论文部分内容阅读
在洁净煤技术中,煤炭气化技术占很大的比重,同时它也是煤炭转化方法之一。由于煤炭气化过程中反应条件很苛刻,在反应过程中添加催化剂使反应加快,而且还使反应条件趋于温和,具体表现在反应温度的降低,而且对煤炭气化反应机理的研究也很困难,导致了反应过程的影响因素繁多,这就增加了研究的工作量与难度,使其过程的控制和产物产率预测也变得困难,为了解决此问题,运用人工神经网络的方法,基于BP算法与GA算法,对煤二氧化碳催化气化反应进行建模和预测研究,根据实验得到的数据,总共建立了三大方面的预测模型。在负载不同催化剂的煤催化气化预测模型中,分别建立了多输出BP神经网络和单输出BP神经预测模型,预测结果显示,两者的校验样本的平均相对误差均小于3%,并且单输出预测模型比多输出预测模型的预测精度高；通过对单输出预测模型进行模型分析发现,催化剂担载量相对于催化剂种类与催化剂熔点来说影响都较小。在不同煤种催化气化预测模型中,分别建立两个不同煤种催化气化预测模型,一个输入层节点选取BET比表面积、t-plot微孔比表面积、BJH最可几孔径、总孔容和催化剂种类,简称A模型；另一个选取灰分、挥发分、碳氢比和催化剂种类,简称B模型。在A模型中,通过对这四个模型训练过程进行比较,0.005改进BP神经网络模型的预测效果最好,收敛速度最快；随后将0.005改进BP神经网络模型和(GA-BP网络模型的预测结果进行比较发现,两个模型的预测精度相差不大,但是0.005改进BP神经网络模型的收敛速度却比GA-BP快一些。在B模型中,分别建立BP神经网络预测模型和改进BP神经网络预测模型,改进BP神经网络模型的收敛速度比BP神经网络模型的快,预测结果显示,校验样本误差均在3%以内；通过模型分析发现,催化剂种类对反应影响最大,因此对煤CO2催化气化反应,筛选出优良的催化剂很有必要。在催化剂不同负载方式的煤催化气化预测模型中,分别建立了多输出BP神经网络和单输出BP神经预测模型,预测结果显示,两者的校验样本的平均相对误差均小于5%；通过对单输出预测模型的分析发现,催化剂负载方式对反应影响最小,因此,对煤催化气化反应体系来说它不是重要影响因素,在以后的模型设计中,为了简化模型提高网络的收敛速度与预测精度,我们可以不考虑它。