基于BP神经网络的富油煤焦油产率预测.pdf

第 69 卷增刊 1Vol.69Supp.12023 年6 月Jun.,2023地质论评GEOLOGICALREVIEW569基于 BP 神经网络的富油煤焦油产率预测一王昌建1)，乔军伟1,2,3)1)西安科技大学地质与环境学院，西安，710054；2)西安科技大学 煤炭绿色开采地质研究院，西安，710054；3)西安科技大学 陕西省煤炭绿色开发地质保障重点实验室，西安，710054注：本文为陕西煤业化工集团有限责任公司科学技术研究计划项目（编号：2021SMHKJ-A-J-07-02）的成果。收稿日期：2023-04-10；改回日期：2023-04-30；责任编辑：潘静。DOI：10.16509/j.georeview.2023.s1.250作者简介：王昌建，男，1998 年生，硕士研究生在读，资源与环境专业；Email：。通讯作者：乔军伟，男，1985 年生，博士，副教授，煤地质学专业；Email：。关键词：关键词：富油煤；焦油产率预测；BP 神经网络我国的资源禀赋特征为“缺油、少气、相对富煤”，紧张的油气供应形势促进了煤制油行业的发展。矿产资源工业要求手册（2014 修订版）将在格金干馏试验条件下焦油产率小于 7%的煤称为含油煤，焦油产率在 7%12%的煤称为富油煤、大于12%为高油煤。我国煤炭资源保有储量中超过半数属于高油、富油煤，但是有超过 80%的煤炭直接作为燃料，只有不到十分之一的煤炭为化工行业所用。绝大多数高油、富油煤直接燃烧，造成了资源极大的浪费（邹卓等，2022），富油煤是集煤、油、气属性于一体的煤基油气资源（赵文智等，2023），受限于煤炭地质勘查对富油煤的认识不足，以往的地质勘查只对极少量的煤样开展了焦油产率测试，大大限制了对富油煤富油性的研究，严重制约了富油煤规模化的开发和利用。要摸清富油煤富油性的分布特征和变化规律，焦油产率值是不可或缺的重要指标。各煤炭企业、科研单位在日常分析化验中，通常只根据 GB/T13412007煤的格金低温干馏试验方法测定煤的焦油产率，由于以往钻探样品大多丢失，重新开展样品的焦油产率测试已不现实。各煤质指标与焦油产率均有一定相关性，一般而言，挥发分产率、氢元素含量越高，煤的焦油产率越高（师庆民等，2022），因此，依据相关的煤质指标来预测焦油产率具是可行性的。随着科技进步，机器学习的方法越来越多的应用到煤炭行业（周永章等，2021），BP 神经网络算法可以挖掘各种非线性煤质数据间的关系来预测焦油产率。基于此，本文以曹家滩矿2-2煤层两个工作面的煤质测试数据为基础，利用BP 神经网络算法建立富油煤的焦油产率的预测模型，实现以往测试数据的充分利用，进而为富油煤低温干馏这一清洁利用方向提供理论依据。1研究区概况1.1曹家滩井田地质概况曹家滩煤矿位于鄂尔多斯高原东北部，行政区划隶属榆林市榆阳区金鸡滩乡和大河塔乡及神木县大保当镇管辖。曹家滩矿井内大部分地区被风积沙所覆盖，部分地段有第四系黄土及新近系红土出露。据钻孔揭露及地质填图资料，区内地层由老至新依次有：三叠系上统永坪组（T3y），侏罗系下统富县组（J1f），中统延安组（J2y）、直罗组（J2z）、安定组（J2a）、新近系上新统保德组（N2b）、第四系中更新统离石组（Q2l）、上更新统萨拉乌素组（Q3s）、全新统风积沙（Q4eol）。井田地层总体为走向 NE，倾向 NW，倾角不足 1的单斜构造，各煤层均显示存在宽缓的波状起伏。侏罗系中统延安组是曹家滩矿井内的含煤地层，其中主要可采煤层 5层，分别为 2-2上、2-2（2-2下）、3-1、4-3、5-3（5-3上）煤层。1.2曹家滩井田煤质特征曹家滩矿井目前正在开采的煤层为 2-2煤层，本次采集的样品主要集中在曹家滩矿井 2-2煤层回采工作面、掘进巷道及在采工作面。工业分析测试结果显示，2-2煤层水分（Mad）含量一般介于4.16%9.49%之间，平均值为 6.38%，其中以 4%7%为主。灰分（Ad）产率一般介于 2.44%21.73%之地质论评 2023 年 69 卷增刊 1570间，平均值为 8.88%，以特低灰煤为主，极少数为低灰煤。挥发分（Vdaf）产率介于 31.7%45.6%之间，平均为 38.06%，属于中高高挥特高发分烟煤。固定碳（FCad）含量一般介于 40.03%60.53%之间，平均值为 52.86%。元素分析测试结果显示，碳元素含量主要介于 74.09%83.4%之间，平均值为 81.08%；氢元素含量主要介于 3.51%5.26%之间，平均值为 4.45%。各个煤质指标的统计学数据以及和焦油产率间的相关系数如下表（表 1）。2焦油产率预测模型构建与评价2.1数据预处理数据预处理是建立机器学习模型至关重要的一步，在样本数量不是足够大的情况下带入异常值对所建立模型的准确性影响是巨大的。将在曹家滩矿井 2-2煤层回采工作面、掘进巷道及在采工作面采集的样品编号记录后密封包装，及时运回实验室按照对应国标开展煤质测试分析。依据经验检查样本数据的合理性，共得到 52 条包括水分、灰分、挥发分、固定碳、干燥基高位发热量、全硫、H 元素含量、C 元素含量 8 项煤质指标的数据。对于 BP 神经网络算法来说，使输入数据以同等量级出现可以提高算法的收敛能力，因此数据标准化是非常重要预处理过程，共有 52 个样品，每个样品测量了 8 项指标(变量)，得出如下原始数据矩阵：111212122212mmijnnnmxxxxxxXxxxx（1）i=1,2,n（样品个数，n=52）j=1,2,m（变量个数，m=8）ijX表示第 i 个样品、第 j 个变量的观测值。设变换后的数据记为ijZ，则：(x)/(1,2,1,2,)ijjjijzxsin jm（2）js为第 j 个煤质指标的标准差。根据式（2）将水分、灰分、挥发分、固定碳、干燥基高位发热量、全硫、H 元素含量、C 元素含量 8 项煤质指标进行标准化处理。2.2神经网络构建BP 神经网络是 20 世纪 80 年代发展起来的一种机器学习算法，此算法网络结构简单、使用方便、具有广泛的适用性，在多维非线性拟合方面有显著的优势（Hinton et al.,2006）。BP 神经网络预测焦油产率的结构图如下图（图 1）。将 2.1 所得的水分、灰分、挥发分、固定碳、干燥基高位发热量、全硫、H 元素含量、C 元素含量 8 项标准化数据作为 BP 神经网络的输入变量，则神经网络的输入神经元为 8 个；焦油产率作为输出变量，则神经网络的输出神经元为 1 个。隐含层数的增加可以降低网络误差,但同时也会使网络复杂性增大,导致网络的训练时间增大、出现“过拟合”倾向的可能性增大。BP 神经网络只需具备单个隐含层和有限个数的隐藏层神经单元，就能以任意精度拟合任意复杂度的函数。因此，建立一个单隐藏层的神经网络即可满足预测需求，而隐藏层节点数对 BP 神经网络性能的影响也很大，目前理论上还不存在一种科学普遍的确定方法。此次研究依据最优隐藏层神经元个数的经验公式，采用试错法，找出最优隐层神经元个数。经验公式如下：lmna（3）式中，l 为神经网络隐藏层神经元个数,m、n 分别为神经网络输入层神经元个数和输出层神经元个数，a 为 110 间的整数。在 Python 3.10 的环境下，导入“pandas”库用以存读文件，导入“numpy”库用来数学计算，按照下图（图 1）的网络结构编写程序。关键步骤如下：定义激活函数；设置前向传播计算公式；反向传播更新参数；试错法寻找最优超参数；保存符合要求的预测模型。2.3网络训练和验证按照 91 划分训练集和测试集，在 52 条样本数据中抽取 6 条用来测试，其余 46 条作为训练样本。在训练过程中,不断地对设置的参数进行修改,以求达到最优的效果。网络初始设置为：隐藏层激活函数选用 sigmoid函数，隐藏层节点数为 4，最大迭代次数设置为 2500次，学习率设置为 0.01，训练目标均方误差设置为0.1。按照“网格寻优”的试错法，最大迭代次数从2500 到 20000，每 2500 试验一次；隐藏层节点数从 4 到 13，每隔 1 试验一次；学习率从 0.01 到 0.001每隔0.001试验一次；分别试用Sigmoid函数和Tanh函数做激活函数。通过多次试错，最终确定隐藏层节点数为 6，最大迭代次数为 5000 次，学习率设置为 0.003，训地质论评 2023 年 69 卷增刊 1571练目标均方误差设置为 0.1。运行程序，保存模型，得到合适的 BP 神经网络焦油产率预测模型。2.4模型评价将标准化后的 8 项煤质指标数据带入 BP 神经网络焦油产率预测模型，计算所得煤焦油产率与实际焦油产率进行比较。分析预测模型的误差，结果如下图（图 2），从图 2 可以看出，BP 神经网络预测模型需迭代大约 4000 次即可满足精度要求，由训练集和测试集焦油产率预测值与实际值对比，此BP 神经网络焦油产率预测模型的拟合优度强于泛化能力。在 52 条数据上，模型的最小相对误差为1.3%，最大相对误差为 15.8%。因此，采用此 BP神经网络模型预测富油煤焦油产率是合理的。依据统计学原理，任何回归模型一般只适用于原始数据的变动范围，需要外推时要严格限制外推范围，也就是说，该预测模型最佳适应范围是焦油产率在 7%16%的陕北侏罗纪低阶烟煤。3结论选择水分、灰分、挥发分、固定碳、干燥基高位发热量、全硫、H 元素含量、C 元素含量 8 项煤质指标作为 BP 神经网络的输入，以焦油产率值作为输出，通过试错法寻找神经网络的最佳参数，训练了一个单隐层焦油产率预测模型，隐层神经元数为 6 个，选取 sigmoid 函数作为激活函数。预测模型表现良好，训练和测试的综合决定系数 R2为0.9512，能够满足生产中焦油产率预测的精度要求。本研究对实现利用陕西侏罗纪煤田以往海量煤质数据预测焦油产率有一定意义。参考文献参考文献/References师庆民,王双明,王生全,郭晨,蔡玥,杜芳鹏,乔军伟,常波峰,张宏,苗彦平.2022.神府南部延安组富油煤多源判识规律.煤炭学报,47(5):20572066.赵文智,梁坤,王坤,林世国,李志欣.2023.油气安全战略与“双碳”战略：关系与路径.中国科学院院刊,38(1):110.周永章,左仁广,刘刚,袁峰,毛先成,郭艳军,肖凡,廖杰,刘艳鹏.2021.数学地球科学跨越发展的十年：大数据、人工智能算法正在改变地质学.矿物岩石地球化学通报,40(3):556573+777.邹卓,张莉,孙杰,刘亢,黄少青,丁恋.2022.富油煤热解技术及利用前景研究.中国煤炭地质,34(11):3134.Hinton G E,Osindero S,Teh Y.2006.A fast learning algorithm for deepbelief nets.Neural Computation,18:15271554.WANG Changjian,QIAO Junwei:Rich coal tar yieldprediction based on BPneural networkKeywords:rich oil coal;prediction of tar yield;BP neuralnetwork表 1各煤质指标统计学数据指标平均数（%）方差最小值（%）最大值（%）峰度偏度相关系数水分（Mad）6.32251.30943.32009.49001.20450.44090.0764灰分（Ad）9.839273.37692.440058.820019.93103.7969-0.1784挥发分（Vdaf）38.077710.755231.700045.60000.05460.2523-0.1120固定碳（FCad）52.311034.425624.340060.53008.8079-2.21550.1968干燥无灰基低位发热量（Qnet,daf）26.51628.883311.560030.060011.6546-2.83850.1994硫分（St,d）0.67650.20160.28002.920011.43092.8588-0.4549碳元素含量（Cdaf）80.97903.010574.090083.40005.0081-1.84740.1556氢元素含量（Hdaf）4.46810.12653.51005.2600-0.0204-0.14690.2314焦油产率（Tar.d）8.02311.71184.200011.10000.4798-0.17691.0000地质论评 2023 年 69 卷增刊 1572图 1预测焦油产率的 BP 神经网络结构图 2BP 神经网络迭代训练寻优过程和训练、测试结果W1X+b1W2X+b2