浅析煤质化验有关指标间的关系

浅析煤质化验有关指标间的关系

李世婷

（山西大唐国际云冈热电有限责任公司山西大同037039）

摘要：明确煤炭品质是煤炭化验的目的之一。根据对四种不同煤种的近似分析，本文研究了煤炭品质和煤炭成分之间的关系，通过使用300个数据点研究碳，氢和氧成分与煤炭品种之间的关系，并通过另一组40个数据点进一步验证。通过研究获得了碳，氢和氧成分与煤炭品质之间的相关性数据，通过不同元素的监测就可以估计煤炭品种。

关键词：煤质化验；指标；相关性

1绪论

由于严重的环境污染和能源利用效率低下，煤炭高效、清洁的利用技术是目前研究的热点。煤的物理化学性质是煤炭高效利用的关键。例如，表征煤的能量含量的热值是设计燃烧系统和评估污染的重要参数。煤的最终分析是研究化学转化全过程和煤燃烧烟气流量的方法。煤的近似分析是一种燃料特性，它给出了煤的化学成分，煤的工业分析是了解煤炭品种的重要依据。

目前有研究利用多元回归和人工神经网络模型，利用近似和最终分析的数据，开发了一种预测煤可磨性的预测方法。进行了类似的研究来计算煤的可磨性指数，使用最终分析同时预测镜质体的最大反射率和更高的热值。最终和近似的分析是估算燃料热值的基本要素，显示了使用固体燃料的最终和近似分析来预测较高热值的各种相关性。

2煤炭数据收集和分析方法

2.1数据收集和分析。煤炭种类多种多样，属性在很大程度上随煤炭等级而变化。本文从基本的煤炭性质出发，利用现有研究成果，选择了不同等级的煤进行近似分析和最终分析。首先将300个煤炭数据进行最终分析，这些数据中包括66个褐煤数据，74个次烟煤数据，94个高级烟煤数据和66个无烟煤数据。通过数据分析获得碳，氢和氧成分同煤炭品种的相关关系，其中褐煤的分析结果如表1所示，然后利用40个数据进行相关性验证，验证本文提出的相关关系的正确性。

表1褐煤数据分析结果

2.2相关性拟合方法

煤炭的近似分析包括固定碳，挥发性物质和灰分的分析。最终分析包括碳，氢和氧等元素的分析。挥发性物质含量表示在规定条件下加热后挥发性有机化合物的产率。经历各种化学反应，大部分矿物在高温条件下发生移位并形成灰烬。形成的灰分还包括未反应的矿物。固定碳是从焦炭按钮中扣除灰分后的残留物。挥发性物质和固定碳都含有碳，氢和氧。然而，进一步分析可以发现固定碳含量与灰分和挥发性物质含量密切相关，更进一步可以看出碳，氢和氧的组成分别与固定碳，挥发性物质和灰分的相对含量成比例。因此，假设碳（C），氢（H）和氧（O）分别是固定碳（FC），挥发性物质（VM）和灰分（ASH）存在相关关系。以碳，氢和氧为因变量，固定碳，挥发性物质和灰分为自变量，为每个自变量创建单独的非线性相关，并计算伪R2值以确定相关关系。本文测试了各种非线性方程模式，结果表明二次多项式可以更好得反映出相关关系。根据单独的多项式相关性，在每个元素组成和近似分析的组合之间推导出相关性的模式。以次烟煤的元素C为例，详细介绍分析步骤。

从次烟煤元素C与每个独立变量的曲线图中可以看出，C的含量明显取决于ASH，VM和FC的值。然后采用二次多项式进行表述，

其中xi是经验系数。所有最优匹配方程都是二阶多项式，这导致方程的修正二次相关。通过优化系数，使测量结果与元素C的预测结果之间的二次误差之和最小化。使用最小二乘法的广义方法来优化系数。对剩余的相关参数重复相同的过程，包括次烟煤中的H和O，无烟煤中的C，H和O，褐煤中高等级烟煤，C，H和O中的C，H和O，获得各种化学参数之间的平行关联。

2.3相关性评估

如果评估误差趋于零，则相关性被认为是指定数据点集的最佳匹配。为了选择最合适的相关性，应用两个统计参数，即平均绝对误差（AAE）和平均偏差误差（ABE）来评估参数。同时，计算确定系数（R2）值以定义这些呈现的相关性的良好程度。两个统计参数和R2定义如下：

3.实例验证与讨论

拟合相关性的误差分析如表2所示。从表2中可以看出，相比与氢和氧的相关关系，碳相关的测定值系数显示出明显更高的适应度。这可能是由于煤中的碳含量随着煤化过程有规律地均匀变化，褐煤和沥青中的氢含量变化不大，大多数煤中的氧含量受氧化和风化的影响。负的ABE值意味着相关性微弱，而正ABE值则相反。表2中的所有负ABE值表明大多数预测被低估，这也解释了为什么表1中的负误差值多于正值。氧的AAE值明显大于其他两个元素的AAE值。可能是由于原始氧含量数据的获取是差异的，并且灰分，碳，氢，氮和硫的测量误差都被加到氧气中。无烟煤和次烟煤中的氧气AAE值分别大于10％和12.31％和11.85％。

值得注意的是如表2所示，对所有材料使用一个相关性的预测不如使用四个不同的相关性令人满意。基于一个相关性，尽管C预测接近测量值，但是四种类型的煤中氢含量的误差是不稳定的，并且氧含量的误差甚至太大而无法使用计算。虽然四个相关性的预测显示了令人满意的结果。因此，这里采用四种不同的相关性。表3给出了无烟煤相关系数。二次相关表明这两种分析之间的关系不是简单的线性关联。a3，a5和a7的值指出二次项对相关性的贡献更大。值得注意的是，相关性中所有系数的符号并不意味着变量之间存在任何依赖关系。相关中的FC，VM和ASH的独立变量不是完全独立的。只有两个独立变量是独立的。因为在干燥的基础上，FC，VM和ASH的总和是100，当它们中的两个具有值时，第三变量的值可以是差值。

表2拟合相关性的误差分析

表3无烟煤二次拟合相关系数

总结

本文提出了非线性相关性来预测煤的元素组成。在ASH，VM，FC，C，H和O的规定范围内，这些相关性可以预期完成元素组成的合理估计，这些相关性也通过另外一组具有四种煤类型的数据进行验证，给出了相当好的预测效果。当没有复杂的元素组分测量时，这些相关性的关键优点是可以快速简便地预测元素组成。

参考文献

[1]JorjaniE,HowerJC,ChelganiSC,ShiraziMA,MesroghliS.StudiesofrelationshipbetweenpetrographyandelementalanalysiswithgrindabilityforKentuckycoals.Fuel2008;87:707–13.

[2]GenettiD,FletcherTH,PugmireRJ.Developmentandapplicationofacorrelationof13CNMRchemicalstructuralanalysesofcoalbasedonelementalcompositionandvolatilemattercontent.EnergyFuels1999;13:60–8.