一種預測焦炭機械強度和熱性質的方法

2023-05-27 17:08:06 1

專利名稱：：一種預測焦炭機械強度和熱性質的方法
技術領域：
：本發明涉及煤化工
技術領域：
，具體涉及煉焦生產中配煤煉焦、焦炭質量控制與預測的方法。
背景技術：
：近年來，中國焦炭產能急劇膨脹，煉焦煤資源供應緊張，稀缺的優質煉焦煤資源越來越少，焦化廠的煤源波動頻繁，煤質波動較大，混煤情況嚴重；隨著高爐大型化、噴煤技術的提高對焦炭質量要求越來越高。為了穩定焦炭質量，開展焦炭質量預測研究是焦化行業面臨的一個重要課題。國內外早期煉焦配煤比都是根據經驗和煤質參數用試湊法在試驗室進行試驗，試驗焦爐驗證直到大爐試驗確定。隨著煉焦配煤技術的發展，配煤方案確定也從以常規煤質指標的經驗配煤發展到以煤巖指標為基礎的煤巖配煤。目前焦炭質量預測方法，根據選用煤質指標，大致可分為以下三種用常規煤質指標預測，用煤巖指標預測，用常規和煤巖指標綜合的方法預測。用常規煤質指標預測。通常選擇煤的揮發分、粘結性等指標作參數，根據歷史生產數據，用回歸、擬合、神經網絡等數學方法，得出預測模型，預測焦炭質量。常規煤質指標不能反映出煤的微觀結構。煤的常規指標相同，煤的顯微組織、變質程度可以有很大差別。煤源發生改變的時候，這個預測模型的精度就會大幅度降低。焦炭機械強度、熱性質和煤的變質程度有關。對於單一煤層煤，揮發分、鏡質組平均最大反射率能反應出煤的變質程度。對混煤而言，揮發分相同的煤，可以由不同的煤種混合得到。如果用揮發分、粘結性指標(G或Y)，預測焦炭機械強度，當用兩個揮發分、粘結性相同的混合煤，分別和相同的幾種煤配合煉焦，所得焦炭質量會有很大差別。因為這兩個混合煤雖然揮發分和粘結指數相同，但是由不同的煤混合得到的，因此該方法對於混煤而言，預測焦炭質量會有很大的偏差。用煤巖指標預測，通常選擇煤的鏡質組平均最大反射率、活惰比等指標作參數，根據歷史生產數據，用回歸、擬合、神經網絡等數學方法，得出預測模型，預測焦炭質量。這3種方法適用於煉焦煤是單一煤層煤。對於混煤而言，鏡質組平均最大反射率相同的煤，可以由不同的煤種混合得到。例如鏡質組平均最大反射率為l.25°/。的煤可以由氣煤、1/3焦煤和瘦煤混合得到，也可以用氣肥煤和焦煤得到，但是這兩種煤的煉焦特性有很大差別。當這兩種煤分別和同樣幾種煤配合在一起煉焦，得到的焦炭質量肯定有很大差別。因此該方法對於混煤根本不適用。該方法也沒有包含對焦炭機械強度影響很大的粘結性指標，有時會造成預測指標精度很低，而且在煤源發生改變時預測精度也會受到嚴重影響，大大降低焦炭質量指標預測精度。用常規和煤巖指標綜合的方法預測。選擇的煤質指標有揮發分、粘結性指標、鏡質組平均最大反射率、活惰比等作參數，從中選擇標誌煤的變質程度和粘結性的指標進行組合，預測焦炭質量。該方法同樣具有上述方法的缺點。
發明內容本發明的目的是提供一種預測焦炭機械強度和熱性質的方法，該方法經過大量試驗證明，採用煤的鏡質組反射率分布作為煤質指標主要輸入參數，結合BP神經網絡或計算方法預測焦炭指標，克服了上述煤質指標預測不精確的缺點。該預測方法能科學、準確地預測焦炭冷強度和熱性質，合理利用煉焦煤資源，控制焦炭質量，降低配煤成本。為實現上述目的，本發明通過以下技術方案實現-一種預測焦炭機械強度和熱性質的方法，該方法以煤鏡質組反射率分布為主要輸入參數來預測焦炭機械強度指標和熱性質指標。所述的預測焦炭機械強度指標通過BP神經網絡來實現。將大量有代表性配合煤的鏡質組反射率分布和粘結性指標為輸入參數作為BP神經網絡的輸入端，對應焦炭質量指標作為BP神經網絡的輸出端，訓練BP神經網絡，得到輸入參數和輸出參數之間的非線性關係；然後將待預測煤的煤質指標作為BP神經網絡輸入參數，即得到預測焦炭的機械強度指標o所述的預測焦炭熱性質指標通過BP神經網絡或計算方法來實現。BP神經網絡預測是將大量有代表性配合煤的鏡質組反射率分布、粘結性指標及礦物催化指數為輸入參數作為BP神經網絡的輸入端，對應焦炭質量指標作為BP神經網絡的輸出端，訓練BP神經網絡，得到輸入參數和輸出參數之間的非線性關係；然後將待預測煤的煤質指標作為BP神經網絡輸入參數，即得到預測焦炭的熱性質指標。焦炭熱性質預測還可採用計算方法進行，通過選擇單種煤的鏡質組反射率分布、粘結性指標、單種煤所得焦炭熱性質作為預測參數，通過下述計算方法進行A產X,YiB=i:(A,Ri)CRI配焦-E(A，Ri/B+CRIi單焦)CSR配焦-i:(Ai*Ri/B*CSRi單焦,Ai—第i種單種煤鏡質組反射率分布修正頻數總和Xi—第i種單種煤鏡質組反射率分布頻數總和Yi—第i種單種煤粘結性指標B—配合煤鏡質組反射率分布修正頻數總和Ri—第i種單種煤配煤比CRI第i種單種煤所得焦炭反應性CSRi^—第i種單種煤所得焦炭反應後強度CRI,—配合煤所得焦炭反應性CSR^—配合煤所得焦炭反應後強度與現有技術相比，本發明的優點是該方法能準確、科學地預測焦炭機械強度和熱性質，合理利用煉焦煤資源，控制焦炭質量，降低配煤成本。煤的鏡質組反射率分布圖可以明顯地表徵出煤中鏡質組的性質，從反射率分布圖上還可以看出煤的混合程度，用何種煤混合而成。採用煤的鏡質組反射率分布作為預測焦炭質量指標的參數，能從根本上克服選擇鏡質組平均最大反射率及其它煤質指標參數所帶來的預測焦炭質量不準確的缺陷，能夠準確預測以混合煤為煤源的焦炭質量。圖1是一配合煤的鏡質組反射率分布圖；圖2是一BP神經網絡神經元的結構模型圖；圖3是一用煤揮發分(Vd)和粘結指數(G)預測焦炭M4o圖；圖4是一用煤揮發分(Vd)和粘結指數(G)預測焦炭Mu)圖5是一用煤鏡質組平均最大反射率(:Lax)和粘結指數(G)預測焦炭M405圖6是一用煤鏡質組平均最大反射率(》max)和粘結指數(G)預測焦炭Mu)圖7是一用煤鏡質組反射率分布(A、B、C、D、E、F)和粘結指數(G)預測焦炭M4。圖8是一用煤鏡質組反射率分布(A、B、C、D、E、F)和粘結指數(G)預測焦炭Mu)圖9是一用煤的揮發分(Vd)、粘結指數(G)和礦物催化指數預測焦炭CRI圖；圖10是一用煤的揮發分(Vd)、粘結指數(G)和礦物催化指數預測焦炭CSR圖ll是一用煤的鏡質組平均最大反射率(5,)、粘結指數(G)和礦物催化指數預測焦炭CRI圖12是一用煤的鏡質組平均最大反射率(^nax)、粘結指數(G)和礦物催化指數預測焦炭CSR圖13是一用煤的鏡質組反射率分布(A、B、C、D、E、F)、粘結指數(G)和礦物催化指數預測焦炭CRI圖；圖14是一用煤的鏡質組反射率分布(A、B、C、D、E、F)、粘結指數(G)和礦物催化指數預測焦炭CSR圖；圖15是一採用計算方法預測焦炭CRI圖；圖16是一採用計算方法預測焦炭CSR圖。具體實施例方式一種預測焦炭機械強度和熱性質的方法，該方法以煤鏡質組反射率分布為主要輸入參數來預測焦炭機械強度指標和熱性質指標。1、預測焦炭機械強度指標通過BP神經網絡來實現；焦炭機械強度指標包括抗碎強度(M4Q)和耐磨強度(Mk))，與煤的變質程度及粘結性有關。本發明用煤鏡質組反射率分布，粘結性指標(如粘結指數G、膠質層最大厚度Y)作為參數，通過BP神經網絡預測焦炭機械強度。將生產歷史數據中大量有代表性煤的鏡質組反射率劃分為六段(A、B、C、D、E、F)(鏡質組反射率劃分方法見附錄l)，同煤的粘結性指標(G或Y)—起作為輸入參數，對應焦炭M40、Mu)作為輸出端，訓練神經網絡，得出輸入參數和輸出參數的非線性關係。用待預測煤鏡質組反射率分布、煤粘結性指標作為輸入參數，輸入神經網絡，預測焦炭M4和Mh)。即得到預測焦炭的機械強度指標。煤的鏡質組反射率劃分為六段，A段為鏡質組反射率小於0.6。/。頻數求和，B段為鏡質組反射率0.6%0.65%頻數求和，C段為鏡質組反射率0.65%1.25%頻數求和，D段為鏡質組反射率1.25%1.75%頻數求和，E段為鏡質組反射率1.75%1.85%頻數求和，F段為鏡質組反射率大於1.85%頻數求和。通過試驗獲得了煤鏡質組反射率分布、粘結性等煤質指標和焦炭質量指標之間的關係，但是還不確切的知道它們之間的對應關係。BP神經網絡在已知數據足夠多的情況下，可以從數據中尋找其潛在的通常是複雜的非線性對應關係。因此本專利採用BP神經網絡預測焦炭機械強度和熱性質。以預測焦炭抗碎強度M40為例。本專利採用的BP神經網絡，層與層之間的神經元以權重的形式連接，隱含層和輸出層的神經元還帶有閾值。BP神經網絡神經元的結構模型見圖2。隱含層和輸出層神經元的輸出為M4oY=l/(l+e-uj)Uj-(Wj^A-9j)+(Wj/B-e》+(Wj3承C-0j)+(Wj4承D-e》+(Wj,E-6j)+(wj6*F-6j)+(wj7*Y-ej)其中，M4Y—焦炭抗碎強度M40預測值uj，ej—隱含層神經元j的輸入和閾值Wj!……Wj7—為隱含層神經元與其1……7層神經元的權重A，B，C,D，E，F—為鏡質組反射率分布Y-粘結性指標(1)訓練選擇若千組已知的(A，B，C，D，E，F，Y;M4o)作為訓練樣本，網絡中的權重和闞值初始賦予一定範圍內的隨機值，將每組樣本的A,B，C，D，E，F，Y經過區域化處理為0.1到0.9範圍內的值輸入網絡，正向傳播，在輸出層輸出M4Q，計算網絡輸出M40與實測M40之間的誤差，取所有組樣本的誤差取平均，如果平均誤差小於或等於一給定的值(通常設置為一個很小的值)則訓練成功，如果平均誤差大於這一給定的值，則反向傳播誤差，採用一定的規則逐層的修正權重和閾值，再次輸入訓練樣本，求出誤差並判斷，7如此反覆直到誤差滿足要求或者達到了給定的最大循環次數，則訓練結束。(2)測試當網絡訓練結束後，選擇待預測樣本(通常少於訓練樣本數)已知的(A，B，C，D，E,F,Y;M40)作為測試樣本，來測試訓練好網絡的泛化性能。將每組樣本的(A，B，C，D，E，F，Y)經過區域化處理為O.l到0.9範圍內的值輸入網絡，正向傳播，在輸出層輸出M40，計算網絡輸出M40與實測M40之間的誤差，取所有組樣本的誤差取平均。判斷誤差是否滿足要求。(3)預測經測試後合乎要求的網絡，即可進行預測。即輸入一組或多組(A，B，C，D，E，F，Y)，當然，它們對應的M4o未知，通過網絡正向傳播，計算出的值即為M40。程序中運用的規則(1)樣本區域化處理方式其中W、Smax、Smm、^分別為樣本數據(A，B，C，D，E，F，Y;M奶)的原始值，所有樣本中的極大值，極小值和區域化處理後的值。(2)網絡誤差計算方式其中P為訓練樣本個數，N為輸出神經元個數(在本文中為1)，M4s，M4Y分別為M40的實測值和預測值。2、預測焦炭熱性質指標可通過BP神經網絡或計算方法兩種方式來實現。焦炭熱性質指標包括焦炭反應性(CRI)和反應後強度(CSR)。焦炭CRI是焦炭的化學性質，它與煤變質程度及煤中的礦物質有關。焦炭CSR與焦炭CRI和冷強度有關，焦炭冷強度與煤的粘結性有關。因此預測焦炭熱性質應選擇能反應煤這些性質的指標，作為預測參數。1)BP神經網絡預測；選擇煤鏡質組反射率分布、粘結性指標(G或Y)及礦物催化指數(MBI或MCI)作輸入參數，通過BP神經網絡預測焦炭熱性質。(A、B、C、D、E、F)、同煤粘結性指標(如Y或G)和礦物催化指數(MBI或MCI)作為輸入參數，對應焦炭CRI、CSR作為輸出端，訓練BP神經網絡。用待預測煤鏡質組反射率分布、粘結性指標和礦物催化指數作為輸入參數，輸入BP神經網絡，預測焦炭CRI、CSR。焦炭熱性質預測還可採用計算方法進行，通過選擇單種煤的煤鏡質組反射率分布、粘結性指標、單種煤所得焦炭熱性質作為預測參數，通過下述計算方法進行B=S(A,Ri)CRIRi/B*GRIi單焦)CSR配焦-HA,Ri/^CSRi單焦)Ai—第i種單種煤鏡質組反射率分布修正頻數總和Xj—第i種單種煤鏡質組反射率分布頻數總和Yj—第i種單種煤粘結性指標B—配合煤鏡質組反射率分布修正頻數總和Ri—第i種單種煤配煤比CRIi^—第i種單種煤所得焦炭反應性CSRwkt"第i種單種煤所得焦炭反應後強度CRIb—配合煤所得焦炭反應性CSR^—配合煤所得焦炭反應後強度下面以一種配煤方案為例，通過上述計算方法預測焦炭熱性質，見下表。tableseeoriginaldocumentpage9預測結果為預測CRI配f24.8預測CSR配焦-63.2實測CRI配焦=24.1實測CSR配焦-63.4為了更好地說明本發明實施方式和實際效果，下面結合40kg試驗焦爐煉焦試驗，說明本發明的具體實施內容。(1)煉焦用煤進行煤質分析。(2)對單種煤進行40kg試驗焦爐試驗，所得焦炭進行焦炭質量分析，測定單種煤所得焦炭各項質量指標。(3)根據單種煤煤質分析結果、單種煤煉焦特性及焦炭質量目標值確定配煤方案。根據配煤方案進行配煤，對配合煤進行40kg試驗焦爐配煤煉焦試驗。(4)將預測焦炭質量用的配合煤質指標(也適用於單種煤)煤鏡質組反射率分布、粘結性指標G、Y及礦物催化指數MBI或MCI作為輸入端，對應焦炭質量指標(M40、M1、CRI、CSR)作為輸出端，訓練BP神經網絡，得到非線性關係。(5)將待預測煤質指標輸入訓練好的神經網絡，預測焦炭質量。(6)比較實測結果和預測結果，誤差大，將煤質指標和實測焦炭質量指標作為訓練樣本，重新訓練神經網絡。重複(4)一(5)的預測過程。下面將本發明的預測方法與現有技術中的預測方法作如下比較，並提供了比較數據(一)選擇煤鏡質組反射率分布如圖所示(A、B、C、D、E、F)和粘結性指標(G)作參數，預測焦炭機械強度(M40和Mk))，並與用煤揮發分或鏡質組平均最大反射率和粘結性指標(G)預測焦炭機械強度的結果進行了比較，比較數據如下(1)用煤揮發分(Vd)和粘結指數(G)作參數預測焦炭M4o和M,0用40kg試驗焦爐歷史試驗數據，配合煤揮發分(Vd)和粘結指數(G)作輸入參數，對應焦炭IVU和MH)作輸出參數，訓練神經網絡。然後將待預測煤樣揮發分(Vd)和粘結指數(G)作輸入參數，預測焦炭M40和Mn)。預測結果如圖3、圖4所示從預測結果可以得出M4o預測的平均絕對誤差為1.8個百分點，Mn)預測的平均絕對誤差為0.8個百分點。(2)用煤鏡質組平均最大反射率(imax)和粘結指數(G)預測焦炭M4Q和Mu)用40kg試驗焦爐歷史試驗數據，配合煤的鏡質組平均最大反射率(》max)和粘結指數(G)作輸入參數，對應焦炭M4o和Mu)作輸出參數，訓練神經網絡。然後將待預測煤樣鏡質組平均最大反射率(^nax)和粘結指數(G)作輸入參數，預測焦炭M4。和M10。預測結果如圖5、圖6所示從預測結果可以得出M4o預測的平均絕對誤差為2.0個百分點，Mu)預測的平均絕對誤差為0.8個百分點。(3)用煤鏡質組反射率分布(A、B、C、D、E、F)和粘結指數(G)預測焦炭機械強度(M40和Mh))用40kg試驗焦爐歷史試驗數據，配合煤的鏡質組反射率分布(A、B、C、D、E、F)和粘結指數(G)作輸入參數，對應焦炭M40和Mu)作輸出參數，訓練神經網絡。然後將待預測煤樣鏡質組反射率分布(A、B、C、D、E、F)和粘結指數(G)作輸入參數，預測焦炭M40和M1。預測結果如圖7、圖8所示從預測結果可以得出M40預測的平均絕對誤差為1.3個百分點，Mu)預測的平均絕對誤差為0.4個百分點。(二)選擇煤的鏡質組反射率分布(A、B、C、D、E、F)、粘結性指標(G)和礦物催化指數作參數，預測焦炭熱性質(CRI和CSR)，並與用煤揮發分或鏡質組平均最大反射率和粘結性指標(G)、礦物催化指數預測焦炭熱性質的結果進行了比較，比較數據如下(1)用煤的揮發分(Vd)、粘結指數(G)和礦物催化指數預測焦炭CRI和CSR用40kg試驗焦爐歷史試驗數據，配合煤的揮發分(Vd)、粘結指數(G)和礦物催化指數作輸入參數，對應焦炭CRI和CSR作輸出參數，訓練神經網絡。然後將待預測煤樣揮發分(Vd)、粘結指數(G)和礦物催化指數作輸入參數，預測焦炭CRI和CSR。預測結果如圖9、圖10所示從預測結果可以得出CRI預測的平均絕對誤差為5.9個百分點，CSR預測的平均絕對誤差為6.1個百分點。(2)用煤的鏡質組平均最大反射率(5自)、粘結指數(G)和礦物催化指數預測焦炭CRI和CSR用40kg試驗焦爐歷史試驗數據，配合煤鏡質組平均最大反射率(i,)、粘結指數(G)和礦物催化指數作輸入參數，對應焦炭CRI和CSR作輸出參數，訓練神經網絡。然後將待預測煤鏡質組平均最大反射率(及max)、粘結指數(G)和礦物催化指數作輸入參數，預測焦炭CRI和CSR。預測結果如圖ll、圖12所示從預測結果可以得出CRI預測的平均絕對誤差為5.0個百分點，CSR預測的平均絕對誤差為6.2個百分點。(3)用煤的鏡質組反射率分布(A、B、C、D、E、F)、粘結指數(G)和礦物催化指數作輸入參數，預測焦炭CRI和CSR用40kg試驗焦爐歷史試驗數據，配合煤鏡質組反射率分布(A、B、C、D、E、F)、粘結指數(G)和礦物催化指數作輸入參數，對應焦炭CRI和CSR作輸出參數，訓練神經網絡。然後將待預測煤鏡質組反射率分布(A、B、C、D、E、F)、粘結指數(G)和礦物催化指數作輸入參數，預測焦炭CRI和CSR。預測結果如圖13、圖14所示從預測結果可以得出CRI預測的平均絕對誤差為3.1個百分點，CSR預測的平均絕對誤差為3.9個百分點。從上面預測結果可以看出，採用鏡質組反射率分段的方式預測焦炭的機械強度(M40和M1)和熱性質(CRI和CSR)的精度最高。M4o預測精度比用揮發分和鏡質組平均最大反射率分別高0.5、0.7個百分點；Mu)預測精度分別都高0.4個百分點；CRI預測精度分別高2.8、1.9個百分點；CSR預測精度分別高2.2、2.3個百分點。(三)採用計算方法預測焦炭熱性質將單種煤的鏡質組反射率分布、粘結性指標(G)和單種煤所得焦炭CRI和CSR代入公式，預測配合煤所得焦炭CRI和CSR，預測結果如圖15、圖16所示。從預測結果可以得出，焦炭反應性和反應後強度預測的平均絕對誤差分別為1.3個百分點、1.4個百分點，最大絕對誤差分別只有2.9個百分點、2.6個百分點。1權利要求1、一種預測焦炭機械強度和熱性質的方法，其特徵在於，該方法以煤鏡質組反射率分布為主要輸入參數來預測焦炭機械強度指標和熱性質指標。2、根據權利要求1所述的一種預測焦炭機械強度和熱性質的方法，其特徵在於，所述的預測焦炭機械強度指標通過BP神經網絡來實現。將大量有代表性配合煤的鏡質組反射率分布和粘結性指標為輸入參數作為BP神經網絡的輸入端，對應焦炭指標作為BP神經網絡的輸出端，訓練BP神經網絡，得到輸入參數和輸出參數之間的非線性關係；然後將待預測煤的煤質指標作為BP神經網絡輸入參數，即得到預測焦炭的機械強度指標。3、根據權利要求1所述的一種預測焦炭機械強度和熱性質的方法，其特徵在於，所述的預測焦炭熱性質指標通過BP神經網絡來實現。將大量有代表性配合煤的鏡質組反射率分布、粘結性指標及礦物催化指數為輸入參數作為BP神經網絡的輸入端，對應焦炭指標作為BP神經網絡的輸出端，訓練BP神經網絡，得到輸入參數和輸出參數之間的非線性關係；然後將待預測煤的煤質指標作為BP神經網絡輸入參數，即得到預測焦炭的熱性質指標。4、根據權利要求1所述的一種預測焦炭機械強度和熱性質的方法，其特徵在於，所述的焦炭熱性質預測通過選擇單種煤的鏡質組反射率分布、粘結性指標、單種煤所得焦炭熱性質作為預測參數，通過下述計算方法進行formulaseeoriginaldocumentpage2CRI配焦=2:(八;*Ri/B*CRIi單焦JCSR配焦-Z(A,Ri/B承CSRj單焦)Ai—第i種單種煤鏡質組反射率分布修正頻數總和Xi—第i種單種煤鏡質組反射率分布頻數總和Yi—第i種單種煤粘結性指標B—配合煤鏡質組反射率分布修正頻數總和Ri—第i種單種煤配煤比CRIjm—第i種單種煤所得焦炭反應性CSRi,—第i種單種煤所得焦炭反應後強度CRIm—配合煤所得焦炭反應性CSR^—配合煤所得焦炭反應後強度全文摘要本發明涉及一種預測焦炭機械強度和熱性質的方法，該方法以煤鏡質組反射率分布為主要輸入參數來預測焦炭機械強度指標和熱性質指標。所述的預測焦炭機械強度指標通過BP神經網絡來實現，所述的熱性質指標通過BP神經網絡或計算方法實現。該方法能解決煉焦煤資源有效利用、科學、準確地預測焦炭冷強度和熱性質，保證焦炭質量，降低配煤成本，實現科學配煤和實施配煤專家系統。文檔編號G01N33/00GK101661026SQ20081001305公開日2010年3月3日申請日期2008年8月30日優先權日2008年8月30日發明者洋劉,孟慶波,麗戰申請人:中鋼集團鞍山熱能研究院有限公司