煤岩学研究在炼焦煤煤质评价中的应用探究

利用煤岩学研究以评价煤质对扩大炼焦煤资源、稳定和提高焦炭质量具有重要的意义。通过对澳煤、圣雄煤该2种炼焦煤的煤岩显微组分分析表明,若将在开采过程中混入较多天然焦的炼焦煤用于配煤,可造成焦炭强度明显下降;若煤中镜质体存在大量碎片和裂纹现象,可显著降低黏结性并影响其在配煤中应有的作用。

不同配比弱黏结性煤参与配煤炼焦的研究

选取低煤阶的长焰煤和高煤阶的瘦煤两种弱黏结性煤为研究对象,将其分别配入焦化厂常用的焦煤和肥煤中,对配入不同比例(长焰煤质量分数为3%,4%,5%;瘦煤质量分数为3%,5%,7%)煤样的工艺性质进行分析,并研究所配煤样炼制坩埚焦的热性质、显微强度与光学组织。结果表明:长焰煤挥发分较高,配入质量分数在4%以内时,配合煤样黏结指数G、奥阿膨胀度b、总膨胀度(a+b)及胶质层最大厚度Y等指标劣化程度小,黏结性能小幅下降;配入质量分数增至5%时坩埚焦热性质严重劣化,粒焦反应性PRI值最高、粒焦反应后强度PSR及显微强度MSI值最低。瘦煤挥发分较低,配入质量分数在7%以内时,配合煤样工艺性质、所配煤样坩埚焦热性质在一定范围内波动;长焰煤对所配煤样坩埚焦光学组织指数(OTI)劣化主要表现在焦炭丝质、破片与各向同性的增加,瘦煤对所配煤样坩埚焦OTI劣化主要表现在焦炭细粒镶嵌组织的增加。

嵌入改进注意力机制的镜质组显微亚组分轻量级网络识别模型

为提高煤岩镜质组显微组分的识别准确率和识别模型性能,减少识别模型训练中的人工干预,以轻量级网络模型ShuffleNet V2作为主干网络,提出一种嵌入改进注意力机制的煤岩镜质组显微亚组分识别轻量级深度学习网络模型。首先针对镜质组样本数据量较少的问题,采用随机裁剪、旋转、镜像及加噪等方法对初始样本数据进行增强,提高训练模型泛化能力;然后以大型数据集ImageNet上完成预训练的ShuffleNet V2模型为基础,采用迁移学习的方法对模型进行微调,即在本文增强的镜质组显微图像训练样本集上将预训练模型中靠近输入的若干层冻结,对靠近输出的网络层权值进行微调,生成深层特征提取层;最后在ShuffleNet V2模型的输出部分嵌入通道注意力机制ECA,并根据煤岩镜质组不同显微亚组分图像具有明显纹理差异的特点对注意力机制进行改进,构建端到端的轻量级网络识别模型,实现对煤岩镜质组7类显微亚组分的自动识别。实验结果表明:采用本文方法对煤岩镜质组显微亚组分进行识别,其平均准确率可达97.85%,较之ShuffleNet V2原模型可提升5.71%;与经典的神经网络相比,本文模型具有较高的识别准确率、较少的网络参数和计算量及较快的收敛速度;与其他轻量级网络及嵌入其他注意力机制相比,该网络在保持较少参数量的同时,识别的准确率有明显的提高。

柳钢焦炭质量预测模型的研究

结合炼焦配煤生产数据及影响焦炭质量指标的各种因素,利用回归方法建立适合柳钢焦化厂自身特点的焦炭灰分、硫分、冷态强度(M_(40)、M_(10))、热性质(CRI和CSR)预测模型,并对模型进行了检验。结果表明,所建立的焦炭质量预测模型准确度较高,能够满足炼焦生产需要,可稳定焦炭质量和降低配煤成本。