基于BP神经网络的煤热解特性及煤灰熔融特性研究

发布时间：2020-04-17 22:03

【摘要】：基于我国环保要求的不断提升以及能源资源结构的限制,使得煤炭的清洁、高效利用成为了未来必然的发展趋势,其中煤的热解、气化等转化方式是一条重要的实现途径。由于煤炭自身的结构复杂和影响反应的因素众多,且煤的热解、气化等转化方式还需要在苛刻的条件下(高温或高压等)进行,使得人们很难直接总结它的反应规律。BP神经网络因其具有很强的非线性映射能力,使其成为了人工神经网络里应用较广的一类,但传统的BP神经网络存在易陷入局部极小值、收敛速度慢等不足。故而,本文采用了多种优化算法逐步改进结合逐步预测验证的方法,探寻出性能优异的改进型BP神经网络,并将其应用于煤热解反应预测模型和煤灰熔融温度预测模型,以期为煤热转化过程的工艺设计与优化提供重要的参考和依据。在煤热解预测模型中,网络选取热解温度(T)、挥发分(V_(daf))、灰分(A_d)、碳氢比(C/H)、氧氢比(O/H)5个因素作为输入节点,选取煤的剩余质量百分率作为网络的输出节点,建立了5-11-1模型,首先探究了不同激励函数组合的预测效果。结果表明,当隐含层的激励函数选取线性函数(Pur)时,不论输出层的激励函数如何选取,网络均不收敛;而当隐含层的激励函数选取非线性函数(Bip-S、Log-S、Sin、Tan-S任意一个),输出层的激励函数均选取线性函数时,网络不仅表现出了良好的预测精度,而且各函数组合的均方误差也在同一数量级。由此可见,当隐含层选取非线性函数、输出层选取Pur函数时,网络的预测性能较好。在性能优异的激励函数组合的基础上,采用附加动量项及自适应学习率优化的A-BP神经网络、遗传算法优化的GA-BP神经网络、粒子群优化算法优化的PSO-BP神经网络,以及三种算法联合优化的PSO-GA-A-BP神经网络,探究了不同优化方法的预测效果。四种改进型神经网络的训练误差及收敛速度均优于普通BP模型,即说明各改进算法在网络的运算过程中均发挥了积极的作用,但是不同的优化方式对BP神经网络的优化效果也有差异。A-BP模型能够使得网络快速的收敛,但其稳定性相对较差,这主要是由于学习率自身数值的变动所导致的结果;GA-BP、PSO-BP两类优化模型主要是在网络的运行初期对BP神经网络的收敛速率有明显的提升,这也印证了GA-BP、PSO-BP两类模型是对BP神经网络的初始权值、阈值优化的设计理念;PSO-GA-A-BP模型不仅具有快速的收敛能力,而且其在运行的过程中又保证了网络的稳定性。由此可见,PSO-GA-A-BP模型在四类改进型的神经网络中具有更为优异的性能。另外,我们还可以得出各模型的收敛速率关系为:PSO-GA-A-BPA-BPPSO-BPGA-BPBP。最后,选取性能最优的PSO-GA-A-BP改进型神经网络,探究了线预测模型的预测效果。结果表明,预测的失重曲线与实验的失重曲线吻合度较高,且预测样本的预测值与其实验值的相对误差均不超过3.5%,直接说明了PSO-GA-A-BP预测模型的预测值与实验值较为接近,更说明了该模型在煤热解领域的良好实用性。另外,为了验证网络输出结果的稳定性,我们进行了9次的平行实验,9次的均方误差均在0.0023-0.0057的范围内,运行次数均在4715-6931的范围内。由此可见,该模型的输出结果的均方误差不仅在同一个数量级而且还很接近,即直接说明了该模型的输出结果的稳定性;该模型的运行次数同样在一个数量级且很接近,也说明了网络具有良好的稳定性。在煤灰熔融特性预测模型中,网络选取不同配煤比例作为输入因素,以煤灰熔融温度的四个特征温度为输出,建立了结构为1-4-4的模型,探究了晋城无烟煤与襄阳煤配煤比例对煤灰熔融特性的影响。结果表明,该模型不仅准确地预测出了煤灰熔融温度的四个特征温度随配煤比例的变化趋势,而且发现了进入平台区的配比为24%,脱离平台区的配比为42%,在后期的配煤细化实验中,该预测结论到了充分的验证。另外,该预测模型的预测精度相较于前人的经验公式更为精确。在CaO、Fe_2O_3对FT的预测模型中,网络选取CaO、Fe_2O_3作为输入因素,以FT为输出建立了结构2-4-1的模型,探究了CaO、Fe_2O_3对FT的影响。结果表明,CaO、Fe_2O_3均能降低煤灰的FT,随着CaO含量从1.2%增加到2.4%的过程中,不论Fe_2O_3含量是否增加,FT一直呈现出较为明显的下降趋势;当Fe_2O_3含量低于1.8%时,随着其含量的增加,FT出现显著的下降;当Fe_2O_3含量高于1.8%时,随着其含量的增加,FT的变化比较平缓,由此可以得出降低煤灰熔融温度的作用大小顺序为CaOFe_2O_3,另外,由XRD晶相分析可知含钙的硅铝酸盐明显多于含铁的硅铝酸盐,进一步的佐证了该结论。
【图文】：

神经网络,权值,输入信号,节点

图 2.1 BP 神经网络的结构简图Fig. 2.1 The simple structure of BP别表示各层内的节点个数，xn表示输入信号，yj、yk间权值。

运算过程,神经网络,数学表达,神经网络学习

图 2.2 BP 神经网络的运算过程g. 2.2 Flow chart of the BP neural network的 BP 神经网络学习过程中具体的数学表达，将该
【学位授予单位】：西北大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TQ530.2

【参考文献】