MSE为均方误差，x_i和y_i分别为数据的预测值和实际值，m为数据的总组数；

同时，用线性相关系数来表示预测拟合程度的指标，其公式为：

其中，r表示线形相关系数，xi和yi分别为数据的预测值和实际值，和分别为数据的平均预测值和平均实际值，m为数据的总组数。