CN105547927B - 一种基于bp人工神经网络的煤尘润湿接触角估算方法 - Google Patents
一种基于bp人工神经网络的煤尘润湿接触角估算方法 Download PDFInfo
- Publication number
- CN105547927B CN105547927B CN201510907475.3A CN201510907475A CN105547927B CN 105547927 B CN105547927 B CN 105547927B CN 201510907475 A CN201510907475 A CN 201510907475A CN 105547927 B CN105547927 B CN 105547927B
- Authority
- CN
- China
- Prior art keywords
- mrow
- coal dust
- contact angle
- artificial neural
- wetting contact
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Solid Fuels And Fuel-Associated Substances (AREA)
Abstract
一种基于BP人工神经网络的煤尘润湿接触角估算方法,包括以下工艺步骤:(1)选择影响煤尘润湿接触角的主要因素作为输入变量;(2)采集输入变量的样本数据并进行归一化处理;(3)构建煤尘润湿接触角的BP人工神经网络结构;(4)利用MATLAB编译程序对所构建的煤尘润湿接触角的BP人工神经网络进行网络训练;(5)获得目标煤尘润湿接触角的估算值;(6)比较煤尘润湿接触角的估算结果和实测结果的误差。本发明首次提出一种基于BP人工神经网络的煤尘润湿接触角估算方法,利用影响煤尘润湿性能的煤质化学组成和结构参数作为输入量,构建的BP人工神经网络对煤尘润湿接触角的估算误差在‑10.778%~8.492%之间。
Description
技术领域
本发明属于煤尘润湿接触角估算技术领域,具体涉及一种基于BP人工神经网络的煤尘润湿接触角估算方法。
背景技术
我国经济的高速增长是建立在能源高消耗基础上的。进入21世纪以来,我国能源消耗呈线性增长,2005年我国原煤消耗量为22.68亿吨,2013年煤炭消耗总量达到39亿多吨。我国一次能源消费中煤炭约占能源消耗总量的70%,其中约90%的煤炭来自地下开采。据中国工程院预测,2050年我国煤炭消耗量仍将占能源消耗总量的50%左右。随着矿井及综掘工作面朝着大型化和机械自动化方向发展,采煤各断面煤尘产生量越来越大,矿井作业环境持续恶化。有资料显示,煤炭采掘过程中若不采取有效防尘控尘措施,采掘工作面煤尘浓度最高可达1000~3000mg/m3,其中呼吸性粉尘所占比例达20%~40%。
煤矿企业通常采用通风排尘、湿法喷雾降尘和干法控尘除尘等措施以降低煤炭开采过程产生的煤尘浓度,而我国90%以上的矿井采用湿法喷雾降尘技术。该技术利用具有一定压力的水在喷嘴嘴部喷气作用下,高速运动的水流与空气发生碰撞并不断破裂而形成微细水雾,空气中运动的颗粒物与微细雾滴发生碰撞或因拦截作用使颗粒增重而沉降。有资料表明,采用喷雾降尘装置可使作业环境中煤尘量减少85%~95%;但也有大量资料表明,矿井煤尘总降尘率不足50%,特别是细小颗粒降尘效率不足30%。煤质组成及其结构直接影响了煤尘颗粒与液体的润湿性能,液体-固体润湿性差是导致喷雾降尘效率低的主要因素。也就是说,润湿性能差的煤尘采用湿法喷雾降尘是一种选择不当的控尘除尘措施。进行煤尘润湿性能的有效判断是控尘降尘措施选择的依据,矿井控尘除尘措施选择得当将大大降低综掘工作面煤尘浓度。
目前,煤尘润湿性是通过实验测定煤尘与液体接触角来表征的,接触角越大,煤尘润湿性能越差,接触角越小,润湿性能越好。研究表明,当煤尘润湿接触角超过76°时,采用湿法喷雾控尘除尘措施,矿井煤尘浓度将可能严重超过国家规定的浓度限值要求。煤尘润湿接触角的实验测定过程较为复杂,涉及煤样粉碎、加压成型、样品浸泡和接触角测定仪测定等过程,接触角测定涉及多种专用仪器,耗时较长且测定费用较高。国内现有资源无法满足企业在矿井设计阶段前完成接触角的测定。因此,亟待开发出一种有效估算煤尘润湿接触角的方法,估算结果用于指导煤矿井选择有效的防尘控尘措施,对降低综掘工作面煤尘浓度以改善综掘工作面的空气品质具有重要的现实意义。
发明内容
针对现有技术存在的问题,本发明提供一种基于BP人工神经网络的煤尘润湿接触角估算方法。本发明的技术方案如下:
一种基于BP人工神经网络的煤尘润湿接触角估算方法,包括以下工艺步骤:
(1)选择影响煤尘润湿接触角的主要因素作为BP人工神经网络的输入变量;
(2)采集输入变量的样本数据并进行归一化处理,使所有样本数据在[0,1]范围内;
(3)构建煤尘润湿接触角的BP人工神经网络结构;
(4)利用MATLAB编译程序对所构建的煤尘润湿接触角的BP人工神经网络进行网络训练,得到不同隐含层节点数和激励函数条件下的误差均值和误差标准差,确定最佳隐含层节点数和激励函数;
(5)利用MATLAB编译程序确定煤尘润湿接触角的BP人工神经网络的输入层与隐含层、隐含层与输出层的连接权重,并获得目标煤尘润湿接触角的估算值;
(6)比较煤尘润湿接触角的估算结果和实测结果的误差,验证所构建的BP人工神经网络的估算精度。
煤尘润湿接触角主要受到煤质化学组成和结构的影响。煤质化学组成包括工业分析中的固定碳(FCad)、挥发分(Vad)、灰分(Aad)、水分(Mad)和元素分析中的碳元素(Cdaf)、氧元素(Odaf)、氢元素(Hdaf)、氮元素(Ndaf)和硫元素(Sdaf)含量,结构参数包括煤孔隙平均孔径、比孔容、O/C比、H/C比,因此输入变量涉及13个因素,输出目标为煤尘润湿接触角。
所述步骤(1)的输入变量为煤尘中固定碳含量、挥发分含量、灰分含量、水分含量、碳含量、氧含量、氢含量、氮含量、硫含量、平均孔径、比孔容、O/C比和H/C比。
所述步骤(2)采集输入变量的样本数据涉及的煤矿种类为褐煤、黏煤、长焰煤、气煤、肥煤、焦煤、瘦煤、贫煤、无烟煤。
所述步骤(2)的样本数据归一化处理采用的公式为:
公式[1]中x表示输入变量的样本数据,min{x}表示输入变量的最小值,max{x}表示输入变量的最大值,y表示归一化后输入变量的输出数据。
所述步骤(3)煤尘润湿接触角的BP人工神经网络的结构为:输入层,隐含层和输出层,其中输入层的节点个数为13,输出层的节点个数为1。
所述步骤(4)煤尘润湿接触角的BP人工神经网络的网络训练过程是将线性函数与对数S形转移函数组合、两层对数S形转移函数、两层双曲正切S形函数这三种组合方法并采用十折交叉验证的寻参方式,采用误差梯度下降式反向传播算法调整隐含层节点数和激励函数,使网络训练误差收敛至0.00001,最终确定的隐含层节点数为20~22个,最佳隐含层节点数为21个,激励函数采用两层对数S形转移函数,所述对数S形转移函数为:
公式[2]中y表示归一化后输入变量的输出数据,a为对数S形转移函数的斜率参数,f(y)为激励函数。
所述步骤(5)是在步骤(4)所得隐含层节点数为20~22、激励函数采用两层对数S形转移函数的基础上,重新采集煤矿煤质数据并进行归一化处理,将归一化处理后的数据输入MATLAB编译程序中,得出输入层与隐含层、隐含层与输出层连接权重,并获得目标煤尘润湿接触角的估算值,所述煤矿涉及褐煤、黏煤、长焰煤、气煤、肥煤、焦煤、瘦煤、贫煤、无烟煤。
所述步骤(6)煤尘润湿接触角的估算结果和实测结果的误差范围在-10.778%~8.492%之间。
本发明的有益效果为:
本发明首次提出一种基于BP人工神经网络的煤尘润湿接触角估算方法,利用影响煤尘润湿性能的煤质化学组成和结构参数共13个参量作为煤尘润湿接触角估算的输入量,构建的BP人工神经网络对煤尘润湿接触角的估算误差在-10.778%~8.492%之间,可有效估算煤尘润湿接触角,进而指导煤矿井选择有效的防尘控尘措施。
附图说明
图1为本发明实施例1的基于BP人工神经网络的煤尘润湿接触角估算方法的流程图。
图2为本发明实施例1的BP神经网络结构示意图,其中:w(1) lk(l=1,2,...,13;k=1,2,...,22)为输入层与隐含层之间的连接权重;w(2) k3(k=1,2,...,22)为隐含层与输出层之间的连接权重。
具体实施方式
下面结合附图对本发明的一种实施例作进一步说明。
本发明实施例中,采集数据所涉及的煤矿种类包括褐煤、黏煤、长焰煤、气煤、肥煤、焦煤、瘦煤、贫煤、无烟煤,涵盖了我国煤工业领域中主要煤种。
本发明实施例的基于BP人工神经网络的煤尘润湿接触角估算方法,工艺流程图如图1所示,包括以下步骤:
(1)选择煤尘中固定碳含量、挥发分含量、灰分含量、水分含量、碳含量、氧含量、氢含量、氮含量、硫含量、平均孔径、比孔容、O/C比和H/C比13个因素作为BP人工神经网络的输入变量,输出目标为煤尘润湿接触角;
(2)在全国范围内40多家煤矿企业共采集200个煤样本,按照GB/T212-2008测量这些样本的固定碳含量、挥发分含量、灰分含量、水分含量;按照GB/T476-2001和GB/T476-2008测量这些样本的碳含量、氧含量、氢含量、氮含量、硫含量;
平均孔径和比孔容数据是通过将粒径小于120目的煤样,在120℃条件下干燥5小时,于0.010-0.995相对压力条件下和温度为77.5K条件下,采用3H-2000系列全自动氮吸附分析测定仪测定煤样吸附等温线和脱附等温线;采用BET多层吸附方程(见公式[3])处理数据,并采用公式[4]计算比表面积,然后根据公式[5]~[6]最终获得;相关公式如下所示:
公式[3]中,Vm表示吸附剂被覆盖满一层时被吸附气体标态体积,m3;V表示在气体分压为p时被吸附气体的标态体积,m3;p表示气体分压,Pa;p0表示在吸附温度条件下吸附质的饱和蒸汽压,Pa;C表示与吸附热有关的常数;
公式[4]中,δ表示比表面积,m2/g;Vm表示吸附剂被覆盖满一层时被吸附气体标态体积;NA表示阿伏加德罗常数,6.023×1023mol-1;A表示N2单个吸附质分子的截面积,13.8×10-20m2;m表示煤质量,g;
公式[5]中,V2表示煤样比孔容,m3/g;V1表示煤样总体积,m3;ε为煤样孔隙率;
公式[6]中,d表示平均孔直径,m;V2表示煤样比孔容,m3/g;δ表示煤样比表面积,m2/g。
O/C比和H/C比分别表示煤尘中的氧碳摩尔比和氢碳摩尔比,其数据通过公式[7]和[8]计算得到:
公式[7]中,XO/C表示氧碳摩尔比,MO和MC分别表示氧、碳的原子量,Odaf和Cdaf分别表示煤尘中氧含量和碳含量;
公式[8]中,XH/C表示氢碳摩尔比,MH和MC分别表示氢、碳的原子量,Hdaf和Cdaf分别表示煤尘中氢含量和碳含量;
采用公式[1]对上述数据进行归一化处理,使所有样本数据在[0,1]范围内;
(3)构建煤尘润湿接触角的BP人工神经网络结构,如图2所示:输入层,隐含层和输出层,其中输入层的节点个数为13,输出层的节点个数为1;
(4)利用MATLAB编译程序对所构建的煤尘润湿接触角的BP人工神经网络进行网络训练,得到不同隐含层节点数和激励函数条件下的误差均值和误差标准差,确定最佳隐含层节点数和激励函数;
隐含层节点数的确定过程是个较为复杂的问题,往往需要根据设计者的经验并结合多次实验结果来确定,并且没有理想的解析式来表示。若隐含层节点数太少,网络能够获取的信息有限;若隐含层节点数太多,不仅会导致学习时间过长,而导致得到的误差结果不一定最佳,还可能出现不能识别未经训练样本的情况,即“过度吻合”问题。因此合理选择隐含层节点数非常重要,本发明通过将将线性函数与对数S形转移函数组合、两层对数S形转移函数、两层双曲正切S形函数这三种组合方法,其中:
线性函数为:f(y)=y [9],
对数S形转移函数为:
双曲正切S形函数:
公式[2]、[9]、[10]中y表示归一化后输入变量的输出数据,a为对数S形转移函数的斜率参数,f(y)为激励函数。采用误差梯度下降式反向传播算法调整隐含层节点数和激励函数,使网络训练误差收敛至0.00001,最终确定的隐含层节点数为20~22个,最佳隐含层节点数为21个,激励函数采用两层对数S形转移函数;
(5)利用MATLAB编译程序确定煤尘润湿接触角的BP人工神经网络的输入层与隐含层、隐含层与输出层的连接权重,并获得目标煤尘润湿接触角的估算值;
在获得本实施例的BP神经人工神经网络的隐含层节点数为21个、激励函数采用两层对数S形转移函数后,重新采集100个煤样本并进行归一化处理到[0,1]范围内,将归一化处理后的数据输入MATLAB编译程序中,得出输入层与隐含层、隐含层与输出层的连接权重,并获得目标煤尘润湿接触角的估算值,其中输入层至隐含层的连接权重和隐含层至输出层的连接权重分别如表1和表2所示;
表1输入层至隐含层的连接权重
表2隐含层至输出层的连接权重
隐含层节点 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
连接权重 | -1.11423 | 0.728352 | 3.955513 | -4.65539 | -2.30274 | -3.07046 | 1.309323 |
隐含层节点 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
连接权重 | 1.829205 | 2.30216 | 4.540726 | 1.912076 | -3.2478 | 1.029377 | 1.365501 |
隐含层节点 | 15 | 16 | 17 | 18 | 19 | 20 | 21 |
连接权重 | 2.515502 | 4.457492 | -2.08673 | -2.63862 | -0.41046 | -0.88904 | -3.28545 |
(6)比较煤尘润湿接触角的估算结果和实测结果的误差在-10.778%~8.492%之间。
Claims (5)
1.一种基于BP人工神经网络的煤尘润湿接触角估算方法,其特征在于包括以下工艺步骤:
(1)选择影响煤尘润湿接触角的主要因素作为BP人工神经网络的输入变量,所述输入变量为煤尘中固定碳含量、挥发分含量、灰分含量、水分含量、碳含量、氧含量、氢含量、氮含量、硫含量、平均孔径、比孔容、O/C比和H/C比;
(2)采集输入变量的样本数据并进行归一化处理,使所有样本数据在[0,1]范围内;
(3)构建煤尘润湿接触角的BP人工神经网络结构;所述BP人工神经网络的结构为:输入层,隐含层和输出层;
(4)利用MATLAB编译程序对所构建的煤尘润湿接触角的BP人工神经网络进行网络训练,得到不同隐含层节点数和激励函数条件下的误差均值和误差标准差,确定最佳隐含层节点数和激励函数;
(5)利用MATLAB编译程序确定煤尘润湿接触角的BP人工神经网络的输入层与隐含层、隐含层与输出层的连接权重,并获得目标煤尘润湿接触角的估算值;
(6)比较煤尘润湿接触角的估算结果和实测结果的误差,验证所构建的BP人工神经网络的估算精度。
2.根据权利要求1所述的一种基于BP人工神经网络的煤尘润湿接触角估算方法,其特征在于所述步骤(2)的样本数据归一化处理采用的公式为:
<mrow>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>min</mi>
<mo>{</mo>
<mi>x</mi>
<mo>}</mo>
</mrow>
<mrow>
<mi>max</mi>
<mo>{</mo>
<mi>x</mi>
<mo>}</mo>
<mo>-</mo>
<mi>min</mi>
<mo>{</mo>
<mi>x</mi>
<mo>}</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
公式[1]中x表示输入变量的样本数据,min{x}表示输入变量的最小值,max{x}表示输入变量的最大值,y表示归一化后输入变量的输出数据。
3.根据权利要求1所述的一种基于BP人工神经网络的煤尘润湿接触角估算方法,其特征在于步骤(3)煤尘润湿接触角的BP人工神经网络结构中输入层的节点个数为13,输出层的节点个数为1。
4.根据权利要求1所述的一种基于BP人工神经网络的煤尘润湿接触角估算方法,其特征在于所述步骤(4)确定的隐含层节点数为20~22个,激励函数采用两层对数S形转移函数,所述对数S形转移函数为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>a</mi>
<mi>y</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
<mn>0</mn>
<mo><</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mn>1</mn>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
公式[2]中y表示归一化后输入变量的输出数据,a为对数S形转移函数的斜率参数,f(y)为激励函数。
5.根据权利要求1所述的一种基于BP人工神经网络的煤尘润湿接触角估算方法,其特征在于所述步骤(4)确定的最佳隐含层节点数为21个,激励函数采用两层对数S形转移函数,所述对数S形转移函数为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>a</mi>
<mi>y</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
<mn>0</mn>
<mo><</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mn>1</mn>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
公式[2]中y表示归一化后输入变量的输出数据,a为对数S形转移函数的斜率参数,f(y)为激励函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510907475.3A CN105547927B (zh) | 2015-12-09 | 2015-12-09 | 一种基于bp人工神经网络的煤尘润湿接触角估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510907475.3A CN105547927B (zh) | 2015-12-09 | 2015-12-09 | 一种基于bp人工神经网络的煤尘润湿接触角估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105547927A CN105547927A (zh) | 2016-05-04 |
CN105547927B true CN105547927B (zh) | 2018-04-27 |
Family
ID=55827269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510907475.3A Expired - Fee Related CN105547927B (zh) | 2015-12-09 | 2015-12-09 | 一种基于bp人工神经网络的煤尘润湿接触角估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105547927B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113049453B (zh) * | 2021-03-15 | 2022-06-14 | 中国石油大学(北京) | 原位润湿角测定装置和基于深度学习的润湿角确定方法 |
CN117236464A (zh) * | 2023-08-21 | 2023-12-15 | 中国地质大学(北京) | 利用小样本数据增强技术建立煤润湿性预测模型的方法 |
CN117423404B (zh) * | 2023-10-18 | 2024-04-26 | 中国地质大学(北京) | 煤储层润湿性参数的获取方法、终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07105163A (ja) * | 1993-10-01 | 1995-04-21 | Sankyo Seiki Mfg Co Ltd | ニューラルネットワークシステム |
CN101029892A (zh) * | 2007-03-30 | 2007-09-05 | 浙江大学 | 基于蚁群优化bp神经网络模型的煤灰熔点预测方法 |
CN101059431A (zh) * | 2007-05-11 | 2007-10-24 | 上海师范大学 | 镰刀菌属真菌的红外指纹快速鉴定方法 |
CN101158674A (zh) * | 2007-11-15 | 2008-04-09 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
CN101995436A (zh) * | 2010-10-26 | 2011-03-30 | 江苏大学 | 基于神经网络的拉深件裂纹监测方法 |
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
-
2015
- 2015-12-09 CN CN201510907475.3A patent/CN105547927B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07105163A (ja) * | 1993-10-01 | 1995-04-21 | Sankyo Seiki Mfg Co Ltd | ニューラルネットワークシステム |
CN101029892A (zh) * | 2007-03-30 | 2007-09-05 | 浙江大学 | 基于蚁群优化bp神经网络模型的煤灰熔点预测方法 |
CN101059431A (zh) * | 2007-05-11 | 2007-10-24 | 上海师范大学 | 镰刀菌属真菌的红外指纹快速鉴定方法 |
CN101158674A (zh) * | 2007-11-15 | 2008-04-09 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
CN101995436A (zh) * | 2010-10-26 | 2011-03-30 | 江苏大学 | 基于神经网络的拉深件裂纹监测方法 |
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
Non-Patent Citations (1)
Title |
---|
煤尘的润湿机理研究;杨静;《中国优秀博硕士学位论文全文数据库(博士)》;20111130(第11期);第58-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105547927A (zh) | 2016-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105547927B (zh) | 一种基于bp人工神经网络的煤尘润湿接触角估算方法 | |
CN104258812B (zh) | 一种金属元素改良生物炭基硝酸根吸附剂及其制备方法 | |
CN102798565B (zh) | 饱和蒸气法模拟呼出气体酒精含量配气装置及其浓度算法 | |
Sun et al. | Mechanism of SO 2 adsorption and desorption on commercial activated coke | |
CN105498497A (zh) | 多变量控制的烟气脱硫脱硝一体化设备及其控制方法 | |
CN103203174A (zh) | 一种捕集燃煤电厂烟气中so2和co2并生产化工产品的方法 | |
WO2009029876A4 (en) | Scrubber for reactive gasses | |
CN105363340B (zh) | 一种同时脱硫脱硝活性炭干法烟气净化方法及净化装置 | |
CN113808679B (zh) | 一种基于煤中活性矿物质预测活性焦低温脱硫脱硝性能的方法 | |
CN103480355B (zh) | 适用于天然气大型硫回收装置的有机硫水解催化剂及其制备方法 | |
CN109086949B (zh) | 基于煤气成份变化的高炉煤气发生量及其热值预测方法 | |
CN114216349B (zh) | 一种基于编码解码网络的烧结终点预报方法 | |
CN111564184A (zh) | 燃煤电厂石灰石-石膏湿法脱硫so3协同脱除效率预测方法 | |
CN104248969A (zh) | 天然气大型硫回收装置配套有机硫水解催化剂及制备方法 | |
CN104226300B (zh) | 一种scr催化剂及其制备方法 | |
CN106777466A (zh) | 基于st‑upfnn算法的高含硫天然气净化工艺的动态演化建模方法 | |
CN107977736B (zh) | 基于热值平衡的燃料气系统的优化方法及系统 | |
CN107174926B (zh) | 一种自动控制的脱硫脱硝装置 | |
CN104062283B (zh) | 一种测定硅钒合金中锰含量的方法 | |
Shaw et al. | Measurements of the solubility of sulphur dioxide in water for the sulphur family of thermochemical cycles | |
CN111487363A (zh) | 一种测定脱硫脱硝活性炭性能的方法及其应用 | |
CN208553679U (zh) | 一种焦炉烟气的干法脱硫系统 | |
WO2023061248A1 (zh) | 固定污染源全流程烟气汞的分形态测试方法及测试装置 | |
CN103278417A (zh) | 一种石膏脱硫系统浆液中碳酸盐含量的测试方法和装置 | |
CN203405391U (zh) | 一种石膏脱硫系统浆液中碳酸盐含量的测试装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180427 Termination date: 20201209 |