科研之友
微信
新浪微博
Facebook
分享链接
摘要
煤炭是我国能源资源安全的压舱石，“双碳”背景下实现煤炭清洁加工与高效利用意义重大，而灰分检测对煤炭清洁化和智能化发展尤为重要。针对现有灰分检测存在的检测精度有待提高的突出问题，以两淮矿区典型煤样为研究对象，通过慢灰和X射线荧光（X ray fluorescence，XRF）测试系统地探究了煤样的灰分和元素组成分布规律，并结合机器学习理论构建了灰分-元素特征数据集；结合灰色系统理论和新陈代谢算法，构建了自适应的GM(1，N)动态网络灰分拟合优化模型，并详细设计了动态网络算法流程；提出了GM(1，N)动态模型的关键超参数，并通过与常规拟合方法对比，全面地评价了模型拟合性能。结果表明：两淮矿区煤可视为由可燃元素和成灰元素共同构成，且后者中含量最高为Si和Al，次之为S、Fe和Ca等，最少为P和Cl等，并且煤中成灰元素总含量与灰分呈正相关，而可燃元素与之相反；以灰分为标签值、以组成元素为特征值，形成了煤的灰分-元素特征数据集；以样本数据划分→动态网络灰分拟合→模型评价机制→动态拟合模型自适应优化→鲁棒性提升→多轮迭代优化为主线设计了GM(1，N)动态网络灰分拟合模型及其算法流程，有效提升了数据集稳定性和新鲜度，并且迭代收敛速度快，灰分误差阈值5%时其准确率达100%；对比经典GM(1，N)模型和常规多元线性回归模型，证明了新模型的灰分拟合性能得到显著提升，其相对误差为0.16%～4.96%、误差均值仅2.29%。
- 单位
