Al/Fe_(2)O_(3)铝热剂粉尘着火敏感性

为明确铝热剂反应的着火特性,利用最低着火温度(minimum ignition temperature,MIT)和最小点火能(minimum ignition energy,MIE)测试装置,结合TG-DSC方法对4种Al粉与Fe_(2)O_(3)质量比为1∶4,1∶3,1∶2,1∶1的层状和云状Al/Fe_(2)O_(3)铝热剂进行了着火敏感性研究.结果表明,4种配比试样的粉尘层、粉尘云MIT均超出相关标准常规测试范围,在空气中质量比为1∶3铝热剂的反应触发温度为888℃,活化能为248.49 kJ/mol,说明铝热反应不容易触发;相同质量比的Al/Fe_(2)O_(3)粉尘云的MIE远高于粉尘层,层状MIE最低值为0.7 J,着火敏感性较强,这是因为Fe_(2)O_(3)在粉尘云状态的反应中充当惰化剂,而在粉尘层状态反应中为反应提供了活性氧自由基.

基于着火敏感性的镁粉防爆方法研究

对中国镁粉的主要生产工艺进行了概述,针对不同工艺生产的典型粒径镁粉,对D50为6,47,104,173μm的镁粉进行了最小点火能和最低着火温度的着火敏感性测试,对应4种粒径镁粉的最小点火能分别为:小于2,260,300 mJ,大于2000 J;粉尘云最低着火温度分别为480,520,620℃,大于700℃,而粉尘层最低着火温度都高于450℃.在此基础上从镁粉着火敏感性的角度对镁粉主要生产工艺的危险性和引燃源进行了分析.

机器学习在煤粉着火敏感性预测中的应用

为探究机器学习模型预测煤粉云最低着火温度(Minimum Ignition Temperature,MITc)的可行性,收集Godbert-Greenwal炉测试得到的煤粉云最小着火温度和影响因子数据,并分析了影响因子的关联性。利用AUC/ROC、Kappa系数、敏感性、特异性、MAE、RMSE等指标对3种机器学习模型在煤粉云最小着火温度和着火概率两方面的预测效果进行评价。结果发现:RSM模型的预测效果最差;RF模型在预测煤粉云MITc和着火概率时具有较好的精度和稳定性;Bagging模型在预测着火概率时AUC值均大于0.85,但预测MITc时效果较差。结果为煤粉云着火敏感性预测提供了一种新的研究思路。