【摘要】：基于我國環(huán)保要求的不斷提升以及能源資源結(jié)構(gòu)的限制,使得煤炭的清潔、高效利用成為了未來必然的發(fā)展趨勢,其中煤的熱解、氣化等轉(zhuǎn)化方式是一條重要的實(shí)現(xiàn)途徑。由于煤炭自身的結(jié)構(gòu)復(fù)雜和影響反應(yīng)的因素眾多,且煤的熱解、氣化等轉(zhuǎn)化方式還需要在苛刻的條件下(高溫或高壓等)進(jìn)行,使得人們很難直接總結(jié)它的反應(yīng)規(guī)律。BP神經(jīng)網(wǎng)絡(luò)因其具有很強(qiáng)的非線性映射能力,使其成為了人工神經(jīng)網(wǎng)絡(luò)里應(yīng)用較廣的一類,但傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在易陷入局部極小值、收斂速度慢等不足。故而,本文采用了多種優(yōu)化算法逐步改進(jìn)結(jié)合逐步預(yù)測驗(yàn)證的方法,探尋出性能優(yōu)異的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò),并將其應(yīng)用于煤熱解反應(yīng)預(yù)測模型和煤灰熔融溫度預(yù)測模型,以期為煤熱轉(zhuǎn)化過程的工藝設(shè)計(jì)與優(yōu)化提供重要的參考和依據(jù)。在煤熱解預(yù)測模型中,網(wǎng)絡(luò)選取熱解溫度(T)、揮發(fā)分(V_(daf))、灰分(A_d)、碳?xì)浔?C/H)、氧氫比(O/H)5個(gè)因素作為輸入節(jié)點(diǎn),選取煤的剩余質(zhì)量百分率作為網(wǎng)絡(luò)的輸出節(jié)點(diǎn),建立了5-11-1模型,首先探究了不同激勵(lì)函數(shù)組合的預(yù)測效果。結(jié)果表明,當(dāng)隱含層的激勵(lì)函數(shù)選取線性函數(shù)(Pur)時(shí),不論輸出層的激勵(lì)函數(shù)如何選取,網(wǎng)絡(luò)均不收斂;而當(dāng)隱含層的激勵(lì)函數(shù)選取非線性函數(shù)(Bip-S、Log-S、Sin、Tan-S任意一個(gè)),輸出層的激勵(lì)函數(shù)均選取線性函數(shù)時(shí),網(wǎng)絡(luò)不僅表現(xiàn)出了良好的預(yù)測精度,而且各函數(shù)組合的均方誤差也在同一數(shù)量級(jí)。由此可見,當(dāng)隱含層選取非線性函數(shù)、輸出層選取Pur函數(shù)時(shí),網(wǎng)絡(luò)的預(yù)測性能較好。在性能優(yōu)異的激勵(lì)函數(shù)組合的基礎(chǔ)上,采用附加動(dòng)量項(xiàng)及自適應(yīng)學(xué)習(xí)率優(yōu)化的A-BP神經(jīng)網(wǎng)絡(luò)、遺傳算法優(yōu)化的GA-BP神經(jīng)網(wǎng)絡(luò)、粒子群優(yōu)化算法優(yōu)化的PSO-BP神經(jīng)網(wǎng)絡(luò),以及三種算法聯(lián)合優(yōu)化的PSO-GA-A-BP神經(jīng)網(wǎng)絡(luò),探究了不同優(yōu)化方法的預(yù)測效果。四種改進(jìn)型神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差及收斂速度均優(yōu)于普通BP模型,即說明各改進(jìn)算法在網(wǎng)絡(luò)的運(yùn)算過程中均發(fā)揮了積極的作用,但是不同的優(yōu)化方式對BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果也有差異。A-BP模型能夠使得網(wǎng)絡(luò)快速的收斂,但其穩(wěn)定性相對較差,這主要是由于學(xué)習(xí)率自身數(shù)值的變動(dòng)所導(dǎo)致的結(jié)果;GA-BP、PSO-BP兩類優(yōu)化模型主要是在網(wǎng)絡(luò)的運(yùn)行初期對BP神經(jīng)網(wǎng)絡(luò)的收斂速率有明顯的提升,這也印證了GA-BP、PSO-BP兩類模型是對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值優(yōu)化的設(shè)計(jì)理念;PSO-GA-A-BP模型不僅具有快速的收斂能力,而且其在運(yùn)行的過程中又保證了網(wǎng)絡(luò)的穩(wěn)定性。由此可見,PSO-GA-A-BP模型在四類改進(jìn)型的神經(jīng)網(wǎng)絡(luò)中具有更為優(yōu)異的性能。另外,我們還可以得出各模型的收斂速率關(guān)系為:PSO-GA-A-BPA-BPPSO-BPGA-BPBP。最后,選取性能最優(yōu)的PSO-GA-A-BP改進(jìn)型神經(jīng)網(wǎng)絡(luò),探究了線預(yù)測模型的預(yù)測效果。結(jié)果表明,預(yù)測的失重曲線與實(shí)驗(yàn)的失重曲線吻合度較高,且預(yù)測樣本的預(yù)測值與其實(shí)驗(yàn)值的相對誤差均不超過3.5%,直接說明了PSO-GA-A-BP預(yù)測模型的預(yù)測值與實(shí)驗(yàn)值較為接近,更說明了該模型在煤熱解領(lǐng)域的良好實(shí)用性。另外,為了驗(yàn)證網(wǎng)絡(luò)輸出結(jié)果的穩(wěn)定性,我們進(jìn)行了9次的平行實(shí)驗(yàn),9次的均方誤差均在0.0023-0.0057的范圍內(nèi),運(yùn)行次數(shù)均在4715-6931的范圍內(nèi)。由此可見,該模型的輸出結(jié)果的均方誤差不僅在同一個(gè)數(shù)量級(jí)而且還很接近,即直接說明了該模型的輸出結(jié)果的穩(wěn)定性;該模型的運(yùn)行次數(shù)同樣在一個(gè)數(shù)量級(jí)且很接近,也說明了網(wǎng)絡(luò)具有良好的穩(wěn)定性。在煤灰熔融特性預(yù)測模型中,網(wǎng)絡(luò)選取不同配煤比例作為輸入因素,以煤灰熔融溫度的四個(gè)特征溫度為輸出,建立了結(jié)構(gòu)為1-4-4的模型,探究了晉城無煙煤與襄陽煤配煤比例對煤灰熔融特性的影響。結(jié)果表明,該模型不僅準(zhǔn)確地預(yù)測出了煤灰熔融溫度的四個(gè)特征溫度隨配煤比例的變化趨勢,而且發(fā)現(xiàn)了進(jìn)入平臺(tái)區(qū)的配比為24%,脫離平臺(tái)區(qū)的配比為42%,在后期的配煤細(xì)化實(shí)驗(yàn)中,該預(yù)測結(jié)論到了充分的驗(yàn)證。另外,該預(yù)測模型的預(yù)測精度相較于前人的經(jīng)驗(yàn)公式更為精確。在CaO、Fe_2O_3對FT的預(yù)測模型中,網(wǎng)絡(luò)選取CaO、Fe_2O_3作為輸入因素,以FT為輸出建立了結(jié)構(gòu)2-4-1的模型,探究了CaO、Fe_2O_3對FT的影響。結(jié)果表明,CaO、Fe_2O_3均能降低煤灰的FT,隨著CaO含量從1.2%增加到2.4%的過程中,不論Fe_2O_3含量是否增加,FT一直呈現(xiàn)出較為明顯的下降趨勢;當(dāng)Fe_2O_3含量低于1.8%時(shí),隨著其含量的增加,FT出現(xiàn)顯著的下降;當(dāng)Fe_2O_3含量高于1.8%時(shí),隨著其含量的增加,FT的變化比較平緩,由此可以得出降低煤灰熔融溫度的作用大小順序?yàn)镃aOFe_2O_3,另外,由XRD晶相分析可知含鈣的硅鋁酸鹽明顯多于含鐵的硅鋁酸鹽,進(jìn)一步的佐證了該結(jié)論。
【圖文】：

圖 2.1 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)簡圖Fig. 2.1 The simple structure of BP別表示各層內(nèi)的節(jié)點(diǎn)個(gè)數(shù)，xn表示輸入信號(hào)，yj、yk間權(quán)值。

圖 2.2 BP 神經(jīng)網(wǎng)絡(luò)的運(yùn)算過程g. 2.2 Flow chart of the BP neural network的 BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中具體的數(shù)學(xué)表達(dá)，將該
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TQ530.2

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐榮聲;王永剛;林雄超;楊薩莎;艾沙江;楊遠(yuǎn)平;;配煤和助熔劑降低煤灰熔融溫度的礦物學(xué)特性研究[J];燃料化學(xué)學(xué)報(bào);2015年11期

2 沈銘科;黃鎮(zhèn)宇;王智化;周俊虎;;基于布谷鳥算法與BP神經(jīng)網(wǎng)絡(luò)的煤灰變形溫度預(yù)測[J];燃料化學(xué)學(xué)報(bào);2014年12期

3 張曉明;王芳;金玉雪;劉曉洋;;基于灰關(guān)聯(lián)和靈敏度的BP網(wǎng)絡(luò)隱含層結(jié)構(gòu)優(yōu)化[J];計(jì)算機(jī)測量與控制;2014年09期

4 劉勝華;高娜;郭延紅;楊倩;;配煤對煤灰熔融特性的影響[J];煤炭轉(zhuǎn)化;2014年03期

5 金培源;高波涌;陸慧娟;;一種黃金分割優(yōu)化的極限學(xué)習(xí)機(jī)算法[J];中國計(jì)量學(xué)院學(xué)報(bào);2014年02期

6 高印寒;唐榮江;梁杰;趙彤航;張澧桐;;汽車聲品質(zhì)的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測與權(quán)重分析[J];光學(xué)精密工程;2013年02期

7 許潔;劉霞;李德俠;周志杰;王輔臣;于廣鎖;;煤灰流動(dòng)溫度預(yù)測模型的研究[J];燃料化學(xué)學(xué)報(bào);2012年12期

8 朱慶生;周冬冬;黃偉;;BP神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)預(yù)處理應(yīng)用研究[J];世界科技研究與發(fā)展;2012年04期

9 閔凡飛;張明旭;;基于BP神經(jīng)網(wǎng)絡(luò)的生物質(zhì)固定床熱解氣化過程模擬[J];煤炭學(xué)報(bào);2012年S1期

10 張昊;王琪潔;朱建軍;張曉紅;;樣本數(shù)據(jù)預(yù)處理對基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程擬合的影響[J];大地測量與地球動(dòng)力學(xué);2011年02期

相關(guān)碩士學(xué)位論文 前4條

1 譚婷丹;優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在煤熱轉(zhuǎn)化中的應(yīng)用研究[D];西北大學(xué);2016年

2 賀改;基于BP神經(jīng)網(wǎng)絡(luò)的CH_4-CO_2催化重整預(yù)測模型[D];西北大學(xué);2015年

3 陳昭睿;煤熱解過程中熱解氣停留時(shí)間對熱解產(chǎn)物的影響[D];浙江大學(xué);2015年

4 鄧芙蓉;利用TG-DSC、XRD、SEM等多種手段研究煤灰的熔融特性[D];浙江大學(xué);2005年

，

本文編號(hào)：2631351