论文部分内容阅读
基于我国能源消费结构的特点以及能源安全、环保的要求,煤炭及其副产物的高效清洁转化利用已成为必然趋势。但是煤热解、煤气化等热转化方式往往需要在高温高压等苛刻的条件下进行,同时由于煤炭组成结构复杂且反应影响因素众多,难以总结其反应规律。人工神经网络中的BP神经网络是具有很强的非线性的经验模型,但传统的BP神经网络有收敛速度慢、易陷入局部极小等缺陷。因此,本文采用多种方法优化BP神经网络,并建立基于BP神经网络的液化残渣催化气化模型和煤热解反应模型,为煤及其副产物转化过程的工艺设计与优化提供重要的参考和依据。在液化残渣催化气化模型中,选取催化剂相对分子质量、催化剂熔点、催化剂担载量和气化终温作为网络输入,选取气化率、最大气化速率和反应指数作为网络输出。首先对体系建立多输出预测模型,包括BP多输出预测模型、改进BP多输出预测模型和变激励函数多输出预测模型,几种模型预测样本各输出的平均误差均小于6%,有较好的预测效果。且对比三个模型发现,改进BP多输出预测模型和变激励函数多输出预测模型无论是收敛速度还是预测精度均优于BP多输出预测模型。之后建立了BP单输出预测模型并用权重分析法分析。通过模型分析可知,催化剂种类对反应结果的影响最大,气化终温次之,催化剂担载量的影响较小针对煤热解体系,分别建立了氦气气氛下、加氢气氛下和不同气氛下的煤热解反应模型,经过算法比较,均采用PSO-GA-BP算法建立模型,以七种煤的失重数据作为训练样本,对一种煤各温度下的剩余质量百分率进行预测,从而得到其失重曲线。三种模型预测样本的平均相对误差分别为1.38%、0.75%、1.18%,且预测得到的失重曲线与实际失重曲线比较吻合,具有很高的预测精度。也说明PSO-GA-BP模型能够有效克服BP网络收敛速度慢、易陷入局部极小等缺陷,对含有大量数据的复杂体系具有良好的适用性。通过对模型的分析可知,温度、灰分和C含量对煤的失重过程影响程度更为显著。