学位论文 > 优秀研究生学位论文题录展示

基于神经网络对配煤成浆性的预测研究

作　者: 曹晓哲
导　师: 刘建忠；程军
学　校: 浙江大学
专　业: 工程热物理
关键词: 水煤浆成浆性配煤回归分析神经网络
分类号: TQ534.4
类　型: 硕士论文
年　份: 2010年
下　载: 35次
引　用: 0次
阅　读: 论文下载

内容摘要

本文主要目的为提高水煤浆成浆性能和建立高精度的水煤浆配煤成浆性能预测模型,应用回归模型和神经网络模型等预测模型对水煤浆的制备与开发进行了一系列的基础性研究。首先,通过实验研究了煤种理化特性参数对煤成浆性的影响,考察了煤种的Mad、Aad和Oad等几种因素与煤种的成浆性之间的关系。由实验结果可以发现煤种的成浆性是由多种因素决定的，而且几种因素之间的关系又较为复杂,单独的用一种影响因素来分析一个煤种的成浆性是不科学的。由于各种单煤的性质不同,混合后的不同煤种在成浆过程中相互影响,相互制约,因此配煤成浆性不可能是各组分煤种特性的简单叠加,而是呈现出非常复杂的非线性特征,而日益兴起的神经网络技术正是解决配煤非线性问题的有效方法。通过分析煤种的各性质与成浆性能的相关性,选择了十种因素进行了回归分析的预测,来与神经网络模型进行对比。通过对十因子、九因子、五因子、四因子和三因子的线性和非线性分析,预测结果最好的是五因子的线性回归模型,预测结果的误差为1.69%。共进行了十因子、九因子、五因子、四因子和三因子的组合的煤种的成浆性能影响因素的神经网络预测分析。通过对比每种输入因子数的最佳模型参数和误差,发现其中五因子神经网络预测模型的结果最好,其预测结果的误差到了0.49%的水平,大大低于五因子线性回归模型,同时每种输入因子数的神经网络预测模型结果都比相对应的回归方程的结果要好。

全文目录

致谢  5-6
摘要  6-7
Abstract  7-8
目次  8-11
第1章绪论  11-24
  1.1 引言  11-13
  1.2 水煤浆技术的发展  13-14
    1.2.1 国外水煤浆技术的发展情况  13-14
    1.2.2 我国水煤浆技术发展现状  14
  1.3 水煤浆的制备工艺  14-18
  1.4 水煤浆配煤预测技术的研究现状  18-20
  1.5 论文研究主要内容和目标  20-21
    1.5.1 论文研究主要内容  20-21
    1.5.2 研究目标  21
  1.6 参考文献  21-24
第2章实验设备及实验方法  24-31
  2.1 实验设备与仪器  24-27
    2.1.1 小型制浆设备  24
    2.1.2 哈氏可磨性测定仪  24-25
    2.1.3 旋转粘度计  25-27
    2.1.4 其他设备  27
  2.2 主要实验方法  27-31
    2.2.1 煤的可磨性指数测定方法  27-29
    2.2.2 水煤浆制备方法  29
    2.2.3 粘度的测定方法  29
    2.2.4 水煤浆浓度的测定方法  29-30
    2.2.5 稳定性评价方法  30-31
第3章配煤对成浆性的影响  31-48
  引言  31
  3.1 煤种特性参数对成浆性影响  31-35
    3.1.1 内水分对成浆性的影响  32-33
    3.1.2 灰分对成浆性的影响  33-34
    3.1.3 氧含量对成浆性的影响  34
    3.1.4 可磨性系数对成浆性能的影响  34-35
  3.2 配煤的成浆性能  35-46
    3.2.1 神木煤的配煤成浆情况  37-38
    3.2.2 乌沙山配煤成浆情况  38-39
    3.2.3 上湾配煤成浆情况  39-41
    3.2.4 埔连塔配煤成浆情况  41-42
    3.2.5 大同烟煤配煤成浆情况  42-43
    3.2.6 贵州无烟煤配煤成浆情况  43-44
    3.2.7 配煤成浆性情况分析  44
    3.2.8 配煤实测浓度与加权计算浓度比较  44-46
  3.3 本章小结  46
  3.4 参考文献  46-48
第4章回归分析  48-57
  引言  48
  4.1 相关性分析  48-49
  4.2 线性回归分析  49-54
    4.2.1 线性回归分析试验方法  49-50
    4.2.2 线性回归的结果分析  50-54
  4.3 非线性回归分析  54-55
  4.4 本章小结  55-56
  4.5 参考文献  56-57
第5章 BP神经网络介绍与数据和参数的处理  57-72
  引言  57
  5.1 BP神经网络介绍  57-63
    5.1.1 人工神经网络的发展过程  57-58
    5.1.2 BP神经网络理论  58-59
    5.1.3 BP神经网络的优缺点  59-60
    5.1.4 BP神经网络算法介绍  60-63
  5.2 BP神经网络数据与参数的处理  63-69
    5.2.1 数据的准备  63-66
    5.2.2 数据的预处理  66-67
    5.2.3 输入层参数的选择  67-68
    5.2.4 学习精度的选择  68-69
    5.2.5 中间层节点数的确定  69
  5.3 本章小结  69-70
  5.4 参考文献  70-72
第6章利用神经网络预测混煤成浆性  72-82
  6.1 神经网络模型的结构  72-73
  6.2 煤种成浆性的神经网络分析结果  73-79
    6.2.1 十因子神经网络预测模型的结果与分析  73-74
    6.2.2 九因子神经网络预测模型的结果与分析  74-76
    6.2.3 五因子神经网络预测模型的结果与分析  76
    6.2.4 四因子神经网络预测模型的结果与分析  76-78
    6.2.5 三因子神经网络预测模型的结果与分析  78-79
  6.3 神经网络模型的适应性验证  79-80
    6.3.1 验证煤种选择  79
    6.3.2 验证结果  79-80
  6.4 与回归模型对比  80-81
  6.5 本章小结  81
  6.6 参考文献  81-82
第7章全文总结及工作展望  82-84
  7.1 全文总结  82-83
    7.1.1 配煤成浆性能的研究  82
    7.1.2 利用回归分析对配煤成浆性的预测  82
    7.1.3 利用神经网络对配煤成浆性的预测  82-83
  7.2 本文创新点  83
  7.3 工作展望  83-84

基于神经网络对配煤成浆性的预测研究

内容摘要

全文目录

相似论文