CN106383934B - 一种焦炭质量预测模型的构建方法和炼焦配煤方法 - Google Patents
一种焦炭质量预测模型的构建方法和炼焦配煤方法 Download PDFInfo
- Publication number
- CN106383934B CN106383934B CN201610803988.4A CN201610803988A CN106383934B CN 106383934 B CN106383934 B CN 106383934B CN 201610803988 A CN201610803988 A CN 201610803988A CN 106383934 B CN106383934 B CN 106383934B
- Authority
- CN
- China
- Prior art keywords
- coal
- coke
- peak area
- group
- coking
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 362
- 239000000571 coke Substances 0.000 title claims abstract description 176
- 238000002156 mixing Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 238000004939 coking Methods 0.000 claims abstract description 90
- 238000012360 testing method Methods 0.000 claims abstract description 76
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims abstract description 21
- 239000000460 chlorine Substances 0.000 claims abstract description 21
- 229910052801 chlorine Inorganic materials 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000009257 reactivity Effects 0.000 claims description 17
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 11
- 229910052717 sulfur Inorganic materials 0.000 claims description 11
- 239000011593 sulfur Substances 0.000 claims description 11
- 238000004566 IR spectroscopy Methods 0.000 claims description 9
- 229910052739 hydrogen Inorganic materials 0.000 claims description 7
- 239000001257 hydrogen Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 125000001931 aliphatic group Chemical group 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 11
- 239000011335 coal coke Substances 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 18
- 239000002904 solvent Substances 0.000 description 15
- 239000000203 mixture Substances 0.000 description 12
- 239000007788 liquid Substances 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 239000009270 zilongjin Substances 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000000926 separation method Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 239000004575 stone Substances 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000003756 stirring Methods 0.000 description 5
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 239000003610 charcoal Substances 0.000 description 4
- 239000000470 constituent Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- YMWUJEATGCHHMB-UHFFFAOYSA-N Dichloromethane Chemical compound ClCCl YMWUJEATGCHHMB-UHFFFAOYSA-N 0.000 description 3
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- ZMXDDKWLCZADIW-UHFFFAOYSA-N N,N-Dimethylformamide Chemical compound CN(C)C=O ZMXDDKWLCZADIW-UHFFFAOYSA-N 0.000 description 3
- 238000001035 drying Methods 0.000 description 3
- 239000012046 mixed solvent Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 description 2
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 2
- IAZDPXIOMUYVGZ-UHFFFAOYSA-N Dimethylsulphoxide Chemical compound CS(C)=O IAZDPXIOMUYVGZ-UHFFFAOYSA-N 0.000 description 2
- SECXISVLQFMRJM-UHFFFAOYSA-N N-Methylpyrrolidone Chemical compound CN1CCCC1=O SECXISVLQFMRJM-UHFFFAOYSA-N 0.000 description 2
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 2
- JUJWROOIHBZHMG-UHFFFAOYSA-N Pyridine Chemical compound C1=CC=NC=C1 JUJWROOIHBZHMG-UHFFFAOYSA-N 0.000 description 2
- SMWDFEZZVXVKRB-UHFFFAOYSA-N Quinoline Chemical compound N1=CC=CC2=CC=CC=C21 SMWDFEZZVXVKRB-UHFFFAOYSA-N 0.000 description 2
- WYURNTSHIVDZCO-UHFFFAOYSA-N Tetrahydrofuran Chemical compound C1CCOC1 WYURNTSHIVDZCO-UHFFFAOYSA-N 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- JHIVVAPYMSGYDF-UHFFFAOYSA-N cyclohexanone Chemical compound O=C1CCCCC1 JHIVVAPYMSGYDF-UHFFFAOYSA-N 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- VLKZOEOYAKHREP-UHFFFAOYSA-N n-Hexane Chemical compound CCCCCC VLKZOEOYAKHREP-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- PIICEJLVQHRZGT-UHFFFAOYSA-N Ethylenediamine Chemical compound NCCN PIICEJLVQHRZGT-UHFFFAOYSA-N 0.000 description 1
- FXHOOIRPVKKKFG-UHFFFAOYSA-N N,N-Dimethylacetamide Chemical compound CN(C)C(C)=O FXHOOIRPVKKKFG-UHFFFAOYSA-N 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- YSMRWXYRXBRSND-UHFFFAOYSA-N TOTP Chemical compound CC1=CC=CC=C1OP(=O)(OC=1C(=CC=CC=1)C)OC1=CC=CC=C1C YSMRWXYRXBRSND-UHFFFAOYSA-N 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- QGJOPFRUJISHPQ-NJFSPNSNSA-N carbon disulfide-14c Chemical compound S=[14C]=S QGJOPFRUJISHPQ-NJFSPNSNSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000000748 compression moulding Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940113088 dimethylacetamide Drugs 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- UMJSCPRVCHMLSP-UHFFFAOYSA-N pyridine Natural products COC1=CC=CN=C1 UMJSCPRVCHMLSP-UHFFFAOYSA-N 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- YLQBMQCUIZJEEH-UHFFFAOYSA-N tetrahydrofuran Natural products C=1C=COC=1 YLQBMQCUIZJEEH-UHFFFAOYSA-N 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000001291 vacuum drying Methods 0.000 description 1
- 239000004079 vitrinite Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10B—DESTRUCTIVE DISTILLATION OF CARBONACEOUS MATERIALS FOR PRODUCTION OF GAS, COKE, TAR, OR SIMILAR MATERIALS
- C10B57/00—Other carbonising or coking processes; Features of destructive distillation processes in general
- C10B57/04—Other carbonising or coking processes; Features of destructive distillation processes in general using charges of special composition
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Materials Engineering (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Organic Chemistry (AREA)
- Coke Industry (AREA)
Abstract
本发明公开了一种焦炭质量预测模型的构建方法和炼焦配煤方法，焦炭质量预测模型的构建方法包括：将n个测试煤样按多个配煤比例配成多种配合煤，根据配合比例及每个测试煤样的重质组收率YHC、密中质组收率YDMC、疏中质组收率YLMC、挥发分产率Vdaf、灰分产率Ad、第一相对峰面积I1和第二相对峰面积I2，分别计算配合煤的重质组收率YHC′、密中质组收率YDMC′、疏中质组收率YLMC′、挥发分产率Vdaf′、灰分产率Ad′、第一相对峰面积I1′和第二相对峰面积I2′，称为配合煤的技术指标组；利用Matlab软件构建配合煤的技术指标组与配合煤对应的焦炭的评价指标之间的关系模型，以便确定焦炭质量预测模型。该方法可以为焦炭生产者节省人力和物力，降低炼焦的生产成本。
Description
技术领域
本发明涉及炼焦配煤技术领域，尤其是涉及一种焦炭质量预测模型的构建方法和炼焦配煤方法。
背景技术
相关技术中，炼焦配煤方法包括经验配煤法和煤岩配煤法。其中，经验配煤法主要依据煤的挥发份参数和黏结性参数并通过技术人员的经验来确定配煤比例，费时费力，盲目性大。通过经验配煤法得到一个好的配煤比例需要花费很多时间，并且要得到一个最佳配煤比例几乎是不可能的。煤岩配煤法主要通过煤的显微组成和性质来确定炼焦配煤的合理比例。煤岩配煤法在国内外配煤方面的应用取得了一些成效，然而煤岩配煤法仍然存在着一些缺陷，如：仅用煤岩参数的方法无法排除煤氧化的干扰；直接用煤岩镜质组平均反射率无法排除混煤的干扰；没有考虑挥发分对焦炭气孔率的影响；对于煤活性/惰性组分定义存在人为因素。
综上所述，我们仍需要寻求新的炼焦配煤方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种焦炭质量预测模型的构建方法，所述焦炭质量预测模型的构建方法构建出的焦炭质量预测模型准确度高且具有广泛的适用性。
本发明的另一个目的在于提出了一种炼焦配煤方法。
根据本发明第一方面的焦炭质量预测模型的构建方法，包括以下步骤：选取n个测试煤样，将每个所述测试煤样分离成重质组、密中质组、疏中质组和轻质组，并测定每个所述测试煤样的所述重质组、所述密中质组、所述疏中质组的收率，分别记为：YHC、YDMC和YLMC；
测定每个所述测试煤样的挥发分产率Vdaf和灰分产率Ad；
利用红外光谱仪对每个所述测试煤样进行检测，得到每个所述测试煤样的红外光谱；
对所述红外光谱进行分析，并计算每个所述测试煤样的第一相对峰面积I1和第二相对峰面积I2的值，其中，所述第一相对峰面积I1为所述测试煤样氢键区的相对峰面积，所述第二相对峰面积I2为表征所述测试煤样脂肪链长短或支链化程度区的相对峰面积；
将所述n个测试煤样按多个配煤比例配成多种配合煤，根据所述配合比例及每个所述测试煤样的重质组收率YHC、密中质组收率YDMC、疏中质组收率YLMC、挥发分产率Vdaf、灰分产率Ad、第一相对峰面积I1和第二相对峰面积I2，分别计算所述配合煤的重质组收率YHC′、密中质组收率YDMC′、疏中质组收率YLMC′、挥发分产率Vdaf′、灰分产率Ad′、第一相对峰面积I1′和第二相对峰面积I2′，称为所述配合煤的技术指标组；
对每一个所述配合煤进行炼焦，以便得到所述配合煤对应的焦炭，并测定所述配合煤对应的焦炭的评价指标，其中，所述评价指标包括显微强度、粒焦反应性及反应后强度；
利用Matlab软件构建所述配合煤的技术指标组与所述配合煤对应的焦炭的评价指标之间的关系模型，以便确定焦炭质量预测模型。
根据本发明的焦炭质量预测模型的构建方法，通过Matlab软件构建配合煤的技术指标组与配合煤对应的焦炭的评价指标之间的关系模型，得到焦炭质量预测模型，解决了配合煤黏结性表征的问题，并可使得焦炭质量预测模型具有广泛的适用性和准确性，极大地简化了确定配煤比例的过程，为焦炭生产者节省了大量的人力和物力。
另外，根据本发明的焦炭质量预测模型的构建方法还可以具有如下附加的技术特征：
根据本发明的一些实施例，所述配合煤的所述技术指标组中的各个技术指标的计算公式为：
Ti＝∑Xj×Tij
其中：Ti为配合煤的技术指标组中的第i个技术指标，i＝1，2，3，…，k；Xj为第j种测试煤样的配比，％，j＝1，2，3，…，n；Tij为第j种测试煤样的第i个技术指标。
根据本发明的一些实施例，所述第一相对峰面积I1和所述第二相对峰面积I2的计算公式分别为：I1＝P3700-3000/P1600，I2＝(P2920/P2950)/P1600，其中，Px为x波数处的波峰面积。
根据本发明的一些实施例，所述评价指标还包括膨胀率和成焦率。
具体地，所述焦炭质量预测模型为BP神经网络模型。
根据本发明的一些实施例，所述n≥2。
根据本发明第二方面的炼焦配煤方法，包括根据本发明上述第一方面的焦炭质量预测模型构建方法构建出的焦炭质量预测模型，所述炼焦配煤方法包括以下步骤：
列举生产煤样的m种配煤方案，其对应m种炼焦煤，其中m＞1；
针对每一种炼焦煤，计算所述炼焦煤的重质组收率YHC″、密中质组收率YDMC″、疏中质组收率YLMC″、挥发分产率Vdaf″、灰分产率Ad″、第一相对峰面积I1″和第二相对峰面积I2″，并输入所述焦炭质量预测模型，以便得到所述炼焦煤对应的焦炭的评价指标的至少之一，其中所述评价指标包括显微强度、粒焦反应性、反应后强度、膨胀率和成焦率；
将各炼焦煤对应的焦炭的评价指标的至少之一与对应的预定值进行比较，以便对所述m种炼焦煤进行筛选，并确定筛选获得的炼焦煤对应的配煤方案为优选配煤方案。
进一步地，所述炼焦配煤方法还包括以下步骤：计算每种所述优选配煤方案对应的炼焦煤的价格和/或含硫量，根据对应的所述炼焦煤的价格和/或含硫量确定最佳的配煤方案。
根据本发明第二方面的炼焦配煤方法，利用根据本发明上述第一方面的焦炭质量预测模型构建方法构建出的焦炭质量预测模型预测炼焦煤的焦炭质量，可以快捷、准确地确定优选配煤方案，降低了炼焦配煤的难度，节省了炼焦配煤的人力物力，从而极大地降低了确定配煤比例过程的物质和时间成本。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明实施例的焦炭质量预测模型预测的炼焦煤对应的焦炭的显微强度与实验结果的对比图；
图2是根据本发明实施例的焦炭质量预测模型预测的炼焦煤对应的焦炭的粒焦反应性与实验结果的对比图；
图3是根据本发明实施例的焦炭质量预测模型预测的炼焦煤对应的焦炭的反应后强度与实验结果的对比图；
图4是根据本发明实施例的焦炭质量预测模型预测的炼焦煤对应的焦炭的膨胀率与实验结果的对比图；
图5是根据本发明实施例的焦炭质量预测模型预测的炼焦煤对应的焦炭的成焦率与实验结果的对比图；
图6-图10是根据本发明实施例的焦炭质量预测模型预测的预测效果图。
具体实施方式
下面详细描述本发明的实施例，下面描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
下面参考图1-图10描述根据本发明实施例的焦炭质量预测模型的构建方法。
根据本发明第一方面实施例的焦炭质量预测模型的构建方法，包括以下步骤：
选取n个测试煤样，将每个测试煤样分离成重质组、密中质组、疏中质组和轻质组，其中，密中质组和疏中质组为非岩相活性组分，重质组为非岩相惰性组分，测定每个测试煤样的重质组、密中质组、疏中质组的收率，测试煤样的重质组、密中质组、疏中质组的收率分别为：YHC、YDMC和YLMC，；
测定每个测试煤样的挥发分产率Vdaf和灰分产率Ad；
利用红外光谱仪对每个测试煤样进行检测，得到每个测试煤样的红外光谱；
对红外光谱进行分析，并计算每个测试煤样的第一相对峰面积I1和第二相对峰面积I2的值，其中，第一相对峰面积I1为测试煤样氢键区的相对峰面积，第二相对峰面积I2为表征测试煤样脂肪链长短或支链化程度区的相对峰面积；
将n个测试煤样按多个配煤比例配成多种配合煤，根据配合比例及每个测试煤样的重质组收率YHC、密中质组收率YDMC、疏中质组收率YLMC、挥发分产率Vdaf、灰分产率Ad、第一相对峰面积I1和第二相对峰面积I2，分别计算配合煤的重质组收率YHC′、密中质组收率YDMC′、疏中质组收率YLMC′、挥发分产率Vdaf′、灰分产率Ad′、第一相对峰面积I1′和第二相对峰面积I2′，称为配合煤的技术指标组；
对每一个配合煤进行炼焦，以便得到焦炭，并测定焦炭的评价指标，其中，焦炭的评价指标包括显微强度(MSI)、粒焦反应性(PRI)及反应后强度(PSR)；
利用Matlab软件构建配合煤的技术指标组与配合煤对应的焦炭的评价指标之间的关系模型，以便确定焦炭质量预测模型。
其中，n≥2，其具体数值可以根据实际需求调整，本发明对此不作具体限定。例如，n可以进一步满足：n＝2、n＝3、n＝5等。
具体地，煤样例如测试煤样可以在自然条件下通过煤全组分族分离方法分离得到重质组、疏中质组、密中质组和轻质组，煤全组分族分离方法的具体分离步骤如下：
①、将粒度为10-300目的煤样置于萃取器中，然后加入混合溶剂，加入量为每克煤样20-300毫升的混合溶剂，混合溶剂为溶剂A和溶剂B的混合体；在室温下搅拌10-300分钟，萃取过程完成，得到萃取固液混合物；需要说明的是，在同一个分离过程中，溶剂A和溶剂B必须选用两种不同的溶剂物质，将溶剂A和溶剂B共同放入至容器中混合，溶剂A和溶剂B的混合比为1∶0.2至1∶2之间，其中，混合比为体积比；
②、对过程①中萃取的萃取固液混合物进行固液分离，固液分离后分别得到萃取液和萃余物；
③、对过程②中的萃余物进行处理，先用水洗涤，然后再做真空干燥，即得到重质组；
④、对过程②中的萃取液进行处理，将萃取液放入至反萃取器中，再向反萃取器中加入反萃取剂，加入反萃取剂的量按萃取液比反萃取剂等于1∶0.1至1∶2之间，上述比例为体积比，室温下搅拌5-60分钟，反萃取过程结束，反萃取过程后得到反萃取固液混合物；
⑤、对过程④中的反萃取固液混合物进行处理，对反萃取固液混合物进行固液分离，固液分离后得到固体物质和液体物质；
⑥、对过程⑤中的固体物质进行处理，对固体物质先用水洗涤，然后做真空干燥，即得到疏中质组；
⑦、过程⑤中得到的液体物质为两个分层的液体物质：一个分层液体物质中以溶剂A为主，移出该层后先用常压蒸馏法脱去溶剂A，然后再对剩余溶液加反萃取剂进行反萃取，加入反萃取剂的量按剩余溶液比反萃取剂等于1∶0.1至1∶2之间，上述的比例为体积比，反萃取剂将此剩余溶液中的少量溶剂B反萃取出来的同时，将产生粘稠状固体物析出，对该粘稠状物进行真空干燥处理，即可获得密中质组；
⑧、轻质组溶解在另一个分层液体物质中，其中上述另一个分层液体为溶剂B和反萃取剂的混合剂。
其中，溶剂A可以为：二硫化碳、氯仿、二氯甲烷、苯、甲醇、苯酚、乙醚，但不限于此。溶剂可以B为：N-甲基-2-吡咯烷酮、环已酮、二甲基亚砜、四氢呋喃、二甲基甲酰胺、二甲基乙酰胺、乙二胺、磷酸三乙脂、喹啉、吡啶，但不限于此。反萃取剂C可以为：水、正己烷，但不限于此。需要说明的是，在同一个工艺过程中，溶剂A、溶剂B和反萃取剂C必须选用三种不同的溶剂物质。
将测试煤样分离成重质组、密中质组、疏中质组和轻质组后，分别计算重质组、密中质组、疏中质组的收率，其中，由于轻质组的量极小，故忽略不计。测试煤样的重质组的收率记为YHC，测试煤样密中质组的收率记为YDMC、测试煤样的疏中质组的收率记为YLMC。
具体地，每个测试煤样的重质组收率YHC＝重质组的质量/测试煤样的质量，每个测试煤样的密中质组收率YDMC＝密中质组的质量/测试煤样的质量，每个测试煤样的疏中质组收率YLMC＝疏中质组的质量/测试煤样的质量。
测试煤样的挥发分和灰分可以根据GB/T212-2001煤的工业分析方法获得，其具体步骤在此不再赘述。
根据本发明的一些实施例，可以利用红外光谱仪例如傅里叶变换红外光谱仪对测试煤样进行检测，得到测试煤样的红外光谱(FTIR)。例如，可以将干燥的测试煤样与光谱纯的KBr(1：100，m/m)混合置于玛瑙研钵中,将测试煤样与载体磨细、混和均匀后压制成型,将成型薄片放入红外光谱仪样品室进行检测。光谱为4000-400cm-1,分辨率为4cm-1,每个光谱累加扫描16次。
具体地，可以利用分峰软件例如Peakfit软件对上述红外光谱进行分峰处理，计算第一相对峰面积I1和第二相对峰面积I2。其中，第一相对峰面积I1为测试煤样氢键区的相对峰面积，第二相对峰面积I2为表征测试煤样脂肪链长短或支链化程度区的相对峰面积。
这里，需要说明的是，为了消除红外光谱在检测过程中因样品质量的不同而带来峰面积的不可比性,研究确定以C＝C(1600cm-1)吸收峰为标准峰来计算各吸收峰的相对峰面积。例如，I1＝P氢键区/P1600，其中，Px为x波数处的波峰面积。
对配合煤进行炼焦时，可以使用试验焦炉例如40Kg的试验焦炉进行炼焦。由此，可以保证炼焦结果与实际生产的一致性，且可以节省用煤量，极大地节省了成本。
例如，在本实施例中，可以采用40Kg试验焦炉进行配合煤的炼焦实验，具体炼焦过程如下：将粒径≤1.6mm的配合煤装入高为70mm、直径为67mm、厚度为4.5mm且底部具有4个直径为3mm的圆形通孔的煤杯中，用搅拌棒匀速搅拌3min，摊平(此时煤层厚度约为23.5mm)，然后放上压片和压块(压片的直径为66mm，厚度为3mm，重量约为70g；压块的高为35mm，直径为49.5mm，重量约为530g)；将煤杯转移到上述试验焦炉中，并按以下程序进行升温：采用一段加热的方式使得炉温由700℃升至1060℃，加热时间为2h，升温速率为1℃/min；将湿法冷却的焦炭自然晾晒约40h后转入真空干燥箱中，在105℃干燥3h，得到配合煤对应的焦炭。
煤样例如测试煤样等的重质组收率、密中质组收率、疏中质组收率、挥发分产率、灰分产率、第一相对峰面积和第二相对峰面积均具有加和性，配合煤的技术指标组(即配合煤的重质组收率YHC′、密中质组收率YDMC′、疏中质组收率YLMC′、挥发分产率Vdaf′、灰分产率Ad′、第一相对峰面积I1′和第二相对峰面积I2′)可以根据配煤比例及测试煤样对应的技术指标计算获得，然后利用Matlab软件构建配合煤的技术指标组与配合煤对应的焦炭的评价指标之间的关系模型，以便确定焦炭质量预测模型，其中配合煤对应的焦炭的评价指标包括显微强度、粒焦反应性及反应后强度。其中，本申请中所说的“配合煤对应的焦炭”，指的是配合煤炼焦后得到的焦炭。
这里，需要说明的是，配合煤的重质组收率YHC′、密中质组收率YDMC′、疏中质组收率YLMC′、挥发分产率Vdaf′、灰分产率Ad′、第一相对峰面积I1′和第二相对峰面积I2′均为具有加和性的指标。上述指标是经过对煤结构本质的研究提出的指标，且是由每个测试煤样的对应指标按照配煤比例进行加权计算所得，其中，YHC′、YDMC′和YLMC′分别代表了配合煤中重质组、密中质组、疏中质组的收率，即配合煤中重质组、密中质组、疏中质组的含量，I1′和I2′分别反映配合煤中氢键缔合情况和含脂肪族结构分子的脂肪链长短或支链化程度；Vdaf′和Ad′分别代表配合煤的挥发分产率和灰分产率，因此，将配合煤的技术指标组与用于评价焦炭质量的评价指标进行关联所建立的焦炭质量预测模型，是利用配合煤的技术指标组预测焦炭质量，而与参与配煤的测试煤样的煤种和数量无关，因此，焦炭质量预测模型可应用于任意数量、任意种类的煤样配得的配合煤焦炭质量的预测。
也就是说，当有n种例如5种等煤样参与配煤时，无论上述n种煤样是哪种煤种，只需经过实验分别测得每种煤样的重质组、密中质组和疏中质组的收率、挥发分产率、灰分产率、第一相对峰面积和第二相对峰面积，然后按照配煤比例进行加权计算即可得到配合煤的技术指标组，即YHC′、YDMC′、YLMC′、Vdaf′、Ad′、I1′和I2′，将配合煤的上述技术指标组输入焦炭质量预测模型即可得到配合煤对应的焦炭的预测质量。
根据本发明实施例的焦炭质量预测模型的构建方法，通过Matlab软件构建配合煤的技术指标组与配合煤对应的焦炭的评价指标之间的关系模型，得到焦炭质量预测模型，解决了配合煤黏结性表征的问题，并可使得焦炭质量预测模型具有广泛的适用性和准确性，极大地简化了确定配煤比例的过程，为焦炭生产者节省了大量的人力和物力。
根据本发明的一些实施例，配合煤的技术指标组中的各个技术指标的计算公式为：
Ti＝∑Xj×Tij
其中：Ti为配合煤的技术指标组中的第i个技术指标，i＝1，2，3，…，k；Xj为第j种测试煤样的配比(即配煤比例)，％，j＝1，2，3，…，n；Tij为第j种测试煤样的第i个技术指标。
例如，选取鑫磊焦煤、白龙1/3焦煤、裕城肥煤、晋兴弱粘煤、天益弱粘煤五种煤作为测试煤样，其中鑫磊焦煤、白龙1/3焦煤、裕城肥煤、晋兴弱粘煤、天益弱粘煤的配比分别为：X1、X2、X3、X4、X5，鑫磊焦煤、白龙1/3焦煤、裕城肥煤、晋兴弱粘煤、天益弱粘煤的重质组收率分别为：YHC1、YHC2、YHC3、YHC4、YHC5，配合的重质组的收率为：YHC′＝X1×YHC1+X2×YHC2+X3×YHC3+X4×YHC4+X5×YHC5。配合煤的其他技术指标的计算方法与重质组的计算方法相同，在此不再赘述。
根据本发明的一些实施例，第一相对峰面积I1和第二相对峰面积I2的计算公式分别为：I1＝P3700-3000/P1600，I2＝(P2920/P2950)/P1600，其中，Px为x波数处的波峰面积。根据红外光谱的吸收峰归属，测试煤样的氢键区的吸收峰为3700-3000cm-1，表征测试煤样脂肪链长短或支链化程度区的吸收峰为2920cm-1/2950cm-1，即2920cm-1处的吸收峰面积与2950cm-1处吸收峰面积的比值。由此，可以准确地计算出第一相对峰面积与第二相对峰面积的值，从而可以准确地预测配合煤对应的焦炭质量。
根据本发明的一些实施例，配合煤的评价指标还包括膨胀率和成焦率。由此，可以更加全面地评价配合煤对应的焦炭质量。当然，可以理解的是，在使用过程中，用户可以根据实际生产需要，选择一种或者多种评价指标评价焦炭质量。
具体地，焦炭质量预测模型为BP神经网络模型。BP神经网络模型具有结构简单、容错性强且可控性好等优点，可使得构建的焦炭质量预测模型适应具有多参数、时变、非线性和不确定性等特征的炼焦过程，使得焦炭质量预测模型具有更广泛的适用性，可以极大地降低炼焦配煤过程中确定配煤比例的难度，使得炼焦配煤的操作简单化、数值准确化，从而为焦炭生产者节省大量的人力和物力。
下面参考图1-图5描述根据本发明实施例的焦炭质量预测模型的构建方法的一个具体实施例。
选取鑫磊焦煤(XL)、白龙1/3焦煤(BL)、裕城肥煤(YC)、晋兴弱粘煤(JX)、天益弱粘煤(TY)五种煤作为测试煤样；
按GB/T212-2001对上述五种测试煤样进行工业分析，获得每个测试煤样的挥发分产率Vdaf和灰分产率Ad指标；
在自然条件下通过煤全组分族分离方法将测试煤样分别分离成重质组、密中质组、疏中质组，记录每个测试煤样的各族组分的收率；
对五种测试煤样进行红外测试，获得每种煤的红外光谱(FTIR)，根据FTIR谱峰归属，利用Peakfit软件对光谱进行分峰处理，分别计算每个测试煤样的I1和I2指标；
确定各测试煤样的配比(见表1)，由配煤比例计算配合煤的重质组收率YHC′、密中质组收率YDMC′、疏中质组收率YLMC′、挥发分产率Vdaf′、灰分产率Ad′、第一相对峰面积I1′和第二相对峰面积I2′，其中，各测试煤样的配比可以随机确定；
在采用40Kg试验焦炉进行炼焦实验，具体炼焦过程如下：将粒径≤1.6mm的配合煤装入高为70mm、直径为67mm、厚度为4.5mm且底部具有4个直径为3mm的圆形通孔的煤杯中，用搅拌棒匀速搅拌3min，摊平(此时煤层厚度约为23.5mm)，然后放上压片和压块(压片的直径为66、厚度为3mm、重量约为70g；压块的高为35mm，直径为49.5mm，重量约为530g)；将煤杯转移到上述试验焦炉中，并按以下程序进行升温：采用一段加热的方式使得炉温由700℃升至1060℃，加热时间为2h，升温速率为1℃/min；将湿法冷却的焦炭自然晾晒约40h后转入真空干燥箱中，在105℃干燥3h，得到配合煤对应的焦炭，并测定每种配比的配合煤对应的焦炭的膨胀率(SwellingRatio，SR)、成焦率(Coking Ratio，CR)、显微强度(MSI)、粒焦反应性(PRI)及反应后强度(PSR)；
利用Matlab软件构建配合煤的技术指标组与配合煤对应的焦炭的评价指标之间的关系模型，具体地，为使样本选取过程具有均衡性和代表性，去除5种单种煤对应的数据，将剩余44组配比数据重排后选取前35组数据作为训练组，后9组数据作为预测组，以前35组数据进行训练获得焦炭质量预测模型，即BP神经网络模型。具体地，可以通过确定输入输出层、确定隐含层参数、确定BP网络参数、模型仿真等步骤建立焦炭质量预测模型。
下面通过上述后9组数据对焦炭质量模型进行误差分析：向焦炭质量预测模型中输入预测组的技术评价组数据，得到预测组的焦炭质量预测结果。预测组的焦炭质量评价指标预测结果与实验结果对比图如图1-图5所示，预测结构的误差分析如表2和图6-图10所示。
表1各测试煤样配比(wt％)
其中，图6-图10中的实线方程为y＝x，表示焦炭质量预测模型的预测值等于实验值的点，当允许的相对误差为10％时，两条虚线方程分别为y＝0.9x和y＝1.1x，两线所夹范围表示误差允许的范围。也就是说，在虚线范围内(包括线上)的点为预测命中，不在虚线范围内的点为预测失败。由此可知，焦炭质量模型的预测结果与实验结果的一致性较高，预测误差较小。尽管有部分数据预测误差较大，预测结果相对较差，但由于BP神经网络的高度容错性，部分结果的差异不会影响预测的可靠性，而且随着样本数量的逐渐丰富，预测可靠性会进一步提高。由此可知，焦炭质量预测模型在预测焦炭质量方面的应用价值具有广阔前景。
表2焦炭质量实验值与预测值的比较
a误差＝(实验值–预测值)/实验值根据本发明实施例的焦炭质量预测模型的构建方法，使用配合煤的技术指标组(即配合煤的重质组收率YHC′、密中质组收率YDMC′、疏中质组收率YLMC′、挥发分产率Vdaf′、灰分产率Ad′、第一相对峰面积I1′和第二相对峰面积I2′)预测配合煤的焦炭质量，从煤的本质角度出发，通过Matlab软件构建基于煤的非岩相活性和非岩相惰性组分分离的焦炭质量预测模型，使得建立的焦炭质量预测模型克服了现有的炼焦配煤方法的地域局限性以及现有的煤黏结性评价方法不能真正准确地评价煤黏结性等问题，从而使得构建的焦炭质量预测模型具有更加广泛地适用性，且可以极大地降低炼焦配煤过程中确定配煤比例的难度，提高了配煤方案的可靠性和准确性，节省大量的时间、人力和物力。
根据本发明第二方面实施例的炼焦配煤方法，包括根据本发明上述第一方面实施例的焦炭质量预测模型构建方法构建的焦炭质量预测模型，炼焦配煤方法包括以下步骤：
列举生产煤样的m种配煤方案，其对应m种炼焦煤，其中m＞1，具体而言，每种配煤方案对应一种炼焦煤。例如，可以采用离散变量的穷举法求解配煤数学模型，即将配煤比例离散化，离散间隔也就是配煤精度。例如，当配煤精度为5％时，配煤比例为0到100％能被整除的数值，以此类推，然后以穷举法将所有可能的配煤方案列举出来，此过程存在以下约束条件：
单煤配比之和为100％，即x1+x2+x3+x4+x5＝100％；
式中x1、x2、x3、x4和x5为各单种煤即各生产煤样的配比。
这里，需要说明的是，本申请中所说的“炼焦煤”，指的是由一种或多种生产煤样按配煤比例配成的混合煤。
针对每一种炼焦煤，计算炼焦煤的重质组收率YHC″、密中质组收率YDMC″、疏中质组收率YLMC″、挥发分产率Vdaf″、灰分产率Ad″、第一相对峰面积I1″和第二相对峰面积I2″，并输入焦炭质量预测模型，以便得到炼焦煤对应的焦炭的评价指标的至少之一，其中评价指标包括显微强度、粒焦反应性、反应后强度、膨胀率和成焦率；其中，“炼焦煤对应的焦炭”指的是，炼焦煤炼焦后得到的焦炭。
将各炼焦煤对应的焦炭的评价指标的至少之一与对应的预定值进行比较，以便对m种炼焦煤进行筛选，并确定筛选获得的炼焦煤对应的配煤方案为优选配煤方案。也就是说，用户可以根据实际生产需要，设定评价指标中的一个或者多个的预定值作为筛选条件，根据上述预定值筛选出优选配煤方案。由此，可以快捷、准确地确定优选配煤方案，节省了大量的人力物力，从而降低了生产成本。
根据本发明实施例的炼焦配煤方法，利用根据本发明上述第一方面的焦炭质量预测模型构建方法构建出的焦炭质量预测模型预测炼焦煤的焦炭质量，可以快捷、准确地确定优选配煤方案，降低了炼焦配煤的难度，节省了炼焦配煤的人力物力，从而极大地降低了生产成本。
根据本发明的一个具体实施例，评价指标可以包括粒焦反应性和反应后强度，预定值为粒焦反应性等于59，反应后强度等于48，选取粒焦反应性小于59且反应后强度大于48的炼焦煤对应的配煤方案为优选配煤方案。也就是说，可以将粒焦反应性和反应后强度作为焦炭质量的评价指标，用户可以使用焦炭的粒焦反应性和反应后强度两个参数筛选优选配煤方案，并设定预定值为粒焦反应性等于59，反应后强度等于48，选取粒焦反应性小于59且反应后强度大于48的炼焦煤对应的配煤方案为优选配煤方案。可以理解的是，在实际生产中，焦炭生产者可以根据焦炭的具体用途选定合适的评价指标以确定优选配煤方案，且评价指标的预定值可以根据生产的焦炭的等级确定，本发明对此不作特殊限定。
进一步地，炼焦配煤方法还包括以下步骤：计算每种优选配煤方案对应的炼焦煤的价格和/或含硫量，根据对应的炼焦煤的价格和/或含硫量确定最佳的配煤方案。具体而言，可以根据各生产煤样的单价计算每种优选配煤方案对应的炼焦煤的价格，选择价格最低的炼焦煤对应的配煤方案为最佳配煤方案，或者测定每种优选配煤方案对应的炼焦煤的含硫量，选择含硫量最低的炼焦煤对应的配煤方案为最佳配煤方案，或者计算每种优选配煤方案对应的炼焦煤的价格并测定每种优选配煤方案对应的炼焦煤的含硫量，综合价格和含硫量确定最佳的配煤方案，由此可以极大的降低生产成本。
下面描述根据本发明实施例的炼焦配煤方法的一个具体实施例。
选取鑫磊焦煤(XL)、白龙1/3焦煤(BL)、裕城肥煤(YC)、晋兴弱粘煤(JX)、天益弱粘煤(TY)五种煤作为生产煤样；
采用离散变量的穷举法求解配煤数学模型，即将配煤比例离散化，离散间隔也就是配煤精度。当配煤精度为5％时，配煤比为0到100％能被整除的数值，以此类推，然后以穷举法将所有可能的配煤方案列举出来，此过程存在以下约束条件：
单煤配比之和为100％，即x1+x2+x3+x4+x5＝100％；
式中x1、x2、x3、x4和x5为各单种煤配比；借助Matlab软件得满足条件的可能配煤方案共9113个，计算得到所有可能的配煤方案得到的炼焦煤的YHC″、YDMC″、YLMC″、Vdaf″、Ad″、I1″和I2″，并对其进行标准化、降维和归一化处理；
将处理后的数据输入到已建好的焦炭质量预测模型中以获得所有可能配煤方案所对应焦炭质量评价指标，即焦炭的膨胀率(SR)、成焦率(CR)、显微强度(MSI)、粒焦反应性(PRI)及反应后强度(PSR)；
表3优选配煤方案
以焦炭的反应性和反应后强度作为主要的约束条件(PRI<59，PSR>48)，同时考虑到实际生产中一般选取四到五种煤进行配煤，获得优选配煤方案(见表3)。依据中国煤炭交易中心的数据，可将鑫磊焦煤(XL)、白龙1/3焦煤(BL)、裕城肥煤(YC)、晋兴弱粘煤(JX)和天益弱粘煤(TY)分别定价为485元/吨、555元/吨、500元/吨、390元/吨和360元/吨，计算每种优选配煤方案对应的炼焦煤的价格，并测定每种优选配煤方案对应的炼焦煤的含硫量，获取符合条件的最佳配煤方案。
根据本发明实施例的炼焦配煤方法，焦炭生产者可以根据自身需求，通过设定焦炭质量、经济性等约束条件和煤预处理方式快捷、准确地确定最佳配煤方案，节省了炼焦配煤的人力物力，且可以极大地降低了炼焦的生产成本。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种焦炭质量预测模型的构建方法，其特征在于，包括以下步骤：
选取n个测试煤样，将每个所述测试煤样分离成重质组、密中质组、疏中质组和轻质组，并测定每个所述测试煤样的所述重质组、所述密中质组、所述疏中质组的收率，分别记为：YHC、YDMC和YLMC；
测定每个所述测试煤样的挥发分产率Vdaf和灰分产率Ad；
利用红外光谱仪对每个所述测试煤样进行检测，得到每个所述测试煤样的红外光谱；
对所述红外光谱进行分析，并计算每个所述测试煤样的第一相对峰面积I1和第二相对峰面积I2的值，其中，所述第一相对峰面积I1为所述测试煤样氢键区的相对峰面积，所述第二相对峰面积I2为表征所述测试煤样脂肪链长短或支链化程度区的相对峰面积；
将所述n个测试煤样按多个配煤比例配成多种配合煤，根据所述配合比例及每个所述测试煤样的重质组收率YHC、密中质组收率YDMC、疏中质组收率YLMC、挥发分产率Vdaf、灰分产率Ad、第一相对峰面积I1和第二相对峰面积I2，分别计算所述配合煤的重质组收率YHC′、密中质组收率YDMC′、疏中质组收率YLMC′、挥发分产率Vdaf′、灰分产率Ad′、第一相对峰面积I1′和第二相对峰面积I2′，称为所述配合煤的技术指标组；
对每一个所述配合煤进行炼焦，以便得到所述配合煤对应的焦炭，并测定所述配合煤对应的焦炭的评价指标，其中，所述评价指标包括显微强度、粒焦反应性及反应后强度；
利用Matlab软件构建所述配合煤的技术指标组与所述配合煤对应的焦炭的评价指标之间的关系模型，以便确定焦炭质量预测模型。
2.根据权利要求1所述的焦炭质量预测模型的构建方法，其特征在于，所述配合煤的所述技术指标组中的各个技术指标的计算公式为：
Ti＝ΣXj×Tij
其中：Ti为配合煤的技术指标组中的第i个技术指标，i＝1，2，3，…，k；Xj为第j种测试煤样的配比，％，j＝1，2，3，…，n；Tij为第j种测试煤样的第i个技术指标。
3.根据权利要求1所述的焦炭质量预测模型的构建方法，其特征在于，所述第一相对峰面积I1和所述第二相对峰面积I2的计算公式分别为：I1＝P3700-3000/P1600，I2＝(P2920/P2950)/P1600，其中，Px为x波数处的波峰面积。
4.根据权利要求1所述的焦炭质量预测模型的构建方法，其特征在于，所述评价指标还包括膨胀率和成焦率。
5.根据权利要求1所述的焦炭质量预测模型的构建方法，其特征在于，所述焦炭质量预测模型为BP神经网络模型。
6.根据权利要求1所述的焦炭质量预测模型的构建方法，其特征在于，所述n≥2。
7.一种炼焦配煤方法，其特征在于，包括根据权利要求1-6中任一项所述的焦炭质量预测模型构建方法构建出的焦炭质量预测模型，所述炼焦配煤方法包括以下步骤：
列举生产煤样的m种配煤方案，其对应m种炼焦煤，其中m＞1；
针对每一种炼焦煤，计算所述炼焦煤的重质组收率YHC″、密中质组收率YDMC″、疏中质组收率YLMC″、挥发分产率Vdaf″、灰分产率Ad″、第一相对峰面积I1″和第二相对峰面积I2″，并输入所述焦炭质量预测模型，以便得到所述炼焦煤对应的焦炭的评价指标的至少之一，其中所述评价指标包括显微强度、粒焦反应性、反应后强度、膨胀率和成焦率；
将各炼焦煤对应的焦炭的评价指标的至少之一与对应的预定值进行比较，以便对所述m种炼焦煤进行筛选，并确定筛选获得的炼焦煤对应的配煤方案为优选配煤方案。
8.根据权利要求7所述的炼焦配煤方法，其特征在于，还包括以下步骤：
计算每种所述优选配煤方案对应的炼焦煤的价格和/或含硫量，根据对应的所述炼焦煤的价格和/或含硫量确定最佳的配煤方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610803988.4A CN106383934B (zh) | 2016-09-05 | 2016-09-05 | 一种焦炭质量预测模型的构建方法和炼焦配煤方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610803988.4A CN106383934B (zh) | 2016-09-05 | 2016-09-05 | 一种焦炭质量预测模型的构建方法和炼焦配煤方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106383934A CN106383934A (zh) | 2017-02-08 |
| CN106383934B true CN106383934B (zh) | 2019-04-26 |
Family
ID=57939624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610803988.4A Expired - Fee Related CN106383934B (zh) | 2016-09-05 | 2016-09-05 | 一种焦炭质量预测模型的构建方法和炼焦配煤方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106383934B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664450B (zh) * | 2017-03-29 | 2022-05-20 | 鞍钢股份有限公司 | 一种基于煤灰高钾、钠含量的焦炭质量预报方法 |
| CN108519301B (zh) * | 2018-03-12 | 2020-12-29 | 沈阳环境科学研究院 | 一种利用热重分析仪评价煤及生物质焦反应性的方法 |
| CN108596216A (zh) * | 2018-04-04 | 2018-09-28 | 格薪源生物质燃料有限公司 | 生物质燃料质量检测方法及系统 |
| CN108717506B (zh) * | 2018-06-25 | 2022-03-18 | 华北理工大学 | 一种预测焦炭热态强度的方法 |
| CN109359790A (zh) * | 2018-12-26 | 2019-02-19 | 黑龙江建龙化工有限公司 | 预测冶金焦炭质量指标的方法 |
| CN110119783B (zh) * | 2019-05-16 | 2021-07-16 | 联想(北京)有限公司 | 焦炭质量预测方法、装置及计算机设备 |
| CN111561963B (zh) * | 2020-04-27 | 2022-04-08 | 河钢股份有限公司 | 一种炼焦煤成焦性质和焦炭热强度评价及关联新方法 |
| CN112151123B (zh) * | 2020-08-25 | 2023-06-20 | 华南理工大学 | 一种预测烘焙生物质热解焦产率的方法 |
| CN112861359B (zh) * | 2021-02-19 | 2022-07-22 | 汾渭数字信息技术有限公司 | 全要素智能配煤系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103853915A (zh) * | 2014-01-14 | 2014-06-11 | 辽宁科技大学 | 一种由炼焦煤非线性优化配煤预测焦炭质量的方法 |
| CN104297445A (zh) * | 2014-10-08 | 2015-01-21 | 中国矿业大学 | 一种基于非岩相活性组分的煤黏结性评价方法 |
| CN104711000A (zh) * | 2015-02-27 | 2015-06-17 | 神华集团有限责任公司 | 一种炼焦煤配煤方法 |
-
2016
- 2016-09-05 CN CN201610803988.4A patent/CN106383934B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103853915A (zh) * | 2014-01-14 | 2014-06-11 | 辽宁科技大学 | 一种由炼焦煤非线性优化配煤预测焦炭质量的方法 |
| CN104297445A (zh) * | 2014-10-08 | 2015-01-21 | 中国矿业大学 | 一种基于非岩相活性组分的煤黏结性评价方法 |
| CN104711000A (zh) * | 2015-02-27 | 2015-06-17 | 神华集团有限责任公司 | 一种炼焦煤配煤方法 |
Non-Patent Citations (1)
| Title |
|---|
| Caking property and active components of coal based on group component separation;Qin Zhihong等;《International Journal of Mining Science and Technology》;20160524(第26期);571-575 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106383934A (zh) | 2017-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106383934B (zh) | 一种焦炭质量预测模型的构建方法和炼焦配煤方法 | |
| Xing et al. | Estimating biomass major chemical constituents from ultimate analysis using a random forest model | |
| CN104062257B (zh) | 一种基于近红外光谱测定溶液中总黄酮含量的方法 | |
| CN107748146A (zh) | 一种基于近红外光谱检测的原油属性快速预测方法 | |
| CN108195790A (zh) | 基于近红外光谱建立山羊肉质检测数据库的方法 | |
| CN106680158B (zh) | 一种沥青混合料离析程度预估方法及装置 | |
| CN104849232B (zh) | 一种快速检测蜂王浆水分和蛋白质含量的方法 | |
| CN104390927B (zh) | 煤炭样品中灰分的快速检测方法 | |
| CN102252972A (zh) | 基于近红外光谱快速鉴别油茶籽油真实属性的检测方法 | |
| CN103592255A (zh) | 一种基于近红外光谱技术的阿胶化皮液中总蛋白含量的软测量方法 | |
| CN101726451A (zh) | 一种测定内燃机油粘度指数的方法 | |
| CN110411978B (zh) | 一种物料均匀性检测设备及检测方法 | |
| CN105973840B (zh) | 一种快速检测酱香型酿酒酒醅理化指标的方法 | |
| CN101685092B (zh) | 用烟叶pH检测值判定烤烟醇化质量的方法 | |
| CN105004745B (zh) | 一种由核磁共振谱预测原油粘度的方法 | |
| CN103018181A (zh) | 基于相关性分析和elm神经网络的软测量方法 | |
| CN114707120A (zh) | 一种测算碳排放规模的统计学建模方法 | |
| CN102590256B (zh) | 一种啤酒风味稳定性的评价方法 | |
| CN116224112A (zh) | 一种基于XGBoost模型的电池阻抗谱频率重要性分析方法 | |
| CN100419409C (zh) | 一种非破坏性测定花生单粒种子含油量的方法 | |
| CN101793643A (zh) | 一种测定焦炭光学组织用焦炭的炼制方法 | |
| CN103971015B (zh) | 一种石膏浆料搅拌时间的分析方法 | |
| CN109961179A (zh) | 一种水产品品质检测方法及便携式拉曼装置 | |
| CN104390928B (zh) | 一种掺杂掺假煤炭的近红外光谱识别方法 | |
| CN104568811B (zh) | 煤炭样品中发热量的新型快速检测方法 |
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 |
Granted publication date: 20190426 Termination date: 20190905 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |