基于机器学习的气固流化床最小流化速度预测

包国强1，顾维根1，穆维国1，周 南1，崔 森2，李志强2,3，李妍娇3，周恩会2，3，4，赵跃民2，3，4，董 良2，3，4

(1.国家能源集团 新疆能源有限责任公司，新疆 乌鲁木齐 830002；2.中国矿业大学 人工智能研究院，江苏 徐州 221116；3.中国矿业大学 化工学院， 江苏 徐州 221116；4.煤炭加工与高效洁净利用教育部重点实验室(中国矿业大学)，江苏 徐州 221116)

摘 要:气固流化床以其高效、可灵活操作等优点广泛应用于煤化工、煤燃烧和煤炭分选等领域。最小流化速度作为气固流化床最主要的操作参数之一，与流化床的操作设计紧密相关。现有的最小流化速度预测模型大多为经验或半经验公式，其准确性和便捷性还存在较大问题。为准确预测气固流化床最小流化速度，基于机器学习建立气固流化床最小流化速度预测模型，并探索模型的内部信息。从颗粒性质与设备条件等方面综合考虑，研究气固流化床的最小流化速度，以系统评估对最小流化速度的综合影响。采用随机森林模型验证了其预测最小流化速度的可行性，并考察了设备参数、颗粒密度和颗粒粒度3个影响因素在预测最小流化速度时的相对重要性。结果表明，最小流化速度与颗粒粒径、颗粒密度和床体直径均呈正相关，皮尔逊相关系数分别为0.79、0.31、0.14，颗粒粒径与最小流化速度相关性最强。随机森林能够根据颗粒性质(密度、粒度)与床体直径准确预测最小流化速度，模型的决定系数达到0.875。特征相关性分析揭示了各特征因素对目标变量的影响方式，颗粒粒度与最小流化速度相关性最强，为预测气固流化床最小流化速度提供借鉴。

关键词:机器学习；气固流化床；最小流化速度；随机森林模型；相关性分析

中图分类号:TQ53；TK114

文献标志码:A

文章编号:1006-6772(2021)05-0025-07

收稿日期:2021-04-25;

责任编辑:张 鑫

DOI:10.13226/j.issn.1006-6772.21042554

基金项目：国家能源集团科技创新2030重大项目先导资助项目(GJNY2030XDXM-19-07.2)；江苏省自然科学基金优秀青年基金资助项目(BK20200087)

作者简介:包国强(1970—)，男，山东济宁人，助理工程师，从事煤矿选煤厂工艺管理工作。E-mail：564139558@qq.com。

通讯作者：董良，研究员，研究方向为煤炭智能精准分选。E-mail:dongl@cumt.edu.cn

引用格式:包国强，顾维根，穆维国，等.基于机器学习的气固流化床最小流化速度预测[J].洁净煤技术，2021,27(5):25-31.

BAO Guoqiang，GU Weigen，MU Weiguo,et al.Prediction of minimum fluidization velocity in gas-solid fluidized bed based on machine learning[J].Clean Coal Technology，2021,27(5):25-31.

Prediction of minimum fluidization velocity in gas-solid fluidized bed based on machine learning

BAO Guoqiang1，GU Weigen1，MU Weiguo1，ZHOU Nan1，CUI Sen2，LI Zhiqiang2,3，LI Yanjiao3，ZHOU Enhui2,3,4，ZHAO Yuemin2,3,4，DONG Liang2,3,4

(1.Xinjiang Energy Co.，Ltd.，CHN Energy，Urumqi 830002，China;2. Artificial Intelligence Research Institute，China University of Mining & Technology,Xuzhou 221116,China;3.School of Chemical Engineering & Technology，China University of Mining & Technology，Xuzhou 221116，China;4.Key Laboratory of Coal Processing and Efficient Utilization (China University of Mining & Technology)，Ministry of Education，Xuzhou 221116,China)

Abstract:Gas-solid fluidized bed is widely used in coal chemical industry，coal combustion，coal separation and other fields due to its high efficiency，flexible operation and other advantages. As one of the most important operating parameters of gas-solid fluidized bed，the minimum fluidization velocity is closely related to the operation design of fluidized bed. Most of the existing models for predicting the minimum fluidization velocity are empirical or semi-empirical formulae，and their accuracy and convenience are still insufficient. In order to accurately predict the minimum fluidization velocity of gas-solid fluidized bed,a prediction model of the minimum fluidization velocity in gas-solid fluidized bed was established based on machine learning，and the internal information behind the model was explored. The minimum fluidization velocity of gas-solid fluidized bed was studied from the aspects of particle properties and equipment conditions. The comprehensive influence on the minimum fluidization velocity was systematically evaluated. The feasibility of predicting the minimum fluidization velocity was verified by using the random forest model，and the relative importance of equipment parameters，particle density and particle size in predicting the minimum fluidization velocity was investigated. The results show that the minimum fluidization velocity is positively correlated with particle size，particle density and bed diameter. The Pearson correlation coefficients are 0.79，0.31 and 0.14，respectively. The particle size has the strongest correlation with the minimum fluidization velocity. Random forest can accurately predict the minimum fluidization velocity according to the particle properties (density，particle size) and the bed diameter，and the determination coefficient of the model is up to 0.875. The characteristic correlation analysis reveals the influence of each characteristic factor on the target variable. The correlation between particle size and minimum fluidization velocity is the strongest，which provides a new idea for predicting the minimum fluidization velocity of gas-solid fluidized bed.

Key words:machine learning;gas-solid fluidized bed;minimum fluidization velocity;stochastic forest model;correlation analysis

0 引  言

气固流化床由于其传热、传质效率高，床层稳定性好等特点，已被广泛应用于煤化工、煤燃烧和煤炭分选等工业领域[1-3]。其中最小流化速度是流化床运行最重要参数之一。作为固定床向流化床变化的转折点，最小流化速度是流态化领域研究的热点。其中ERGUN和ORNING[4]提出的床层压降方程用于预测最小流化速度应用较为普遍。

由于机器学习[5-6]预测精度较高，在学术界和工业界影响逐渐增大，并在化工领域也得到了广泛的应用。机器学习可大幅降低模型复杂性，提高预测精度，并得到更为完善且更适用的模型[7]。在机器学习中，决策树是一种决策支持工具，是利用树状图形或模型来辅助决策[8]。随机森林是一种相对较新的数据挖掘方法，是在分类和决策树的基础上发展起来，用于处理变量之间的非线性关系[9]。随机森林算法实现简单、精度高、抗过拟合能力强，当面对非线性数据时，适于作为基准模型[10]。

针对最小流化速度，由于实际过程中很难获得颗粒的球形度以及床层的最小空隙率，因此，各国学者对ERGUN的方法进行了简化处理，建立了许多经典模型[11-22]。经典模型虽能在一定程度上对最小流化速度进行预测，但模型通常是根据几个影响因素的几个试验点开发，模型预测精度存在较大误差。因此，有必要通过机器学习和数据挖掘方法，从颗粒性质(密度、粒度)与设备条件等方面综合考虑，研究气固流化床的最小流化速度，以系统评估对最小流化速度的综合影响。笔者采用随机森林验证了其预测最小流化速度的可行性，并考察了设备参数、颗粒密度和颗粒粒度共3个影响因素在预测最小流化速度时的相对重要性。随机森林模型的准确预测和模型背后的新见解为最小流化速度提供了全面的理解，并为流态化理论计算以及工业放大提供了指导。

1 研究方法

1.1 数据的收集

诸多学者在理论分析和试验测定的基础上，建立了许多经验或半经验的关联式计算最小流态化速度，见表1。

表1 气固流化床中最小流化速度模型

Table 1 Models of minimum fluidization velocity in gas-solid fluidized bed

K1、K2为学者基于最小流化速度公式Remf=

(K2 K2Ar)1/2-K1(其中，Remf和Ar分别为最小流化气速条件下的雷诺数和阿基米德数，根据颗粒形状和颗粒间堆积空隙率对其修正所得到的参数)。但由于研究所采用的物料不同，得到的关联式在预测的准确性和适用性方面也不尽相同。通过整理相关文献，考察了颗粒性质(密度、粒度)与设备条件(床体直径)对最小流化速度的影响。最小流化速度的试验数据见表2。由表2可得到26个输入变量、最小流化速度的上下限，并通过箱线图得到了特征数据的统计分布。任何2个变量之间的线性相关性由皮尔逊相关系数衡量。

表2 Geldart A类颗粒最小流化速度的试验结果

Table 2 Test results on the minimum fluidization velocity of Geldart A particles

皮尔逊相关系数r定义为

(1)

式中，xi和yi为输入变量的原始值；和分别为变量x和y的平均值；n为变量个数。

1.2 随机森林回归和验证

数据规范化(归一化)处理是数据挖掘的一项基础工作。不同评价指标往往具有不同的量纲，数值间的差别可能很大，不处理可能会影响数据分析结果。为了消除指标之间的量纲和取值范围差异的影响，需要进行标准化处理，将数据按照比例缩放，使之落入一个特定的区域，便于进行综合分析。作为输入的影响因素的数据首先通过公式(2)进行数据归一化处理：

(2)

式中，为每个输入变量的标准化值；μ和σ分别为每个输入变量的平均值和标准差。

应用随机森林对气固流化床的预测模型进行训练和优化。随机森林的实施分为以下3个子步骤[7]：① 随机采样，将数据集替换为多个子样本；② 用不同的子样本训练决策树，其中每棵树根据训练数据的自举复制尽可能地生长，每个叶子节点输出节点中所有标签值的平均值；③ 最后通过对所有树的性能进行平均，获得最终估计值。将全部数据随机分为训练组和测试组，比例为70∶30。随机森林模型的5个调谐参数包括决策树的数量、寻找最佳分割时要考虑的特征数量、树的最大深度、分割内部节点所需的最小样本数量以及位于叶节点所需的最小样本数量。决定系数也称为拟合优度，用于评价拟合的好坏，决定系数越高，代表可以被解释的程度越高，回归模型的效果越好。使用决定系数[30-31]可在测试集上评估模型的性能。

决定系数定义为

(3)

其中，和yi分别为样本的预测值和测试值；为测试值的平均值。

超参数是用训练组的数据通过网格搜索算法确定的。对决策树的数量应用循环语句，通过10倍交叉验证找到最佳超参数，衡量指标是决定系数，然后使用最佳参数重新训练模型，并用剩余的30%数据进行测试。通过网格搜索算法，分割最小数量、树的最大深度、节点内最小样本数量、最小子叶节点数分别为2、10、2、1。决策树的数量取每10个数作为一个阶段，来观察决定系数的变化，通过运行网格搜索算法，结果如图1所示，当决策树的数量达到151时，决定系数最高。

图1 决定系数与决策树数量关系
Fig.1 Relation diagram between decision
coefficient and decision tree quantity

部分相关图和相对重要性分数用于解释影响变量的重要性。FRIEDMAN[32]为了理解预测对每个影响变量的依赖性质，引入了部分依赖图。通过选择影响变量的多个值，使用其他影响变量的所有情况下的每个值预测输出，然后计算所有情况下的平均输出，可以获得部分相关图。单个随机森林中影响变量的相对重要性分数可以通过由该影响变量确定的所有分割平方改进总和来获得[33]。

2 结果和讨论

2.1 特征变量统计结果和任意2个变量线性关系

根据收集的数据集，获得了特征数据的箱线图统计分布，如图2所示。设备条件(床体直径)、颗粒性质(密度、粒度)以及最小流化速度的数值分布变化范围和离散幅度较大，且不同特征变量的数量级相差较大。其中，床体直径变化在3.5～20.0 cm；颗粒密度变化在1 150～4 600 g/cm3；颗粒粒度变化在20～143 μm；最小流化速度变化在0.10～0.87 cm/s。综上可知，各变量数据值极差较高，对预测模型的鲁棒性具有一定的挑战。为了进一步分析收集的数据集各个特征变量间的相互关系，对各个变量进行了皮尔逊相关系数分析，相关系数R的绝对值越大，特征之间的相关性越大。收集特征变量间相关性矩阵热图如图3所示。由图3可知，最小流化速度与颗粒粒径、颗粒密度和床体直径均呈正相关，相关系数分别为0.79、0.31、0.14。颗粒粒径对其影响最大，颗粒粒径增大，最小流化速度也随之增大。应用机器学习方法建立了一个高质量的预测模型，并探讨了各影响因素的相对重要性以及输入变量之间的相互作用。

图2 收集特征变量的箱线图
Fig.2 Box plot for collecting characteristic variables

图3 收集特征变量间相关性矩阵热图
Fig.3 Collect the heat map of correlation matrix
between characteristic variables

2.2 最小流化速度的随机森林模型性能评估

随机森林算法的超参数与最佳模型相对应，通过10倍交叉验证，分别用于对不同输入变量的最小流化速度预测模型的再训练。开发模型的性能如图4所示。图4(a)显示了最佳随机森林模型在测试集上预测的最小流化速度预测值与试验值的对比结果，图4(b)显示了最佳随机森林模型在测试上获得了最大决定系数0.875，实现了较低的损失和较高的决定系数。因此，最佳随机森林模型可以很好地推广到测试集上，最佳随机森林模型在预测最小流化速度方面较为准确。

图4 测试集上最佳随机森林模型的性能
Fig.4 Performance of the optimal random
forest model on the test set

2.3 最小流化速度预测部分相关图

床层直径、颗粒密度和颗粒粒度的数值作为因素特征用于最小流化速度预测，评估了各因素对最小流化速度的相对重要性。如图5所示，所有重要性分数的总和被定标为1，各特征因素的重要性由大到小依次为：颗粒粒径、颗粒密度和床体直径。该排序与文中各个变量的皮尔逊相关系数分析的相关性结果一致。颗粒粒径的重要性得分为0.783，成为最小流化速度最敏感的变量，超过了颗粒密度的权重，远超过了床体直径的权重。床体直径的重要性得分为0.018 78，对最小流化速度的影响较小。颗粒粒度对最小流化速度的影响最大，而床体直径影响最小，该结论与付芝杰[34]的研究结论相符。

图5 影响变量的重要性得分
Fig.5 Importance score of the influencing variables

在确定了每个输入特征变量的相对重要性之后，需要更好地理解输入变量和输出变量之间的依赖关系。一般来说，当一个影响变量发生变化时，输出响应越大，该影响变量就越显著。此外，通过分析输出随该影响变量的变化，可以观察到影响变量和输出变量之间呈正相关或负相关。通过对所有特征的值进行平均，部分相关图被用于可视化某1个或2个特征对最小流化速度的总体影响趋势。单向部分依赖性的结果如图6所示，其中x轴上的刻度表示目标特征值的分形，反映了数密度。由图6可知，颗粒粒度对最小流化速度的影响呈近似线性上升，但斜率随着粒径的升高而逐渐减小，如图6(a)所示。颗粒密度对最小流化速度的整体影响线性上升波动较低，颗粒密度在1 150～4 600 g/cm3时，斜率随着密度的升高而几乎保持不变，如图6(b)所示。床体直径对最小流化速度的影响最小，其依赖性为近似水平的直线，如图6(c)所示。部分相关图和影响变量的相对重要性分数揭示了重要的发现，并指出最小流化速度预测的研究潜力。

图6 预测最小流化速度的最佳随机森林模型中特征变量的部分相关图
Fig.6 Partial correlation diagram of characteristic variables in an optimal random forest model for predicting the minimum fluidization rate

3 结  论

1)利用随机森林的机器学习方法，从床层直径、颗粒密度和颗粒粒度3个方面预测了气固流化床的最小流化速度。最小流化速度与颗粒粒径、颗粒密度和床体直径均呈正相关，皮尔逊相关系数分别为0.79、0.31、0.14，颗粒粒径与最小流化速度相关性最强。

2)通过网格搜索算法，得到了最佳随机森林模型，并在测试上获得了最大决定系数0.875，实现了较低的损失和较高的决定系数。

3)通过部分相关图和影响变量的相对重要性分数分析，得知颗粒粒径对气固流化床的最小流化速度的变化起主要作用。同时，得到了各特征因素对最小流化速度的影响方式，同时验证了收集特征变量间的皮尔逊相关系数分析的正确性。

参考文献（References）:

[1] GAO Z，CHAI X，ZHOU E，et al. Effect of the distributor plugging ways on fluidization quality and particle stratification in air dense medium fluidized bed[J]. International Journal of Mining Science and Technology，2020，30(6):883-888.

[2] SHENG C，DUAN C，ZHAO Y，et al. Analysis and evaluation on pressure fluctuations in air dense medium fluidized bed[J]. International Journal of Mining Science and Technology，2018，28(3):461-467.

[3] DONG L，ZHOU E，PENG L，et al. Analysis of interaction between bubbles and particles in a dense gas-vibro fluidized bed[J]. Chemical Engineering Science，2016，161:265-273.

[4] ERGUN S，ORNING A A. Fluid flow through randomly packed columns and fluidized beds[J]. Industrial & Engineering Chemistry，1949，41(6):1179-1184.

[5] CHEW J W，COCCO R A. Application of machine learning methods to understand and predict circulating fluidized bed riser flow characteristics[J]. Chemical Engineering Science，2020，217:115503.

[6] ZHANG P，YANG Y，HUANG Z，et al. Machine learning assisted measurement of solid mass flow rate in horizontal pneumatic conveying by acoustic emission detection[J]. Chemical Engineering Science，2020，229:116083.

[7] PATEL A M，COCCO R A，CHEW J W. Key influence of clusters of Geldart Group B particles in a circulating fluidized bed riser[J]. Chemical Engineering Journal，2020，413:127386.

[8] HASTIE T，TIBSHIRANI R，FRIEDMAN J. The elements of statistical learning:Data mining，inference，and prediction[M]. New York:Springer，2009.

[9] LEO Breiman. Random forests[J]. Machine Learning，2001,45：5-32.

[10] HUTENGS C，VOHLAND M. Downscaling land surface temperatures at regional scales with random forest regression[J]. Remote Sensing of Environment，2016，178:127-141.

[11] WEN C Y，YU Y H. A generalized method for predicting the minimum fluidization velocity[J]. AIChE Journal，1966，12(3):610-612.

[12] GRACE J R. Handbook of multiphase systems[M]. New York:Hemisphere Press，1982.

[13] VAID R P，GUPTA P S. Minimum fluidization velocities in beds of mixtures[J]. The Canadian Journal of Chemical Engineering，1978，56:292-296.

[14] CHITESTER D C，KORNOSKY R M，FAN L S，et al. Characteristics of fluidization at high pressure[J]. Chemical Engineering Science，1984，39(2):253-261.

[15] ZHENG Z X，YAMAZAKIi R，JIMBO G. Minimum fluidization velocity of large particles at elevated-temperatures[J]. Kagaku Kogaku Ronbunshu，1985，11(1):115-117.

[16] CHYANG C S，HUANG W C. Characteristics of large particle fluidization[J]. Journal of The Chinese Institution of Chemical Engineers，1988，19(2):81-89.

[17] WU S Y，BANEYENS J. Effect of operating temperature on minimum fluidization velocity[J]. Powder Technology，1991，67(2):217-220.

[18] K. Prediction of the minimum fluidization velocity[J]. Powder Technology，1994，81(2):197-199.

[19] REINA J，VELO E，PUIGJANER L. Predicting the minimum fluidization velocity of polydisperse mixtures of scrap-wood particles[J]. Powder Technology,2000,111(3):245-251.

[20] MOHANTA S，DARAM A B，CHAKRABORTY S. Characteristics of minimum fluidization velocity for magnetite powder used in an air dense medium fluidized bed for coal beneficiation[J]. Particle & Particle Systems Characterization，2012，29(4):228-237.

[21] PAUDEL B，FENG Z G. Prediction of minimum fluidization velocity for binary mixtures of biomass and inert particles[J]. Powder Technology，2013，237:134-140.

[22] TANNOUS K，LOURENÇO J B. Fluid dynamic and mixing characteristics of biomass particles in fluidized beds[M].Brazil:IGI Global，2015.

[23] 周晨阳. Geldart A类加重质气固分选流化床的密度调控研究[D]. 徐州：中国矿业大学，2019.

[24] CHERNTONGCHAI P. On the fluidization characteristics of fine powders[D]. London:University of London，2006.

[25] FELIPE C A S，ROCHA S C S. Prediction of minimum fluidization velocity of gas-solid fluidized beds by pressure fluctuation measurements:Analysis of the standard deviation methodology[J]. Powder Technology，2007，174(3):104-113.

[26] LOCKETT M J，GUNNARSSON G. The delayed bubbling of gas fluidised beds[J]. Chemical Engineering Science，1973，28(2):666-668.

[27] WONG A C Y. Use of angle of repose and bulk densities for powder characterization and the prediction of minimum fluidization and minimum bubbling velocities[J]. Chemical Engineering Science，2002，57(14):2635-2640.

[28] VASCONCELOS P D S，MESQUITA A L A. Minimum and full fluidization velocity for alumina used in the aluminum smelter[J]. International Journal of Engineering Business Management，2011，3:23.

[29] PARK W H，KANG W K，Capes C E. The properties of bubbles in fluidized beds of conducting particles as measured by an electroresistivity probe[J]. Chemical Engineering Science，1969，24(5):851-865.

[30] 白继亮,李斌,朱琎琦,等.基于BP神经网络的CFB锅炉飞灰含碳量建模[J].洁净煤技术,2020,26(1):212-217.

BAI Jiliang，LI Bin，ZHU Jinqi，et al. Mpdeling of carbon content in fly ash of CFB boiler based on BP neural network[J]. Clean Coal Technology，2020，26(1):212-217.

[31] 黄堃,杨文,丁孝华.基于集成神经网络的水泥生产能耗建模[J].洁净煤技术,2020,26(5):103-110.

HUANG Lei，YANG Wen，DING Xiaohua. Energy consumption modeling of cement production based on integrated neural network[J]. Clean Coal Technology，2020,26(5):103-110.

[32] FRIEDMAN J H. Greedyfunction approximation:A gradient boosting machine[J]. Annals of Statistics，2001，29(5):1189-1232.

[33] MOISEN G G. Classification and regression trees[M]//JØRGE-NSEN S E，FATH B D. Encyclopedia of Ecology.Oxford:Academic Press，2008:582-588.

[34] 付芝杰. 气固分选流化床两相分布及密度调控机制研究[D]. 徐州：中国矿业大学，2017.