论文部分内容阅读
煤气化是洁净煤技术的重要环节,而传统的煤气化反应条件苛刻,高温高压,将催化剂加入到煤粉中,不仅可以降低气化反应温度,而且提高了反应速率。但由于煤催化气化过程中影响因素繁多,反应机理复杂,使得各反应条件和产物性能之间的规律很难总结,难以建立准确的机理模型。为了解决这一问题,本文采用活性炭模拟煤环境进行CO2催化气化反应,并利用人工神经网络的方法建立预测模型,为煤催化气化过程反应条件优化、催化剂的选择提供了一定的方法和依据。本文基于模拟煤环境中CO2催化气化反应实验数据建立了三个预测模型。在不同粒度AC1催化气化预测模型中,网络输入为催化剂种类、催化剂含量和活性炭粒径,网络输出为气化率、气化峰温和反应指数。建立的多输出预测模型和单输出预测模型的校验样本误差均小于5%,通过比较多输出预测模型和单输出预测模型发现,无论是最大相对误差还是平均相对误差,单输出预测模型的预测效果均要好于多输出预测模型。通过模型分析可知,催化剂种类和含量对反应结果的影响很大,活性炭粒径大小相对来说影响较小。在不同催化剂AC1催化气化预测模型中,网络输入为阳离子种类、阴离子种类、阳离子浓度、阴离子浓度和催化剂熔点,网络输出为气化率、初始气化温度和反应指数。通过对四个多输出预测模型预测结果和收敛速度进行比较,训练目标误差为0.005的BP网络效果最好。利用模型分析考察各个输入因素对反应结果的影响发现,催化剂阴离子种类和浓度对反应结果的影响都很大,因此在选择催化剂时要注意阴离子的选择。为了减少实验量,利用已建好的模型对钾离子催化剂不同浓度下的气化过程进行预测,选择出气化效果最佳的浓度点;同时,还利用已有的实验数据建立阴阳离子组合预测模型,预测结果表明,所建的三个单输出预测模型的训练样本和校验样本的最大相对误差都保证在5%范围内,满足实际误差要求,因此利用阴阳离子组合模型进行反应结果的预测是可行的。在不同活性炭催化气化预测模型中,网络输入为比表面积、微孔比表面积、最可几孔径、总孔容、催化剂种类和催化剂含量,网络输出为气化率、初始气化温度和反应指数。分别建立了多输出预测模型和单输出预测模型,结果表明,多输出预测模型采用BP算法预测效果较好,单输出预测模型采用改进BP算法预测效果较好。基于三个单输出预测模型进行模型分析发现,活性炭的物理结构对气化率、初始气化温度和反应指数的影响很小,所以它不是影响本反应体系的重要因素,在进行模型设计时不必将其考虑在内,从而简化模型,提高网络的训练速度和预测性能。