-
题名机器学习模型预测煤热解产物分布研究
被引量：5
- 1
-
-
作者
王敏欣
师印光
刘长波
吴雷
周军
蒋绪
-
机构
中冶节能环保有限责任公司
西安建筑科技大学化学与化工学院
咸阳职业技术学院能源化工研究所
-
出处
《煤炭转化》
CAS
CSCD
北大核心
2024年第4期11-22,共12页
-
基金
陕西省自然科学基础研究计划一般项目(2024JC-YBQN-0090)
陕西省教育厅服务地方专项计划项目(22JC045)。
-
文摘
热解技术是煤清洁高效转化利用的主要技术之一,然而由于煤成分复杂、热解反应难以控制,对于各煤种都需要消耗大量时间和精力重复进行热解产物分布研究。以煤的组成和热解终温为输入条件,煤热解产物收率为输出条件,采用机器学习模型调参后的随机森林(RF)、支持向量机(SVM)和极限梯度提升(XGBoost)算法对煤热解产物收率进行了预测,分析了不同输入特征对热解产物收率的重要性,并使用双因素部分依赖分析(PDP)评估了输入特征对热解产物收率的影响。结果表明:三种算法模型中,XGBoost算法对煤热解产物收率预测的性能最佳,其对焦油收率的决策系数(R^(2))和均方根误差(R_(MSE))分别达到最高的0.95和最低的0.86;焦炭收率主要受到固定碳、挥发分、氧元素和热解终温的影响,占比为84%,而焦油收率主要受挥发分、氢元素、氮元素和热解终温的影响,占比为83%;PDP分析表明,随着煤中氢原子和挥发分质量分数的增加,煤热解焦油收率会随之上升;根据XGBoost算法计算可知,当煤中氢元素的质量分数在5.0%~6.0%,挥发分的质量分数位于30%~40%时,热解焦油收率可达到9%以上,当固定碳的质量分数大于50%时,煤中氢元素和挥发分的质量分数减少以及热解终温下降,都会引起热解气收率的降低。
-
关键词
煤热解
产物收率
机器学习
重要特征性分析
部分依赖性分析
-
Keywords
coal pyrolysis
product yield
machine learning
important feature analysis
partial dependence analysis
-
分类号
TQ530.2
[化学工程—煤化学工程]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
