基于MIV特征选择与PSO-BP神经网络的煤炭发热量预测

为克服传统线性回归模型对煤的发热量预测精度低、适用范围窄的缺陷,综合考察了工业分析和元素分析指标与煤的发热量的线性相关性,采用平均影响值方法对影响发热量的煤质指标进行特征变量筛选,并结合粒子群优化算法对传统BP神经网络进行优化,提出了一种基于MIVPSO-BP神经网络方法的煤炭发热量非线性预测方法。结果表明:煤的工业分析和元素分析指标中,仅灰分、碳含量与发热量之间存在一定的线性相关性,其余指标与发热量的线性相关性较弱;煤的工业分析中灰分、挥发分、固定碳3个指标对发热量的影响均较大,而元素分析中仅碳含量对发热量影响较为显著,其余指标对发热量的影响可忽略不计;与其他研究者提出的发热量预测模型相比,本文提出的MIV特征变量选择与PSO-BP神经网络相结合方法预测的平均相对误差和均方根误差更低,总体预测效果更好,相关系数最高可达98.48%。

基于响应曲面法的五虎山煤泥浮选条件优化研究

以五虎山选煤厂10#煤浮选入料为试验研究对象,基于响应曲面法对煤泥浮选条件进行优化。通过单因素试验,确定了入浮浓度、捕收剂用量、起泡剂用量和充气量的适宜范围,分别为:80~120 g/L、800~1200 g/t、120~200 g/t、0.15~0.35 m^3/(m^2·min);根据Box-Behnken设计了响应曲面法试验,研究了各因素及其交互作用对煤泥浮选的影响,建立了以精煤产率与灰分为响应值的二次多项式回归数学模型。研究结果表明:在保证浮选精煤产率的条件下,精煤灰分若要低至10%,入浮浓度应低至80 g/L,捕收剂用量为800 g/t,起泡剂用量为200 g/t,充气量为0.15 m^3/(m^2·min)。针对五虎山选煤厂10#煤浮选环节,若要提高浮选精煤产率,应增加起泡剂用量,降低入浮浓度、捕收剂用量与充气量。

五虎山高硫煤硫分分布特性试验研究

针对五虎山选煤厂入选的10#原煤煤质复杂、精煤产品硫分较高的特点,在分析考察10#原煤煤质特征和硫分分布特性的基础上,研究了硫分分布对煤中硫的可选性的影响。研究结果表明:10#原煤为高硫煤,煤中硫以黄铁矿硫为主,占全硫的77.17%;随着粒度的增大,煤样灰分和硫分逐渐增大,当粒度>25 mm时,灰分迅速增加到50.78%以上,硫分达5.06%以上;煤样密度越高,硫分越大,当密度低于1.6 g/cm^3时,各粒级煤样硫分变化不大,均在1.87%~3.13%范围内,而当密度高于1.6 g/cm^3时,各粒级煤样硫分均显著升高,最高可达12.36%。研究结果还表明,采用常规的重选方法无法将精煤硫分降低至1%以下,若要进一步降低精煤硫分,需采用破碎解离或其他化学方法进行深度分选。