煤种成浆性的人工神经网络预测模型研究

李艳昌1,2，杨雨濛1,2，刘建忠3

(1.辽宁工程技术大学 安全科学与工程学院，辽宁 阜新 123000；2.矿山热动力灾害与防治教育部重点实验室，辽宁 葫芦岛 125105；3.浙江大学 能源清洁利用国家重点实验室 热能工程研究所，浙江 杭州 310027)

摘 要：为更好地预测煤的成浆性，以大量煤种成浆浓度试验数据为基础，建立了3个输出因子的神经网络成浆浓度预测模型，模型采用L-M算法，对输入数据进行数据预处理，最后对比分析了神经网络预测模型与回归分析模型的预测结果。结果表明，以Ad、哈氏可磨性指数HGI和氧含量O为输入因子的模型预测结果平均绝对误差为0.63%，以Mad、HGI和O为输入因子的模型预测结果平均绝对误差为0.60%，以Mad、HGI和氧碳比O/C为输入因子的模型预测结果平均绝对误差为0.40%，3种组合的模型结果均小于回归分析模型的平均绝对误差1.15%。因此神经网络模型比回归分析模型有更好的预测能力，其中以Mad、HGI和O/C为输入因子的神经网络模型预测结果最好。

关键词：煤；成浆性；神经网络；L-M算法

0 引 言

水煤浆是由60%～70%煤粉、40%～30%水以及少量添加剂(约0.5%～1%)组成的混合物，是一种低污染、高效率、流动性强的理想代油燃料。发展高温高压高效的大规模气流床水煤浆气化工艺成为我国洁净煤技术发展的一个重要方向，因此有必要进一步探讨煤种理化特性和添加剂等对水煤浆成浆性和流变性的影响规律。水煤浆作为一种宽筛分、高固含量的复杂多级分散悬浮体系，煤的种类、化学性质、颗粒度分布及形状、煤粒之间的相互作用、温度和浓度等因素[1]都会影响其成浆性和流变性。水煤浆成浆性的研究十分复杂，陈训刚[2]、李珊珊[3]和王睿坤等[4]研究了不同技术手段提高水煤浆浓度的方法，朱雪丹[5]将城市湿污泥以不同比例与煤粉掺混制备污泥水煤浆，研究污泥掺混量、添加剂、温度以及剪切速率对污泥水煤浆成浆特性的影响。煤种理化特性与其成浆性之间存在非线性关系，当煤炭内在水分、灰分、氧碳比、亲水含氧官能团含量越低以及哈氏可磨性指数HGI越高时，则水煤浆成浆特性越好，而煤阶越低和孔隙越发达的煤种制浆难度越大[6-8]。张荣曾教授曾在总结大量煤种成浆浓度试验数据基础上，推荐了一个预测煤炭成浆浓度的三因子回归分析方程[1]。笔者基于张荣曾教授对我国37种典型煤炭理化特性及其成浆浓度的试验数据，采用人工神经网络建立关于煤炭成浆浓度的非线性预测模型，对不同输入因子组合进行了成浆浓度预测，将预测结果与回归分析模型的预测结果进行对比，分析神经网络预测模型的适用性与准确性。

1 网络拓扑关系的建立

人工神经网络技术对实现非线性映射，尤其是解决输入对输出影响的具体机制不太清楚的问题极为有效。由于3层反向传播(BP)神经网络在中间层单元根据需要自由设定的情况下，可实现以任意精度近似任何连续函数，故笔者采用3层结构的BP神经网络[9]，建立了预测煤炭成浆浓度的人工神经网络模型，如图1所示。

3个输入参数为煤炭的理化特性，1个输出参数为煤炭成浆浓度，中间为隐含层。煤炭理化特性，如Mad、Ad、Vdaf、HGI、Cad、Had、Oad、Nad等8个参数对其成浆性都有一定影响。但考虑到煤中氢和氮元素含量相对较少，且不同煤种含量差别不大，故建立神经网络模型时没有引入氢和氮元素含量作为考查因子，而是另外引入了对成浆性影响较大的氧碳比O/C作为考查因子。在煤的7项理化特性参数中随机抽取3项作为考查因子，组合起来作为神经网络模型的3项输入数据，比较不同三因子模型关于煤炭成浆浓度的预测精度，最终得到最优的三因子预测模型。

2 神经网络算法与参数确定

2.1 神经网络的L-M算法

本文BP神经网络训练所用算法为L-M算法(Levenberg-Marquardt算法)[10]，此算法是牛顿法的变形，专门用于误差平方和最小化。BP神经网络的最速下降算法在进行网络权值w和阀值θ调整时，只是按照当前时刻的负梯度方向进行修正，并没有计及以前的信息，即

式中，Δw为网络权值增量；a为学习率，agt;0；Δθ为阀值增量。

式中，V为输出层权值；P为样本总数；tr为期望的网络输出向量；yr为实际的网络输出向量；er=tr-yr，为第r个输出的误差，r=1,2，…，P。

L-M算法则是牛顿法的一种近似，如果要求误差指标函数V(x)的极小值，运用牛顿法则有

Δx=-[2V(x)]-1

这里2V(x)为Hessian阵；V(x)为梯度，如果假定V(x)是误差平方和函数

式中，N为中间层单元数；ei(x)为中间层输出误差。

则有

这里J(x)为Jacobian矩阵

2er(x)，对于高斯-牛顿法，则有

Δx=[JT(x)J(x)]-1JT(x)e(x)(6)

而L-M算法将高斯-牛顿法改进为

Δx=[JT(x)J(x)+μI]-1JT(x)e(x)(7)

式中，I为单位矩阵；μ为自适应因子，当某一步的计算结果使得V(x)增加时，μ乘以修正因子β，反之则除以β。当μ较大时，L-M算法近似于最速梯度法，当μ为0，则为高斯-牛顿法。

2.2 数据预处理与神经网络参数设定

本文将样本数据随机分成两部分，一部分作为训练样本集，用于训练神经网络；另一部分作为检验样本集，不参与神经网络的训练，用于检验模型的推广能力。根据建立的神经网络模型直接输入未经处理的样本数据时，虽然可以调整网络的参数，但即使经过30万步训练，最小误差仍停留在2.5122，无法满足精度要求。鉴于殷春根等[11]利用数据预处理方法获得很好效果，因此本文也对数据进行预处理。

数据预处理方法是利用每个输入或输出向量中的最大值Datamax与最小值Datamin，通过式(8)将输入向量或输出向量中的每个数值Datai变换成[-1，1]区间的值Datanew，形成新的输入向量或输出向量。

神经网络模型输入层与目标数据的Datamax与Datamin见表1。

神经网络模型的参数主要是中间层节点数和学习率的设定，根据文献推荐和实际计算经验，确定该三因子模型的中间层节点数为20个，学习率为0.01。

表1 输入数据和目标数据的最大最小值
Table 1 Maximum and minimum of the input and target data

3 结果与讨论

不同组合的三因子神经网络模型关于煤炭成浆浓度的预测研究发现，含有Vdaf和碳元素2个因子的大多数三因子组合模型的预测结果无法收敛，少数模型预测结果比较差，说明Vdaf和碳元素2个因子与煤炭成浆浓度的关联性很弱。

3.1 Ad、HGI和O的三因子模型

煤炭灰分中存在的某些高价阳离子对于水煤浆的稳定性具有促进作用；而某些阴离子会降低水煤浆的流变性能，对成浆性具有阻碍作用[12]；另外一些难溶矿物如黄铁矿、石英和方解石等密度较大，对水煤浆浓度具有增大作用。由于不同煤种的灰分具有较大差异，且灰分对煤成浆性的影响比较复杂，因此将Ad作为一个影响因子来建立三因子模型，在预测煤的成浆浓度时会出现某些数据点的预测结果与实际结果相差较大的情况。Ad作为影响因子的三因子组合模型中，由Ad、HGI和O组成的三因子模型的预测结果最好(图2)，但在实际煤浆浓度为65%～70%时仍存在2个偏差很大的数据点。

3.2 Mad、HGI和O的三因子模型

由Mad、HGI和O组成的三因子模型关于煤炭成浆浓度的预测结果如图3所示。图3预测结果明显优于图2。对于Mad含量高的煤种，其颗粒内部的孔隙结构比较发达。利用该煤种制浆时，由于内部孔隙对水分具有吸附作用，使水煤浆体系中的自由水分减少，影响了煤炭的成浆性能，从而使其在预测过程中相关性更高[5]。HGI与煤中Mad、Ad、Vdaf、硬度、密度和煤岩类型等[13]参数相关，因此HGI集中体现了煤炭的多种理化特性。煤炭氧含量和氧碳比均能反映其氧含量，对于氧含量高的煤种，其亲水的含氧官能团的绝对含量就高，故其成浆浓度相对较低[7]。

3.3 Mad、HGI和O/C的三因子模型

由Mad、HGI和O/C组成的三因子模型的预测结果如图4所示，图4预测模型的结果最好。与图3相比，图4选取O/C因子，同时考虑煤中氧、碳含量，使得三因子神经网络模型的非线性关系更加符合客观规律，能够更加准确预测煤炭的成浆特性。另外，3个神经网络模型中都考虑了HGI，原因可能是HGI综合体现了煤炭的多种理化特性，在三因子模型中能够较好地结合其他因子，从而得到较好的预测结果。考虑O/C的神经网络三因子模型的预测结果最好。

3.4 3种模型与回归分析模型的比较

张荣曾教授在总结大量煤种成浆浓度试验数据基础上，推荐了一个预测煤炭成浆浓度的三因子回归分析方程[1]，成浆浓度S(%)可表示为

S=67.848+0.061366HGI-0.267763Mad-

利用该回归分析方程对37个典型煤种成浆浓度进行预测，结果如图5所示。对比可知，图2～图4的三因子神经网络模型的预测结果均明显优于图5中回归分析方程的预测结果。

神经网络模型和回归分析模型的平均绝对误差见表2。由表2可知，由Mad、HGI和O/C组成的三因子模型的预测结果误差最小，仅为0.40%；由Mad、HGI和O组成的三因子模型预测结果误差较小，为0.60%；由Ad、HGI和O组成的三因子模型的预测结果误差较大，为0.63%；而回归分析方程的预测结果误差最大，达到1.15%。故本文建立的关于煤炭成浆浓度的神经网络模型比回归分析模型有更好的预测能力，尤其以Mad、HGI和O/C的三因子神经网络模型的预测结果最好。

表2 神经网络模型和回归分析模型的平均绝对误差
Table 2 Mean absolute errors of neural network models and a regression equation

4 结 语

根据煤炭的多种理化特性，建立了关于煤炭成浆浓度的多个三因子神经网络预测模型，研究表明，Mad、HGI、O/C、O和Ad等对于煤炭成浆性的预测结果影响显著。神经网络模型对于煤炭成浆浓度的预测结果明显优于传统的回归分析模型，尤其是Mad、HGI和O/C的三因子神经网络模型的预测结果最好，其次是Mad、HGI和O的三因子模型，二者的平均绝对误差分别为0.40%和0.60%，而现有回归分析方程的误差达到1.15%，说明神经网络模型在煤炭成浆性预测方面具有较大的应用价值。

参考文献：

[1] 张荣曾.水煤浆制浆技术[M].北京:科学出版社,1996.

[2] 陈训刚.微光波对水煤浆的成浆性和气化性的影响[D].杭州:浙江大学,2008.

[3] 李珊珊.精细水煤浆的颗粒孔隙-成浆及燃烧机理研究[D].杭州:浙江大学,2006.

[4] 王睿坤,刘建忠,胡亚轩,等.水煤浆掺混湿污泥对浆体成浆特性的影响[J].煤炭学报,2010,35(S1):199-204.

Wang Ruikun,Liu Jianzhong,Hu Yaxuan,et al.Influence of wet sludge on the slurrying properties of coal-water slurries[J].Journal of China Coal Society,2010,35(S1):199-204.

[5] 朱雪丹.粒度级配对神府煤成浆性能的影响[J].洁净煤技术,2014,20(4):1-3,6.

Zhu Xuedan.Influence of grading size on slurryability of Shenfu coal[J].Clean Coal Technology,2014,20(4):1-3,6.

[6] Atesok G,Boylu F,Sirkeci A A,et al.The effect of coal properties on the viscosity of coal-water slurries[J].Fuel,2002,81(14):1855-1858.

[7] Kaushal K Tiwari,Sibendra K Basu,Kumaresh C Bit,et al.High-concentration coal-water slurry from Indian coals using newly developed additives[J].Fuel Processing Technology,2003,85(1):31-42.

[8] Mishra S K,Senapati P K,Panda D.Rheological behavior of coal-water slurry[J].Energy Sources,2002,24(2):159-167.

[9] 杨建刚.人工神经网络实用教程[M].杭州:浙江大学出版社,2001.

[10] Martin T Hagan,Mohammad B Memhaj.Training feedforward network with the marquardt algorithm[J].IEEE Transactions on Neural Networks,1994,5(6):989-993.

[11] 殷春根,骆仲泱,倪明江,等.煤的工业分析至元素分析的BP神经网络预测模型[J].燃料化学学报,1999,27(5):408-414.

Yin Chungen,Luo Zhongyang,Ni Mingjiang,et al.Relationship between ultimate analysis of any coal and its proximate analysis data[J].Journal of Fuel Chemistry and Technology,1999,27(5):408-414.

[12] Li Yongxin,Li Baoqing.Study on the ultrasonic irradiation of coal water slurry[J].Fuel,2000,79(3/4):235-241.

[13] 于敦喜,徐明厚,刘小伟,等.燃煤可磨性指数的人工神经网络预测[J].煤炭技术,2003,22(9):91-93.

Yu Dunxi,Xu Minghou,Liu Xiaowei,et al.Forecast of artificial neural network for burn coal grindaiblity index[J].Coal Technology,2003,22(9):91-93.

Mathematical model based on artificial neural network for coal slurrying prediction

LI Yanchang1,2,YANG Yumeng1,2,LIU Jianzhong3

(1.College of Safty Sicence and Engineering,Liaoning Technical University,Fuxin 123000,China;2.Mine Ventilation and Heat Harm Prevention Laboratory Liaoning Technical University,Huludao 125105,China;3.State Key Laboratory of Clean Energy Utilization，Institute for Thermal Power Engineering，Zhejiang University，Hangzhou 310027，China)

Abstract:In order to improve prediction accuracy,based on experimental data of coal slurrying,BP neural network model with three input factors was set up for slurry concentration prediction.The BP neural networks' algorithm was Levenberg-Marquardt algorithm.The input data was treated in order to get accurate results.The Ad,HGI,O input factors neural network model's mean absolute errors was 0.63%,the Mad,HGI,O model's mean absolute error was 0.60% and the Mad,HGI,O/C model's mean absolute error was 0.40%,but the exist regression model's mean absolute error was 1.15%,so the neural network models were effective in predicting the slurrying,and the Mad,HGI,O/C model was the best among the three prediction models.

Key words:coal;slurryability;neural network;Levenberg-Marquardt algorithm

中图分类号：TQ536

文献标志码：A

文章编号：1006-6772(2016)01-0005-05

收稿日期：2015-01-13；责任编辑白娅娜

DOI:10.13226/j.issn.1006-6772.2016.01.002

基金项目：国家重点基础研究发展计划(973计划)资助项目(2010CB227001)

作者简介：李艳昌(1976—)，男，河北任丘人，副教授，博士，从事水煤浆制备，煤炭自燃等方面的研究。E-mail：liyanchang76@sina.com

引用格式：李艳昌，杨雨濛，刘建忠.煤种成浆性的人工神经网络预测模型研究[J].洁净煤技术，2016，22(1)：5-9.

LI Yanchang,YANG Yumeng,LIU Jianzhong.Mathematical model based on artificial neural network for coal slurrying prediction[J].Clean Coal Technology，2016，22(1)：5-9.