[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

说明书

本发明公开了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，首先建立煤灰矿物相组成子模型，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，建立求解指定温度下煤灰矿物相组成的预测模型，并对此模型的一致性进行检验；在矿物相组成子模型的基础上，建立灰熔点预测子模型；建立神经网络模型，对神经网络的各项训练参数进行调校，并采用迭代算法进一步加强预测模型的预测精度，同时加入修正值，用以表示煤灰中次要元素对煤灰熔融性的影响，最后对所建立的模型的精确度和可靠性进行分析，确立预测结果精确性指标，并与支持向量机预测方式的预测结果进行比较。本发明建立的模型具有较高的可靠性。

技术领域

本发明涉及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。

背景技术

我国煤炭资源丰富，其产量与消耗量均居世界首位，2015年原煤产量达到36.8亿吨，消耗量达39.65亿吨，我国煤炭生产量和消费量分别占国内能源生产总量和消费总量的72.1％和64％。据中国工程院预测，按现在能源需求计算，到2030年中国煤炭消费量将达到45亿t以上。根据我国资源状况和煤炭在能源生产及消费结构中的比例，以煤炭为主体的能源结构在相当长一段时间内不会改变。因此如何更加合理高效地利用现有的煤炭资源成为一个相当重要而迫切需要解决的问题。尽管我国煤炭资源丰富，但煤灰成分的组成差异较大，煤灰组成的不同则造成了煤灰熔融温度的差异。在煤炭综合利用中，煤灰熔融特性是一项重要的煤质指标。

煤燃烧时，其中矿物质转变成灰分，而煤灰的熔融特性是动力用煤和气化用煤的一项重要指标。同时，煤灰熔融性也是影响煤灰性能的一个重要因素。煤灰的熔融温度是煤灰熔融特性的直接表现，主要包括四个特征温度值：变形温度、软化温度、半球温度和流动温度。按照排渣方式不同，在煤炭燃气化过程中分成固态排渣和液态排渣两大类。固态排渣技术要求原料煤的灰熔融温度高于操作温度，灰渣以固态形式排出；液态排渣技术要求煤灰在较低的温度下熔融，灰渣能以熔融状排出。所以，煤灰熔融性直接决定着煤炭气化过程排渣方式的选择，是影响炉况能否正常运行的一个重要因素。因此，为了寻求改善煤灰熔融性的方法，以适应不同排渣方式的燃烧、气化技术或扩大适用的煤种范围，对煤灰熔融性进行深入研究显得尤为必要。

目前，工业上测量煤灰熔融温度的主要方法是实验室内测量，这种方法需要先获取煤种的各元素含量，进一步通过调配、高温加热等的方法获取熔融温度。实验法测量需要的步骤较多，耗时长且测定费用高。更为重要的是，在煤灰熔融温度进行改善时，就需要反复测量，这个缺点就会显得十分突出，因此，在煤灰熔融性进行改善的过程中，一套准确、可靠的煤灰灰熔点预测模型就显得非常重要。

发明内容

本发明的目的是提供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，简便可行，准确度高。

为实现上述目的，本发明采用的技术方案如下：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，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；