基于BP神经网络算法的气固分选流化床密度预测研究

作     者：高天洋 

作者单位：中国矿业大学 

学位级别：硕士

导师姓名：张博;杨光荣

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081902[工学-矿物加工工程] 0819[工学-矿业工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：气固分选流化床 多元加重质 BP神经网络算法 床层密度 最小流化气速 

摘      要：煤炭分选加工是能源绿色低碳转型时代合理利用煤炭资源、保护生态环境最经济有效的方式,也是煤炭深加工、煤炭清洁利用的必要途径。干法选煤技术由于不需要使用水、成本低且无污染,因此为煤炭资源的高效、清洁分选提质和煤炭工业的转型发展提供了一种有效方法。干法选煤过程涉及多个参数,如气速、颗粒密度、床层高度等。在工业应用过程中实时监测和控制这些参数以优化分选效果具有一定难度,为克服这些难点,研究人员正努力开发新型气固流态化选煤技术。本文的目标在于使用神经网络算法,对气固流化床的关键参数进行分析处理,构建相应智能模型,从而为未来实现煤炭的智能化分选提供研究基础。结合试验气速与床层压降的关联曲线,探究不同配比条件下Geldart A、B、C类多元混合加重质的流化特性,总结多元加重质最小流化气速变化规律,并汇总最小流化气速数据,建立相应数据集。在多元加重质最小流化气速数据集的基础上结合BP神经网络算法,构建以加重质密度、粒度、质量分数、流化床横截面积、床层静高共10个因素为输入变量,最小流化气速为输出变量的BP神经网络模型,其网络拓扑结构为10-13-1。模型的网络训练相关度为0.9910,预测数据的平均绝对百分比误差为12.59%,预测数据均方根误差为1.9776。探究多元加重质床层密度轴向、径向分布规律与床层密度均匀稳定性情况,汇总多元加重质床层密度分布数据,构建相应数据集。在多元加重质床层密度分布数据集的基础上,以加重质密度、粒度、质量分数、流化床横截面积、床层静高、床层高度、最小流化气速、流化数共13个因素为输入变量,以床层密度为输出变量,建立13-14-1的多元加重质床层密度预测模型,该模型的网络训练相关度为0.9773,平均绝对百分比误差为3.04%,均方根误差为0.0844,其中该模型对单一加重质的预测准确度更高,平均绝对百分比误差为4.17%,均方根误差为0.0298。在多元加重质床层密度预测模型基础上,使用遗传算法对该模型进行优化调整,得到GA-BP神经网络模型,该模型的网络训练相关度为0.9824,平均绝对百分比误差为2.46%,均方根误差为0.0747,其中该模型对单一加重质预测优化效果最好,均方根误差较原始模型降低27.41%。结合最小流化气速与床层密度预测模型,构建多元加重质床层密度预测机制,以加重质颗粒性质、流化床设备关键数据与操作气速为关键参数,实现对多元加重质床层密度的预测。该预测流程所需参数均为气固分选流化床的基本参数,无需复杂测量手段即可获得,可以有效解决气固分选流化床工业应用过程中流化效果难于精确控制的问题。该论文有图57幅,表11个,参考文献89篇。