CN115270510A - 一种配煤配比预测方法、装置、设备、存储介质 - Google Patents
一种配煤配比预测方法、装置、设备、存储介质 Download PDFInfo
- Publication number
- CN115270510A CN115270510A CN202211000066.1A CN202211000066A CN115270510A CN 115270510 A CN115270510 A CN 115270510A CN 202211000066 A CN202211000066 A CN 202211000066A CN 115270510 A CN115270510 A CN 115270510A
- Authority
- CN
- China
- Prior art keywords
- coal
- data index
- coke
- index
- data
- 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.)
- Pending
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Coke Industry (AREA)
Abstract
本申请公开了一种配煤配比预测方法、装置、设备、存储介质,涉及煤炭焦化技术领域,包括:采集配煤过程产生单煤数据指标;基于所述单煤数据指标构建配合煤质量预测模型和焦炭质量预测模型;基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足配煤比例计算模型的约束条件,基于约束条件对配煤比例计算模型进行求解,以得到单煤配比参数;将单煤配比参数输入配合煤质量预测模型和焦炭质量预测模型,以便预测配合煤参数和焦炭参数。通过利用单煤各指标和配比以及历史数据建立质量预测模型,预测焦炭各质量指标的效率和准确度。并在稳定焦炭指标的同时最大限度的降低原料煤成本,进行合理的配煤配方。
Description
技术领域
本发明涉及煤炭焦化技术领域,特别涉及一种配煤配比预测方法、装置、设备、存储介质
背景技术
配煤过程是把两种或两种以上不同性质的单种煤以适当的比例均匀混合,形成符合质量要求的配合煤,配合煤的质量直接影响生产出的焦炭的质量。由于我国优质煤的矿点资源稀少,炼焦煤的来源矿点数量多且质量不稳定,致使焦炭质量也发生波动,为了保证焦炭的质量,我国焦炭行业基本形成了多配优质炼焦煤的配煤原则。焦化企业配煤时焦煤加上肥煤的最大配煤比甚至超过了80%,造成了成本的上升以及优质资源的浪费。另一方面,我国优质炼焦煤资源占比较低,中长期看面临着枯竭的困境。在已知的炼焦煤资源中,气煤和1/3占比相对较高,达到45.73%,而肥煤、焦煤和瘦煤分别占比12.81%、23.61%、17.85%。但在炼焦生产过程中,气煤和1/3焦煤配比较低,这造成了优质炼焦煤供应偏紧的局面。因此,焦化企业必须要在稳定焦炭质量的基础上,优化配煤比例来降低配煤的成本,进而提高企业经济效益。采用单煤按照一定的配比混合后炼焦,既能充分发挥各种煤的特点,取长补短,又能使得焦炭的指标达到要求,还可以节约优质的炼焦煤、合理利用并扩大炼焦煤资源。因此,配煤优化已经收到焦化企业的普遍关注。随着互联网技术的发展,可以利用信息中心储存的大量生产数据建立焦炭预测模型,并基于该模型进一步建立配煤优化模型,对配煤配比进行优化,以确定更加经济的配煤方案,进而为企业生产提供有效的指导。
现有技术下,焦化企业更多的还是停留在使用传统的经验对配煤配方进行调配,也有的企业在炼焦之前先对单煤抽取少量的样本,再用小焦炉进行炼焦实验,已验证配比是否满足预期的炼焦要求,调整配比直至结果符合预期。采用该生产模式的效率十分低下,一旦得到的炼焦产品不满足要求则需要调整比例再进行实验,实验周期较长,且小焦炉实验结果经过放大很有可能得到的产品质量与预期的并不一致,并且为了能满足焦炭质量指标,焦化企业往往会考虑提高优质炼焦煤的配比,会造成资源和成本的浪费。一旦煤源发生变化,需要重新积累配煤经验,总结出新的配煤方法。
综上,如何在稳定焦炭质量标准的基础上,实现优化配比预测焦炭质量,降低炼焦成本,对煤资源进行更加科学的开发和利用,提升自我竞争力是本领域有待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种配煤配比预测方法、装置、设备、存储介质,能够在稳定焦炭质量标准的基础上,实现优化配比预测焦炭质量,降低炼焦成本,对煤资源进行更加科学的开发和利用,提升自我竞争力。其具体方案如下:
第一方面,本申请公开了一种配煤配比预测方法,包括:
采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标;
基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型;
基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型;其中,所述第一抗碎强度为用于筛选产生大于第一预设长度的焦炭的抗碎强度指标,所述第二抗碎强度为用于筛选产生大于第二预设长度的焦炭的抗碎强度指标;
基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足所述配煤比例计算模型的约束条件,基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数;
将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数。
可选的,所述采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标之后,还包括:
对所述单煤数据指标进行清洗操作,以获取清洗后单煤数据指标。
可选的,所述基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型,包括:
基于所述灰分数据指标、所述硫分数据指标、所述挥发分数据指标与各自对应的配比权重,分别构建预测第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标的第一预测方程;
将所述第一灰分数据指标、所述第一硫分数据指标、所述第一挥发分数据指标输入至训练后的随机森林模型,构建预测得到粘结指数、胶质层厚度和收缩度的第二预测方程;
基于所述第一预测方程和所述第二预测方程构建配合煤质量预测模型。
可选的,所述将所述第一灰分数据指标、所述第一硫分数据指标、所述第一挥发分数据指标输入至训练后的随机森林模型之前,还包括:
利用预先采集的历史灰分数据、历史硫分数据和历史挥发分数据对随机森林模型进行训练,以得到训练后的随机森林模型。
可选的,所述基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型过程中,还包括:
基于第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数以及结焦时间分别构建焦炭反应性二次函数方程和焦炭反应后强度二次函数方程。
可选的,所述基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型之后,还包括:
利用最小二乘法确定所述焦炭质量预测模型的模型参数。
可选的,所述基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数,包括:
基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数的最优解;
相应的,所述将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数,包括:
基于所述最优解并通过预设求解器对所述配合煤质量预测模型和所述焦炭质量预测模型进行求解,以确定配合煤参数和焦炭参数。
第二方面,本申请公开了一种配煤配比预测装置,包括:
数据获取模块,用于采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标;
第一模型创建模块,用于基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型;
第二模型创建模块,用于基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型;其中,所述第一抗碎强度为用于筛选产生大于第一预设长度的焦炭的抗碎强度指标,所述第二抗碎强度为用于筛选产生大于第二预设长度的焦炭的抗碎强度指标;
第一参数确定模块,用于基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足所述配煤比例计算模型的约束条件,基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数;
第二参数确定模块,用于将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的配煤配比预测方法的步骤。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的配煤配比预测方法的步骤。
由此可见,本申请公开了一种配煤配比预测方法,包括:采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标;基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型;基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型;其中,所述第一抗碎强度为用于筛选产生大于第一预设长度的焦炭的抗碎强度指标,所述第二抗碎强度为用于筛选产生大于第二预设长度的焦炭的抗碎强度指标;基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足所述配煤比例计算模型的约束条件,基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数;将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数。可见,本申请通过利用单煤各指标和配比以及历史数据建立焦炭质量的预测模型,预测焦炭各质量指标的效率和准确度。并在此基础上实现在稳定焦炭指标的前提下最大限度的降低原料煤成本的目标,进行合理的配煤配方,使得通过该配方炼制出来的焦炭既能满足市场的需求,又能尽可能的降低炼焦所需成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种配煤配比预测方法流程图;
图2为本申请公开的一种智能配煤系统数据架构图;
图3为本申请公开的一种具体的配煤配比预测方法流程图;
图4为本申请公开的一种配合煤质量预测与焦炭质量预测流程图;
图5为本申请公开的一种配煤配比预测装置结构示意图;
图6为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术下,焦化企业更多的还是停留在使用传统的经验对配煤配方进行调配,也有的企业在炼焦之前先对单煤抽取少量的样本,再用小焦炉进行炼焦实验,已验证配比是否满足预期的炼焦要求,调整配比直至结果符合预期。采用该生产模式的效率十分低下,一旦得到的炼焦产品不满足要求则需要调整比例再进行实验,实验周期较长,且小焦炉实验结果经过放大很有可能得到的产品质量与预期的并不一致,并且为了能满足焦炭质量指标,焦化企业往往会考虑提高优质炼焦煤的配比,会造成资源和成本的浪费。一旦煤源发生变化,需要重新积累配煤经验,总结出新的配煤方法。
为此,本申请提供了一种配煤配比预测方案,能够如何在稳定焦炭质量标准的基础上,实现优化配比预测焦炭质量,降低炼焦成本,对煤资源进行更加科学的开发和利用,提升自我竞争力。
参照图1所示,本发明实施例公开了一种配煤配比预测方法,包括:
步骤S11:采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标。
本实施例中,对煤生产过程和配煤过程的基础数据进行采集,参照图2所示,工艺数据层是生产过程中的基础数据,具体可以包括但不限于:用于表示煤种成分、库存量、价格等数据指标的单煤指标化验数据和煤种库存数据、用于表示焦炭成分的焦炭指标化验数据、炼焦生产工艺及工况数据等,其中,工况数据具体可以包括标准温度、推焦电流等,然后将不同的数据指标分别按照预先确定的对应数据库进行保存,数据层实现对工艺数据的采集及存储,同时接收来智能配煤模型提供的配比方案。数据层是装置的数据库部分,它主要包括单煤质量数据库、配合煤质量数据库、焦炭质量数据库、配合煤质量预测数据库、焦炭质量预测数据库、配方数据库等多套数据库。数据库的作用是支撑整个装置,为焦炭质量预测、优化配比的计算、数据查询和存储等操作提供支持。算法层是整个装置的核心,主要有两方面的功能:基于用户提供的单煤数据以及炼焦工艺与工况数据,预测焦炭质量信息;结合用户对焦炭质量指标、成本等配煤需求,结合数据挖掘算法,计算最优配煤比。交互层用于用户配煤操作,提供友好便捷的软件操作体验,进行数据展示,用户可在交互层设定配方、配合煤或焦炭指标范围以及选择参与配比优化操作的煤种等操作。
本实施例中,所述采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标之后,还包括:对所述单煤数据指标进行清洗操作,以获取清洗后单煤数据指标。可以理解的是,当获取单煤数据指标之后,需要对采集到的数据指标进行数据清洗,利用清洗后的数据进行后续处理,避免直接获取的单煤数据指标中存在不清晰数据和重复数据等。
步骤S12:基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型。
本实施例中,基于所述灰分数据指标、所述硫分数据指标、所述挥发分数据指标与各自对应的配比权重,分别构建预测第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标的第一预测方程;可以理解的是,首先,建立配合煤质量预测模型,由于配合煤作为连结单煤和焦炭的桥梁,其质量指标直接影响后续将配合煤练成焦炭的质量。其需要关注的质量指标主要有:配合煤的A(灰分)、S(硫分)、V(挥发分)、G(粘结指数)、Y(胶质层厚度)、X(收缩度),灰分指的是完全燃烧后,剩余残渣所占百分比;挥发分指的是在规定条件下隔绝空气加热并进行水分校正后的质量损失;硫分指的是各种形态的硫元素所占的百分比;粘结性是指煤在炼焦时的塑性能力;胶质层厚度指的是胶质层最大厚度;收缩度指的是膨胀压力。对于A、S、V指标,配合煤指标可由各种单煤与各自的配比的乘积之和计算得到,第一预测方程的公式如下:
其中,AP表示配合煤的灰分数据指标,也即第一灰分数据指标;SP表示配合煤的硫分数据指标,也即第一硫分数据指标;VP表示配合煤的挥发分数据指标,也即第一挥发分数据指标;Pi表示与各项数据指标对应的配比,i表示单项数据指标中具体某一个数据,p表示配合煤。
本实施例中,将所述第一灰分数据指标、所述第一硫分数据指标、所述第一挥发分数据指标输入至训练后的随机森林模型,构建预测得到粘结指数、胶质层厚度和收缩度的第二预测方程;可以理解的是,对于G、X、Y指标,由于其性质涉及到分子间的相互作用,不能单纯的由其加权求和得到,因此采用随机森林的智能算法对其进行预测,分别通过历史数据训练出相应的随机森林模型,可通过输入配合煤的A、S、V数据,预测配合煤G、X、Y指标,公式如下:
GP=Forest_Model_G(AP、SP、VP);
XP=Forest_Model_X(AP、SP、VP);
YP=Forest_Model_Y(AP、SP、VP);
其中,GP表示预测出的配合煤的粘结指数,XP表示预测出的配合煤的收缩度;YP表示预测出的配合煤的胶质层厚度。
本实施例中,利用预先采集的历史灰分数据、历史硫分数据和历史挥发分数据对随机森林模型进行训练,以得到训练后的随机森林模型,可以理解的是,通过对随机森林模型进行训练,以训练出通过输入灰分数据、灰分数据、挥发分数据即得到对配合煤的粘结指数、收缩度胶、质层厚度的预测数据的模型,基于所述第一预测方程和所述第二预测方程构建配合煤质量预测模型,然后将上述预测第一灰分数据指标、第一硫分数据指标和第一挥发分数据指标的第一预测方程以及预测配合煤的粘结指数、收缩度胶、质层厚度的第二预测方程确定了用于预测各个配合煤数据指标的配合煤质量预测的模型。
步骤S13:基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型;其中,所述第一抗碎强度为用于筛选产生大于第一预设长度的焦炭的抗碎强度指标,所述第二抗碎强度为用于筛选产生大于第二预设长度的焦炭的抗碎强度指标。
本实施例中,对于焦炭其需要关注的质量指标主要有:焦炭的A、S、V、M40、M25、M10、CRI(反应性)、CSR(反应后强度)。结合焦化厂的实际情况,假设焦炭的A、S、V、M40、M25、M10与配合煤的A、S、V、G以及结焦时间t成多元线性关系,即
Aj=aA,0+aA,1AP+aA,2SP+aA,3VP+aA,4GP+aA,5t;
Sj=aS,0+aS,1AP+aS,2SP+aS,3VP+aS,4GP+aS,5t;
Vj=aV,0+aV,1AP+aV,2SP+aV,3VP+aV,4GP+aV,5t;
M40j=aM40.0+aM40.1AP+aM40.2SP+aM40.3VP+aM40.4GP+aM40.5t;
M25j=aM25.0+aM25.1AP+aM25.2SP+aM25.3VP+aM25.4GP+aM25.5t;
M10j=aM10.0+aM10.1AP+aM10.2SP+aM10.3VP+aM10.4GP+aM10.5t;
其中,Aj表示预测的焦炭灰分数据指标,也即第二灰分数据指标,Sj表示预测的焦炭硫分数据指标,也即第二硫分数据指标,Vj表示预测的焦炭挥发分数据指标,也即第二挥发分数据指标,M40j表示焦炭的第一抗碎强度,用于实际生产过程中大于40mm的焦炭产率,M25j表示焦炭的第一抗碎强度,用于实际生产过程中大于25mm的焦炭产率,M10j表示焦炭的耐磨强度,用于实际生产过程中小于10mm的焦炭产率,a表示焦炭质量预测模型的模型参数,为常数,j表示焦炭。变量中的结焦时间是决定标准温度等其他工艺操作条件从而影响焦炭质量的重要工艺参数,延长结焦时间能够改善焦炭的抗碎强度和反应强度,但结焦时间过长会影响单位时间内焦炭的产量。结焦时间的数值大小由财务根据煤炭和焦炭的市场价格决定再传达给储运和焦化室。
本实施例中,基于第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数以及结焦时间分别构建焦炭反应性二次函数方程和焦炭反应后强度二次函数方程,预测CRI和CSR的二次函数方程如下:
CRIj=F_CRI(AP、SP、VP、GP、t);
CSRj=F_CSR(AP、SP、VP、GP、t);
其中,利用第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数通过二次函数方程建立相应的数学模型,对焦炭中的CRI与CSR进行预测。
步骤S14:基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足所述配煤比例计算模型的约束条件,基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数。
本实施例中,构建配煤比例计算模型,然后根据组建的第一灰分数据指标、第二灰分数据指标、第一硫分数据指标、第二硫分数据指标、第一挥发分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度、焦炭反应性、焦炭反应强度的约束条件,并利用上述约束条件在计算对配煤比例计算模型的可行解进行约束,以得到唯一一个最优解,也即单煤配比参数Pi。
步骤S15:将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数。
本实施例中,将单煤配比参数Pi带入配合煤质量预测模型中和焦炭质量预测模型中,然后所述配合煤质量预测模型和所述焦炭质量预测模型分别预测出具体的第一灰分数据指标、第二灰分数据指标、第一硫分数据指标、第二硫分数据指标、第一挥发分数据指标、第二挥发分数据指标、粘结指数、胶质层厚度、收缩度、第一抗碎强度、第二抗碎强度、耐磨强度、焦炭反应性、焦炭反应强度等配合煤参数和焦炭参数。
由此可见,本申请公开了一种配煤配比预测方法,包括:采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标;基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型;基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型;其中,所述第一抗碎强度为用于筛选产生大于第一预设长度的焦炭的抗碎强度指标,所述第二抗碎强度为用于筛选产生大于第二预设长度的焦炭的抗碎强度指标;基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足所述配煤比例计算模型的约束条件,基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数;将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数。可见,本申请通过利用单煤各指标和配比以及历史数据建立焦炭质量的预测模型,预测焦炭各质量指标的效率和准确度。并在此基础上实现在稳定焦炭指标的前提下最大限度的降低原料煤成本的目标,进行合理的配煤配方,使得通过该配方炼制出来的焦炭既能满足市场的需求,又能尽可能的降低炼焦所需成本。
参照图3所示,本发明实施例公开了一种具体的配煤配比预测方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
步骤S21:采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标。
步骤S22:基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型。
步骤S23:基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型;其中,所述第一抗碎强度为用于筛选产生大于第一预设长度的焦炭的抗碎强度指标,所述第二抗碎强度为用于筛选产生大于第二预设长度的焦炭的抗碎强度指标。
其中,步骤S21、S22、S23中更加详细的处理过程请参照前述公开的实施例内容,在此不再进行赘述。
步骤S24:利用最小二乘法确定所述焦炭质量预测模型的模型参数。
本实施例中,采用最小二乘法确定焦炭质量预测方程的回归系数a的估计值,并通过计算R2来反应直线的拟合度。R2越接近于1,说明回归方程拟合的越好;R2越接近于0,说明回归方程拟合的越差,R2的计算公式如下:
步骤S25:基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足所述配煤比例计算模型的约束条件。
本实施例中,基于单煤配比与配煤成本参数构建配煤比例计算模型,其中,所述配煤比例计算模型的数学表达式如下所示:
其中,min f(x)表示求取约束条件下的单煤配比与配煤成本乘积之和的最小值,Pi表示单煤配比参数,Ci表示配煤成本参数,也即价格。
本实施例例中,根据配合煤质量预测模型中的第一预测方程以及焦炭质量预测模型中对各个数据指标的预测,进一步构建相应的约束方程,约束方程如下:
Pi≥0;
AP,min≤AP≤AP,max;
VP,min≤VP≤VP,max;
SP,min≤SP≤SP,max;
Aj,min≤Aj≤Aj,max;
Sj,min≤Sj≤Sj,max;
Vj,min≤Vj≤Vj,max;
M40j,min≤M40j≤M40j,max;
M25j,min≤M25j≤M25j,max;
M10j,min≤M10j≤M10j,max;
CRIj,min≤CRIj≤CRIj,max;
CSRj,min≤CSRj≤CSRj,max;
其中,上述的约束条件为根据国家标准、行业标准或者客户实际的需求确定各个指标的上下限,另外要求配煤中,n种单煤的配比之和为100%。以上组成了配煤具有n个决策变量的线性方程组约束条件。
步骤S26:基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数的最优解;基于所述最优解并通过预设求解器对所述配合煤质量预测模型和所述焦炭质量预测模型进行求解,以确定配合煤参数和焦炭参数。
本实施例中,在一般情况下能满足上述约束条件的可行解很多,但能满足目标函数,也即成本最低的优化解只有一个。利用casadi第三方数据库中的Nlpsol求解器对以上建立的数学模型进行求解,可得符合条件对的最佳配比。将最佳配比回代到配合煤预测模型、焦炭质量预测模型即可得到配合煤和焦炭的指标预测结果。参照图4所示,首先对单煤数据库中的单煤数据指标和煤种数据指标进行数据清洗,然后将其输入至配合煤指标预测模型中,得到相应的携带未知参数的配合煤数据,并对该配合煤数据进行清洗,获取数据清洗之后的配合煤数据,然后分别从焦炭数据库和工艺参数数据库中获取焦炭指标化验数据和工艺参数数据,并对该焦炭指标化验数据和工艺参数数据进行清洗,并基于清洗后的配合煤数据、清洗后的焦炭指标化验数据和清洗后的工艺数据构建焦炭质量预测模型,然后从约束条件库中获取相应的约束条件,并对构建的目标函数进行求解,获取单煤配比的最优解,并将该最优解分别带入配合煤质量预测模型和焦炭质量预测模型中,得到各个数据指标的预测方案,完成配煤配方。
由此可见,本实施例通过利用单煤各指标和配比提高预测焦炭各质量指标的效率和准确度。在此基础上给出合理的配煤配方,使得通过该配方炼制出来的焦炭既能满足市场的需求,又能尽可能的降低炼焦所需成本。
参照图5所示,本发明实施例公开了一种配煤配比预测装置,包括:
数据获取模块11,用于采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标;
第一模型创建模块12,用于基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型;
第二模型创建模块13,用于基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型;其中,所述第一抗碎强度为用于筛选产生大于第一预设长度的焦炭的抗碎强度指标,所述第二抗碎强度为用于筛选产生大于第二预设长度的焦炭的抗碎强度指标;
第一参数确定模块14,用于基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足所述配煤比例计算模型的约束条件,基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数;
第二参数确定模块15,用于将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数。
由此可见,本申请公开了一种配煤配比预测方法,包括:采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标;基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型;基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型;其中,所述第一抗碎强度为用于筛选产生大于第一预设长度的焦炭的抗碎强度指标,所述第二抗碎强度为用于筛选产生大于第二预设长度的焦炭的抗碎强度指标;基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足所述配煤比例计算模型的约束条件,基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数;将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数。可见,本申请通过利用单煤各指标和配比以及历史数据建立焦炭质量的预测模型,预测焦炭各质量指标的效率和准确度。并在此基础上实现在稳定焦炭指标的前提下最大限度的降低原料煤成本的目标,进行合理的配煤配方,使得通过该配方炼制出来的焦炭既能满足市场的需求,又能尽可能的降低炼焦所需成本。
进一步的,本申请实施例还公开了一种电子设备,图6是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图6为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的配煤配比预测方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量数据223的运算与处理,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的配煤配比预测方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据,也可以包括由自身输入输出接口25采集到的数据等。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的配煤配比预测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种配煤配比预测方法、装置、设备、存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种配煤配比预测方法,其特征在于,包括:
采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标;
基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型;
基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型;其中,所述第一抗碎强度为用于筛选产生大于第一预设长度的焦炭的抗碎强度指标,所述第二抗碎强度为用于筛选产生大于第二预设长度的焦炭的抗碎强度指标;
基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足所述配煤比例计算模型的约束条件,基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数;
将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数。
2.根据权利要求1所述的配煤配比预测方法,其特征在于,所述采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标之后,还包括:
对所述单煤数据指标进行清洗操作,以获取清洗后单煤数据指标。
3.根据权利要求1所述的配煤配比预测方法,其特征在于,所述基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型,包括:
基于所述灰分数据指标、所述硫分数据指标、所述挥发分数据指标与各自对应的配比权重,分别构建预测第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标的第一预测方程;
将所述第一灰分数据指标、所述第一硫分数据指标、所述第一挥发分数据指标输入至训练后的随机森林模型,构建预测得到粘结指数、胶质层厚度和收缩度的第二预测方程;
基于所述第一预测方程和所述第二预测方程构建配合煤质量预测模型。
4.根据权利要求3所述的配煤配比预测方法,其特征在于,所述将所述第一灰分数据指标、所述第一硫分数据指标、所述第一挥发分数据指标输入至训练后的随机森林模型之前,还包括:
利用预先采集的历史灰分数据、历史硫分数据和历史挥发分数据对随机森林模型进行训练,以得到训练后的随机森林模型。
5.根据权利要求1所述的配煤配比预测方法,其特征在于,所述基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型过程中,还包括:
基于第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数以及结焦时间分别构建焦炭反应性二次函数方程和焦炭反应后强度二次函数方程。
6.根据权利要求1所述的配煤配比预测方法,其特征在于,所述基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型之后,还包括:
利用最小二乘法确定所述焦炭质量预测模型的模型参数。
7.根据权利要求1至6任一项所述的配煤配比预测方法,其特征在于,所述基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数,包括:
基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数的最优解;
相应的,所述将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数,包括:
基于所述最优解并通过预设求解器对所述配合煤质量预测模型和所述焦炭质量预测模型进行求解,以确定配合煤参数和焦炭参数。
8.一种配煤配比预测装置,其特征在于,包括:
数据获取模块,用于采集配煤过程产生的包含灰分数据指标、硫分数据指标、挥发分数据指标的单煤数据指标;
第一模型创建模块,用于基于所述单煤数据指标构建用于预测包含配合煤的第一灰分数据指标、第一硫分数据指标、第一挥发分数据指标、粘结指数、胶质层厚度和收缩度的第一数据指标信息的配合煤质量预测模型;
第二模型创建模块,用于基于所述第一数据指标信息和结焦时间构建用于预测包含焦炭的第二灰分数据指标、第二硫分数据指标、第二挥发分数据指标、第一抗碎强度、第二抗碎强度、耐磨强度的第二数据指标信息的焦炭质量预测模型;其中,所述第一抗碎强度为用于筛选产生大于第一预设长度的焦炭的抗碎强度指标,所述第二抗碎强度为用于筛选产生大于第二预设长度的焦炭的抗碎强度指标;
第一参数确定模块,用于基于单煤配比与配煤成本参数构建配煤比例计算模型,并根据各个数据指标的上限与下限组建满足所述配煤比例计算模型的约束条件,基于所述约束条件对所述配煤比例计算模型进行求解,以得到单煤配比参数;
第二参数确定模块,用于将所述单煤配比参数输入所述配合煤质量预测模型和所述焦炭质量预测模型,以便所述配合煤质量预测模型和所述焦炭质量预测模型分别预测配合煤参数和焦炭参数。
9.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的配煤配比预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的配煤配比预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211000066.1A CN115270510A (zh) | 2022-08-19 | 2022-08-19 | 一种配煤配比预测方法、装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211000066.1A CN115270510A (zh) | 2022-08-19 | 2022-08-19 | 一种配煤配比预测方法、装置、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270510A true CN115270510A (zh) | 2022-11-01 |
Family
ID=83752015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211000066.1A Pending CN115270510A (zh) | 2022-08-19 | 2022-08-19 | 一种配煤配比预测方法、装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270510A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116651306A (zh) * | 2023-08-01 | 2023-08-29 | 山西中科冶金建设有限公司 | 一种智能焦煤配比系统 |
-
2022
- 2022-08-19 CN CN202211000066.1A patent/CN115270510A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116651306A (zh) * | 2023-08-01 | 2023-08-29 | 山西中科冶金建设有限公司 | 一种智能焦煤配比系统 |
CN116651306B (zh) * | 2023-08-01 | 2023-10-03 | 山西中科冶金建设有限公司 | 一种智能焦煤配比系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cosmas et al. | An econometric analysis of the macroeconomic determinants of carbon dioxide emissions in Nigeria | |
Gerst | Linking material flow analysis and resource policy via future scenarios of in-use stock: an example for copper | |
Wu et al. | Review of life cycle impact assessment (LCIA) methods and inventory databases | |
Aslam et al. | A new lot inspection procedure based on exponentially weighted moving average | |
CN115270510A (zh) | 一种配煤配比预测方法、装置、设备、存储介质 | |
Butts | Exact bounds for degree centralization | |
Liu et al. | Exploring the dynamic relationship between energy efficiency, trade, economic growth, and CO2 emissions: Evidence from novel fourier ARDL approach | |
Chang et al. | Three-variance approach for updating earned value management | |
Martínez‐Ferrero et al. | How capital markets assess the credibility and accuracy of CSR reporting: Exploring the effects of assurance quality and CSR restatement issuance | |
Zeng | Forecasting the relation of supply and demand of natural gas in China during 2015-2020 using a novel grey model | |
Lin et al. | Fuel substitution and environmental sustainability in India: Perspectives of technical progress | |
An et al. | How can computable general equilibrium models serve low-carbon policy? A systematic review | |
Khazraeializadeh et al. | Comparative analysis of sewer physical condition grading protocols for the City of Edmonton | |
JP5283143B1 (ja) | 機器や設備に対して稼働状況の診断を行う稼働状況診断装置、稼働状況診断方法、及び、稼働状況診断プログラム | |
Lu et al. | Heterogeneous environmental regulation tools and green economy development: evidence from China | |
Mahapatra et al. | Investigating asymmetric impacts of total factor energy efficiency on carbon emissions in India | |
Vimmerstedt et al. | Dynamic modeling of learning in emerging energy industries: The example of advanced biofuels in the United States | |
Kuo et al. | Energy consumption, GDP, and foreign direct investment in Germany | |
Hakawati et al. | Smart energy management in residential buildings: the impact of knowledge and behavior | |
Dasgupta et al. | Environment and economic development: An analysis of electricity demand projections for India | |
CN113408113A (zh) | 材料低周疲劳寿命曲线的小子样评估方法 | |
Ma et al. | Revisiting the relationships between energy consumption, economic development and urban size: A global perspective using remote sensing data | |
Zhao et al. | Data-driven Wasserstein distributionally robust optimization for refinery planning under uncertainty | |
CN113988370A (zh) | 基于解析四维集合变分的求解条件非线性最优扰动方法 | |
Morley et al. | Decision support system for the long-term city metabolism planning problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |