基于布谷鸟算法与BP神经网络的煤灰变形温度预测

以120种煤样为数据基础,采用布谷鸟算法(CS)优化BP(Back Propagation)神经网络,建立了CSBP模型对单煤、煤掺添加剂和配煤等3类样本的煤灰变形温度(DT)样本进行预测。模型以煤灰化学成分及其组合参数等13个变量作为输入量,以变形温度(DT)作为输出量。CSBP模型预测结果与BP神经网络模型预测结果进行对比发现,无论是单煤、煤掺添加剂还是配煤,CSBP模型较BP模型对煤灰变形温度(DT)的预测都更加精准,平均相对误差分别达到了3.11%、4.08%和4.22%。另外,对比3类样本预测结果发现,无论是CSBP模型还是BP模型,相比单煤预测而言,煤掺添加剂及配煤的预测误差都有明显的增加。     

不同的灰熔点调控方式对煤灰熔融特性的影响

对两种原始煤灰进行混合,并分别搭配不同的添加剂,得到3种元素组成相同的煤灰,灰熔点测试结果显示,三者的灰熔点存在较大差异。结合X射线衍射技术和SEM-EDX(扫描电子显微镜与能谱联用)分析了3种煤灰(>800 ℃)在高温时的矿物质转化过程。结果表明,不同的灰熔点调控手段对不同煤的影响是不同的。原因是高温时矿物质组成不仅与煤灰化学元素组成相关,更与元素在矿物质中的赋存状态有关。两者共同决定了煤灰的熔融特性。