English

• 中国优质炼焦煤储量有限。为节省资源并达到焦炭质量要求，焦化企业普遍使用多种煤按一定比例配合炼焦。受地域、经济等因素影响，不同企业所用煤种种类和数量有所不同，有的甚至会达到10种以上^[1]。影响焦炭质量的主要因素包括配合煤性质和炼焦工艺，而炼焦工艺及单种煤性质是可以确定的，因此，优化配煤比例就成为获得优质焦炭和降低生产成本的重要途径。为了更好地指导炼焦配煤，世界各国众多学者致力于科学准确的焦炭质量预测模型建立^[2-6]。焦炭质量预测模型的建立需要考虑两个重要因素：配煤参数的选择和建立方法的选择。

  煤黏结性是煤经热解生成焦炭的一个重要性质^{[7, 8]}，常规炼焦配煤中的焦炭质量预测通常都会考虑将煤黏结性作为其中一项重要参数，且多选用黏结指数G或胶质层最大厚度Y^{[9, 10]}。然而G和Y都存在一定的缺点，如Y只能反映煤热解时产生胶质体的数量而不能对胶质体质量做出合理判断，往往造成Y相近而炼制出的焦炭质量却相差甚远^[11]。煤岩配煤作为一种先进和成熟的理论虽然已有很多应用，但到目前为止，还没有一种具有普遍意义且效果较好的煤岩配煤方法产生^{[12, 13]}，任何企业基于煤岩配煤原理进行炼焦配煤都需要从头开始建立新的数学模型，过程繁琐推广困难。并且无论哪种煤岩配煤方法都过于重视煤岩指标而忽视了一些常规的煤质指标，从而具有片面性。

  炼焦过程是具有多参数、时变、非线性和不确定性的复杂生产过程，其间发生着一系列复杂的物理化学变化，很难用一个传统的、确定的数学模型式来表示。而反向传播网络(BP网络)具有结构简单、容错性强、可控性好等特点，广泛应用于工程实践中。其中的三层BP网络，在中间层单元根据需要自由设定的情况下可以实现以任意精度近似任何连续函数^[14]，比较适合用于焦炭质量预测模型的建立。如周洪等^[15]采用线性加权修正后的配合煤黏结指数G、挥发分V_daf、硫分S_{t, d}和灰分A_d作为模型输入，以焦炭的冷态抗碎强度M₄₀和耐磨强度M₁₀、硫分、灰分作为模型输出，通过BP神经网络建立了焦炭质量预测模型；刘俊等^[16]同样以这些参数作为模型的输入与输出，发现当隐层神经元个数为15时，其建立的BP神经网络模型对焦炭质量预测效果最好；姜静等^[17]提出以线性回归方法预测焦炭灰分和硫分，而以BP神经网络预测焦炭M₄₀、M₁₀、反应性指数CRI和反应后强度CSR，仿真结果表明预测模型的预测精度较高，适应性较好。

  本课题组在前期研究中发现，通过以CS₂/NMP溶剂为主的萃取反萃取法可以将煤中不同黏结能力和成焦特性的组分彼此分离出来，从而在非岩相角度上较准确地揭示出煤中有黏结性的活性组分及无黏结性的惰性组分的含量和质量^[18]；进一步研究发现，炼焦煤的黏结能力强弱与煤种自身的FT-IR特定官能团吸收峰间存在着紧密联系，由此提出了两个互相补充共同决定煤黏结性的红外参数I₃和I₄，并从煤化学结构角度探讨了煤黏结性形成的新机理^[19]。本研究拟以此为基础，构造一组新的炼焦配煤参数，并结合BP网络研究焦炭质量预测新模型，为炼焦配煤新方法的建立提供基础。

  1.   实验部分

  1.1   样品制备及煤质分析

  选取从某焦化厂采集的鑫磊(XL)、白龙(BL)、裕城(YC)、晋兴(JX)和天益(TY)五种经过洗选的炼焦精煤作为实验煤样。煤质分析和萃取反萃取实验所用样品通过粉碎机粉粹至150目左右装袋密封并在惰性环境下保存备用；配煤炼焦用煤样则破碎至粒径≤1.6 mm后备用。煤样工业分析和元素分析见表 1。

  表 1

  

  表 1  煤样的工业分析和元素分析

  Table 1.  Proximate and ultimate analyses of coal samples

  下载: 导出CSV

  Coal sample	Proximate analysis w/%					Ultimate analysis wdaf /%
  	Mad	Ad	Vdaf	FCdaf		C	H	O*	N	S
  XL	1.34	7.60	27.65	72.35		87.52	5.37	3.40	1.50	2.21
  BL	0.82	8.95	32.67	67.33		86.52	5.52	5.54	1.61	0.81
  YC	0.68	8.69	37.13	62.87		86.24	6.06	5.09	1.63	0.98
  JX	1.90	11.16	36.21	63.79		84.25	6.08	7.25	1.68	0.74
  TY	1.26	10.05	33.86	66.14		83.15	5.55	8.54	1.62	1.14
  *：by difference

  1.2   非岩相活性/惰性组分分离

  参照文献^[20]的方法，用CS₂/NMP(1:1，V/V)混合溶剂和反萃取剂对五种煤样进行萃取反萃取实现煤族组分分离，以获得煤重质组(HC)、密中质组(DMC)、疏中质组(LMC)和轻质组(LC)四大族组分。文献^[18]指出，煤中存在黏结性活性组分，在萃取反萃取过程中，黏结性活性组分自然地富集于密中质组和疏中质组中，其中，密中质组是有强黏结能力的组分，疏中质组是有较弱黏结能力的组分，重质组为不黏组分。对应并区分煤岩配煤理论中“镜质组和壳质组是活性组分，丝质组是惰性组分，半镜质组是两性组分”描述^[12]，本研究称重质组为非岩相惰性组分，称密中质组和疏中质组为非岩相活性组分。各族组分干燥无灰基收率见表 2。

  表 2

  

  表 2  全组分分离后各族组分收率

  Table 2.  Yield of each group component after separation of all components

  下载: 导出CSV

  Sample	wdaf /%
  	YDMC	YLMC	YHC	YLC	ΔL
  XL	11.46	20.48	65.33	0.71	2.02
  BL	9.00	20.66	67.62	1.09	1.63
  YC	11.94	26.79	59.15	1.27	0.85
  JX	8.21	12.10	77.52	0.88	1.29
  TY	5.65	12.59	79.38	1.29	1.09
  ΔL：amount at stake

  1.3   煤样的FT-IR测定

  采用美国Nicolet公司的Nicolet 6700傅里叶变换红外光谱仪对样品进行检测分析。干燥的样品与光谱纯的KBr(1:100，质量分数)混合置于玛瑙研钵中，将样品与载体磨细、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测试^[21]。光谱范围为4000-400 cm^-1，分辨率为4 cm^-1，每个光谱累加扫描16次。

  1.4   配煤炼焦实验

  在40 kg实验焦炉中完成配煤炼焦实验，其过程如下：将粒径≤1.6 mm的煤样按比例盛于高70 mm、φ67×4.5 mm且底部有四个φ3 mm小孔的自制煤杯中，用搅拌棒匀速搅拌3 min，摊平(此时煤层厚度约为23.5 mm)，然后放上压片和压块(压片φ66×3 mm、质量约70 g；压块高35 mm，φ49.5 mm，质量约530 g)；将煤杯转移到焦炉中，采用一段加热的方式使得炉温由700 ℃升至1060 ℃，加热时间2 h，升温速率1 ℃/min；将湿法冷却的焦炭自然晾晒约40 h后转入真空干燥箱中，在105 ℃干燥3 h，装袋备用。实验过程中所使用的煤杯、压块、压片和搅拌棒及所制备的焦炭见图 1。

  图 1

  

  图 1.  配煤炼焦实验器具及所制备焦炭

  (a), (b)：coal cup; (c): briquette; (d): tableting; (e): muddler; (f): coke

  Figure 1.  Experimental apparatus for coking of blended coals and the obtained coke

  下载: 全尺寸图片 幻灯片

  以G_LMC×Y_LMC表示疏中质组中黏结性活性组分的能力值(G_LMC表示LMC组分的黏结指数G，下同)，以G_DMC×Y_DMC表示密中质组中黏结性活性组分的能力值，以G_HC×Y_HC表示重质组中惰性组分的能力值，则由图 2可知, 原煤G值与G_LMC×Y_LMC+G_DMC×Y_DMC间存在较好的相关性，其R_adj²达到0.95。说明原煤的黏结能力大小，可以通过其中的活性组分能力值来表达。为此，在确定配煤炼焦实验的配煤比时，即以G_LMC×Y_LMC+ G_DMC×Y_DMC值作为参考。具体为：以各单种煤及两两相配的配合煤开展炼焦实验；对配合煤，每两个单煤种相配时均选择6-7个配合比；为使配合比分布均匀，以G_LMC×Y_LMC+ G_DMC×Y_DMC作为考量指标，比如若是YC和BL相配，通过计算得知YC和BL的G_LMC×Y_LMC+G_DMC×Y_DMC值分别为35.5和27.7，则在[27.7, 35.5]区间内均匀选取29、30、31、32、33和34共六个值作为配合煤的G_LMC×Y_LMC+G_DMC×Y_DMC值，然后分别反算出该组配合煤中YC和BL的配合比例。由此确定的配煤方案见表 3。

  图 2

  

  图 2.  G与G_LMC×Y_LMC+G_DMC×Y_DMC的关系

  Figure 2.  Relationship between G and G_LMC×Y_LMC+G_DMC×Y_DMC

  下载: 全尺寸图片 幻灯片

  表 3

  

  表 3  炼焦实验用煤样配比

  Table 3.  Ratio of each coal sample for coking experiment

  下载: 导出CSV

  No.	Ratio /%
  	XL	YC	BL	JX	TY
  1	100	-	-	-	-
  2	-	100	-	-	-
  3	-	-	100	-	-
  4	-	-	-	100	-
  5	-	-	-	-	100
  6	81.83	-	-	18.17	-
  7	66.5	-	-	33.5	-
  8	51.18	-	-	48.82	-
  9	43.52	-	-	56.48	-
  10	28.19	-	-	71.81	-
  11	12.87	-	-	87.13	-
  12	84.42	-	-	-	15.58
  13	71.28	-	-	-	28.72
  14	58.15	-	-	-	41.85
  15	51.58	-	-	-	48.42
  16	38.44	-	-	-	61.56
  17	25.31	-	-	-	74.69
  18	14.29	-	-	-	85.71
  19	-	80.38	19.62	-	-
  20	-	67.6	32.4	-	-
  21	-	54.81	45.19	-	-
  22	-	42.03	57.97	-	-
  23	-	29.25	70.75	-	-
  24	-	19.28	80.72	-	-
  25	-	86.08	-	13.92	-
  26	-	69.61	-	30.39	-
  27	-	53.14	-	46.86	-
  28	-	36.67	-	63.33	-
  29	-	25.69	-	74.31	-
  30	-	14.71	-	85.29	-
  31	-	87.57	-	-	12.43
  32	-	72.85	-	-	27.15
  33	-	58.14	-	-	41.86
  34	-	43.42	-	-	56.58
  35	-	33.61	-	-	66.39
  36	-	23.8	-	-	76.2
  37	-	13.99	-	-	86.01
  38	-	-	83.53	16.47	-
  39	-	-	73.9	26.1	-
  40	-	-	64.28	35.72	-
  41	-	-	45.03	54.97	-
  42	-	-	27.07	72.93	-
  43	-	-	6.54	93.46	-
  44	-	-	86.37	-	13.63
  45	-	-	70.46	-	29.54
  46	-	-	54.54	-	45.46
  47	-	-	38.62	-	61.38
  48	-	-	22.71	-	77.29
  49	-	-	14.75	-	85.25

  以成焦率(CR)、显微强度(MSI)、粒焦反应性(PRI)^[22]和反应后强度(PSR)^[23]四个指标表征焦炭生成情况和性能。其中，CR计算见公式(1)，MSI和PSR用SYD-F200W型焦炭显微强度仪(鞍山星源达科技有限公司)测定，PRI测定在华北理工大学的动态粒焦反应性测定仪上进行。具体结果见表 4。

  表 4

  

  表 4  焦炭性能

  Table 4.  Coke performances

  下载: 导出CSV

  No.	CR/%	MSI/%	PRI/%	PSR/%
  1	71.98	48.28	61.16	21.88
  2	54.94	27.93	57.5	23.15
  3	66.15	49.8	58.8	17.51
  4	67.31	47.51	59.79	44.64
  5	70.4	43.56	60.87	44.77
  6	72.93	45.21	57.35	33.65
  7	72.5	45.03	58.06	35.96
  8	71.48	51.81	56.94	45.59
  9	70.94	50.95	59.03	37.81
  10	70.26	50.73	61.85	31.61
  11	69.45	43.53	62.55	37.49
  12	71.42	40.48	65.07	27.5
  13	72.84	43.74	62.65	29.56
  14	72.83	45.7	53.13	51.78
  15	72.63	41.63	63	28.26
  16	71.94	47.3	55.37	46.54
  17	72.36	50.44	65	32.41
  18	70.92	41.85	66.13	28.68
  19	55.77	30.18	60.13	15.35
  20	64.04	38.43	60.35	20.78
  21	61.71	41.42	52.6	34.37
  22	65.7	36.04	58.2	17.3
  23	65.03	39.81	57.35	14.97
  24	62.86	33.89	61.56	39.04
  25	61.93	33.51	59.5	22.37
  26	65.51	38.06	52.25	49.98
  27	67.2	51.77	56.05	52.9
  28	67.58	46.21	57.63	46.96
  29	66.71	46.47	60.3	40.7
  30	67.63	46.89	59.15	42.29
  31	57.86	37.37	61.97	15.94
  32	63.64	44.97	62.8	13.16
  33	68.82	50.96	60.92	23.95
  34	69.93	44.23	63.72	21.55
  35	69.26	42.33	63.4	31.02
  36	70.28	39.37	67.37	23.1
  37	71.88	39.71	71.66	20.4
  38	69.6	45.24	57.9	26.35
  39	69.27	44.28	61.46	16.76
  40	68.65	49.76	58.22	30.51
  41	69.82	50.4	60.1	30.56
  42	69.77	48.02	59.32	40.63
  43	69.92	42.64	63.05	34.02
  44	68.35	44.3	60.95	20.13
  45	71.55	48.73	62.84	25.12
  46	73.31	49.32	63.12	30.4
  47	71.91	41.33	67	17.87
  48	72.45	40.52	73.08	15.3
  49	71.92	41.26	69.93	19.46

  $ CR = \frac{{制备的干焦炭总质量}}{{装入煤杯中配煤总质量}} \times 100\% $

  (1)

  2.   配煤参数的选择

  常用于预测焦炭质量的配煤参数包括挥发分V_daf、硫分S_t，d、灰分A_d、碱度指数MBI、矿物质催化指数MCI、基式流动度MF、黏结指数G和最大胶质层厚度Y等^{[24, 25]}。其中，V_daf可以表征煤变质程度，V_daf和A_d与焦炭的热性质如反应性和反应后强度有密切关系，且V_daf和A_d具有较好的加和性^[25]，因此，保留V_daf和A_d作为配煤质量参数。

  如前所述，煤中的重质组是非岩相惰性组分，密中质组和疏中质组是非岩相活性组分，它们的含量(收率)与煤的黏结能力和黏结性密切相关。本课题组的研究^[15]指出，煤中的苯系列化合物、萘系列化合物、蒽与菲系列化合物和长链烷烃是煤黏结性形成的活性组分。密中质组之所以具有强黏结能力，就在于该族组分中含有大量的黏结性活性组分；疏中质组之所以有黏结能力但能力较弱，就在于该族组分中也含有黏结性活性组分但拥有量较少。这些黏结性活性组分有适度的分子结构(如易于与煤中其他组分结合的桥键、基团和杂原子，高含脂肪族结构和酚、醇、胺类结构)和大小(属于中型分子)，使其在热解过程中主要生成胶质体液相，且生成的液相具有非常好的交联点和成键点；液相的多少取决于这两种组分中所含黏结性活性组分的高低；而重质组组分具有大分子结构，热解时主要产生气相、焦油蒸汽和固相，不产生液相或液相很少，所以不能产生良好的黏结性，但其与液相之间的良好作用也能影响煤的黏结性大小。对族组分的热解实验证明^[26]，疏中质组是提供煤热解膨胀性的主要来源物质，密中质组是提供煤热解流动性的主要来源物质，重质组在热解过程中几乎不提供膨胀性和流动性。因此，选取Y_DMC、Y_LMC和Y_HC作为配煤的煤质指标，不仅能一定程度地从煤化学组成和结构角度反映煤中黏结性活性组分和惰性组分含量多少，还能反映煤热解过程中的流动和膨胀能力。配合煤各族组分收率可以按照各单种煤的相应收率加和计算获得。

  煤黏结性是评价烟煤能否用于炼焦的主要依据。黏结指数G和最大胶质层厚度Y是常用的表征煤黏结性的指标。然而煤的黏结性形成机理复杂，现有的黏结性评价方法一般均是将煤作为一个整体的考察，没有从煤组成结构角度反映出黏结性的本源。且黏结指数G不具有加和性；Y虽具有可加性，但其只能反映胶质体的数量，而不能反映胶质体的质量等^[27]。因此, 需要寻找新的能从煤组成结构角度表征煤黏结性且具有加和性的指标。

  本课题组在研究炼焦煤红外光谱的官能团结构与其黏结性的关系时发现^[19]，反映煤中氢键缔合情况和脂肪链长短或支链化程度的I₃和I₄(计算式见(2)和(3))两个参数相互补充共同决定了煤的黏结性，其中, 脂肪族结构是煤黏结性形成的唯一决定性因素，含-OH(或-NH)的氢键缔合结构作为辅助因素可以与脂肪链协同作用于煤黏结性。由于参数I₃和I₄表达的是煤在组成结构方面的特征信息，反映的是煤黏结性形成的本质因素，因此, 选择煤的红外光谱参数I₃和I₄作为表征煤黏结性的新指标。配合煤是由单种煤进行的物理混合，而物理混合不会引起煤中官能团结构的变化^[28]，因此, I₃和I₄同样具有加和性。

  $ {I_3} = {P_{3700 - 3000}}/{P_{1600}} $

  (2)

  $ {I_4} = ({P_{2920}}/{P_{2950}})/{P_{1600}} $

  (3)

  由此，本研究选用Y_DMC、Y_LMC、Y_HC、V_daf、A_d、I₃和I₄，作为建立焦炭质量预测模型时所需要的配煤参数，其配合煤的相应数值由单种煤的相应指标经加和计算得到，计算式如公式(4)所示。配合煤的质量参数见表 5。

  表 5

  

  表 5  配合煤的质量参数

  Table 5.  Quality parameters for blended coals

  下载: 导出CSV

  No.	Quality parameters for blended coals
  	YDMC/%	YLMC/%	YHC/%	Vdaf/%	Ad/%	I3	I4
  1	11.46	20.48	65.33	27.65	7.60	22.69	2.61
  2	11.94	26.79	59.15	37.13	8.69	15.03	2.15
  3	9.00	19.66	63.62	32.67	8.95	18.66	2.63
  4	8.21	12.1	77.52	36.21	11.16	16.97	3.13
  5	5.65	12.59	79.38	33.86	10.05	5.86	2.95
  6	10.87	18.96	67.55	20.44	8.25	21.65	2.61
  7	10.37	17.67	69.41	21.36	8.79	20.77	2.62
  8	9.87	16.39	71.28	22.28	9.34	19.90	2.62
  9	9.62	15.75	72.22	22.74	9.61	19.46	2.62
  10	9.13	14.46	74.08	23.66	10.16	18.58	2.62
  11	8.63	13.18	75.95	24.58	10.70	17.71	2.63
  12	10.55	19.25	67.52	20.03	7.98	20.07	2.66
  13	9.79	18.21	69.37	20.60	8.30	17.86	2.71
  14	9.03	17.18	71.21	21.17	8.63	15.65	2.75
  15	8.65	16.66	72.13	21.46	8.79	14.54	2.77
  16	7.88	15.62	73.98	22.03	9.11	12.33	2.82
  17	7.12	14.59	75.82	22.60	9.43	10.12	2.86
  18	10.55	19.25	67.52	23.08	9.70	8.26	2.90
  19	11.36	25.39	60.03	25.38	8.74	15.74	2.24
  20	10.99	24.48	60.60	24.98	8.77	16.21	2.31
  21	10.61	23.57	61.17	24.58	8.81	16.67	2.37
  22	10.24	22.66	61.74	24.18	8.84	17.13	2.43
  23	9.86	21.75	62.31	23.78	8.87	17.60	2.49
  24	9.57	21.03	62.76	23.47	8.90	17.96	2.54
  25	11.42	24.67	61.71	25.90	9.03	21.89	2.29
  26	10.81	22.17	64.73	25.80	9.44	20.95	2.45
  27	10.19	19.67	67.76	25.69	9.85	20.01	2.61
  28	9.58	17.16	70.78	25.58	10.25	19.07	2.77
  29	9.17	15.50	72.80	25.51	10.53	18.44	2.88
  30	8.76	13.83	74.82	25.44	10.80	17.81	2.99
  31	11.16	25.02	61.66	25.71	8.86	13.89	2.25
  32	10.23	22.93	64.64	25.37	9.06	12.54	2.37
  33	9.31	20.85	67.62	25.03	9.26	11.19	2.48
  34	8.38	18.76	70.60	24.70	9.46	9.84	2.60
  35	7.76	17.36	72.58	24.47	9.59	8.94	2.68
  36	7.15	15.97	74.57	24.25	9.73	8.04	2.76
  37	6.53	14.58	76.55	24.02	9.86	7.13	2.84
  38	8.87	18.41	65.91	23.28	9.31	18.38	2.71
  39	8.79	17.69	67.25	23.52	9.53	18.22	2.76
  40	8.72	16.96	68.59	23.75	9.74	18.06	2.81
  41	8.57	15.50	71.26	24.23	10.16	17.73	2.90
  42	8.42	14.15	73.76	24.68	10.56	17.43	2.99
  43	8.26	12.59	76.61	25.18	11.02	17.08	3.10
  44	8.54	19.56	69.22	22.98	9.10	16.92	2.67
  45	8.01	18.28	71.09	23.12	9.27	14.88	2.72
  46	7.48	16.99	72.97	23.25	9.45	12.84	2.78
  47	6.94	15.71	74.84	23.38	9.63	10.80	2.83
  48	6.41	14.42	76.71	23.51	9.80	8.77	2.88
  49	6.14	13.78	77.65	23.58	9.89	7.75	2.90

  $ {T_i} = \sum {X_j} \times {T_{ij}} $

  (4)

  式中, T_i:配合煤的第i个技术指标，i=1、2、3、…、m(本文m =7)；X_j:第j种单煤的配比，%，j=1、2、3、…、n；T_ij:第j种单煤的第i个技术指标。

  3.   焦炭质量预测模型的建立

  3.1   预测模型设计

  本研究使用BP神经网络方法建立焦炭质量预测模型，在此之前通过主成分分析法对输入指标进行降维处理。为能够验证模型的准确性，将所有样本数据分成训练样本和预测样本二组^[29]。考虑到模型的预测性与训练所选用的样本密切相关，为使样本选取过程具有均衡性和代表性，将五组单种煤数据去除后以sort函数对总样本进行重排处理，以重排后数据的前35组作为训练组，后九作为预测组。以降维后的各配合煤参数值作为BP神经网络输入，以CR、MSI、PRI和PSR的实测值作为网络输出。再考虑到将一个具有多个输出的网络模型转化为多个具有一个输出的网络模型效果会更好，训练也更方便^[30]，故本研究分别建立四个4输入1输出的BP网络net1-net4，其隐层节点数分别确定为3、5、4和3。设置好隐层节点数和网络参数后，将同一网络循环运行100000次，保存每次训练结果及error。完成所有训练，将error值最小时所对应的net定义为最优BP神经网络。

  3.2   模型的仿真分析

  在3.1得到训练结果的基础上，向网络输入九组待测样本。网络预测结果、实验结果及偏差见表 6。

  表 6

  

  表 6  焦炭质量实验值与预测值的比较

  Table 6.  Comparison of measured and predicted values for coke quality

  下载: 导出CSV

  No.	CR			MSI			PRI			PSR
  	measured	prediction		measured	prediction		measured	prediction		measured	prediction
  	deviation /%			deviation /%			deviation /%			deviation /%
  41	65.70	65.90		36.04	37.43		58.20	57.48		17.30	18.81
  	-0.30			3.86			1.24			-8.73
  42	72.83	72.62		45.70	46.12		53.13	53.00		51.78	48.58
  	0.29			-0.92			0.24			6.18
  43	72.50	72.21		45.03	45.38		58.06	58.13		35.96	34.85
  	0.40			-0.78			-0.12			3.09
  44	61.93	62.63		33.51	33.95		59.50	59.75		22.37	18.78
  	-1.13			-1.31			-0.42			16.05
  45	69.77	69.47		48.02	47.89		59.32	61.18		40.63	43.62
  	0.43			0.27			-3.14			-7.36
  46	71.55	70.78		48.73	48.83		62.84	64.36		25.12	20.49
  	1.08			0.21			-2.42			18.43
  47	70.94	70.88		50.95	51.57		59.03	60.54		37.81	34.91
  	0.08			1.22			-2.56			7.67
  48	65.03	64.76		39.81	38.74		57.35	57.97		14.97	18.81
  	0.42			2.69			-1.08			-25.65
  49	71.88	72.36		39.71	40.87		71.66	71.43		20.40	23.84
  	-0.67			2.92			0.32			-16.86
  Mean deviation /%	0.53			1.58			1.28			12.22
  Maximum deviation /%	1.13			3.86			3.14			25.65
  a：deviation =(measured value-prediction value)/ measured value

  为更直观地表达本模型的预测精确度，分别设定允许相对误差为10%、5%、4%和3%来考察模型对预测样本的命中率, 结果见表 7。

  表 7

  

  表 7  不同允许相对误差下焦炭质量的命中率

  Table 7.  Hit rate of coke quality under different allowed relative errors

  下载: 导出CSV

  Allowed relative error /%	CR hit rate /%	MSI hit rate /%	PRI hit rate /%	PSR hit rate /%
  10	100	100	100	55.56
  5	100	100	100	11.11
  4	100	100	100	11.11
  3	100	88.89	88.89	0
  2	100	66.67	66.67	0

  以允许相对误差为5%时为例，其预测效果图见图 3。图 3中实线方程为y = x，表示模型预测值等于实测值的点；两条虚线方程分别为y = x+ 0.05x和y = x-0.05x，两线所夹范围表示误差允许的范围。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。

  图 3

  

  图 3.  允许相对误差为5%时的预测效果

  Figure 3.  Predicted results at relative error of 5%

  下载: 全尺寸图片 幻灯片

  由表 6、表 7和图 3可知，模型对CR的预测能力最好，九个点平均偏差仅为0.53%，允许相对误差为2%时命中率仍为100%，即模型对CR的预测精度在98%以上；对MSI和PRI的预测能力也较好，平均偏差分别为1.58%和1.28%，允许相对误差为4%时命中率均为100%，而允许相对误差为3%时命中率均为88.89%，可知模型对MSI和PRI的预测精度在96%以上；对PSR的预测能力较差，九个样本平均偏差为12.22%，允许相对误差为10%时命中率仅为55.56%，而在相对误差为5%时命中率下降为11.11%。另外，将各指标预测值和实测值按y = x进行线性回归，其R_adj²值分别达到0.987、0.982、0.956、和0.926，说明CR、MSI、PRI和PSR的预测值和实测值间都有着很好的一致性。

  3.3   模型的讨论

  郭一楠等^[31]采用混合算法以A_d、V_daf、S_{t, d}和G建立焦炭质量预测模型，预测焦炭M₄₀、M₁₀、灰分和硫分时预测精度达到95%-97%；周洪等^[15]采用BP神经网络方法以G、V_daf、S_{t, d}和A_d为配煤指标预测焦炭M₄₀、M₁₀、灰分和硫分，在允许相对误差为5%的情况下命中率达到94%以上；胡德生等^[32]采用惰性物总含量TI、V_d和综合黏结指数CCI(由G、基氏流动度MF和镜质组黏结指数VCI计算获得，表达煤中活性物的特性)预测焦炭的DI₁₅¹⁵⁰、CRI和CSR，经20 kg小焦炉实验，由回归的三元三次方程获得的预测值与实际值的线性拟合R²系数分别达0.962、0.905和0.917；张群等^[9]以惰性物含量TI、随机反射率R、黏结指数G、基式流动度MF和矿物质催化指数MCI为配煤指标，由GMDH数据处理方法建立用于SCO炉的焦炭质量预测模型，其DI₁₅¹⁵⁰、CRI和CSR预测值与实测值对y=x拟合的相关系数r分别为0.76、0.86和0.88；lvarez等^[4]则提出一种利用单种煤焦炭质量计算配合煤焦炭质量的方法，发现此方法对焦炭冷态强度的预测能力较差，而对CRI和CSR具有较好的预测能力，在允许误差分别为2.8%和5.4%的情况下命中率均能达到100%。

  由此可见，在传统的经验配煤和煤岩配煤方法之外，人们还在研究并追求着使用新的配煤指标来建立焦炭质量预测模型。以传统的A_d、V_daf、S_t,d和G等作为配煤指标，一般只对焦炭的冷态性质如M₄₀、M₁₀等有较好的预测能力；而综合运用G、V_d、基式流动度MF及煤岩特性参数的配煤新指标，则对焦炭的冷、热态性质如DI₁₅¹⁵⁰、CRI和CSR等都有一定的预测能力。

  本研究基于实验室研究所采用的焦炭性质指标MSI、PRI和PSR，与工业上所使用的DI₁₅¹⁵⁰、CRI和CSR指标虽不同但有相应的对应关系，亦分别反映了焦炭的冷态强度、热反应性和反应后强度。单从模型的结果来看，本研究各指标预测值和实测值按y=x进行线性回归的R²显著高于张群等^[9]的结果，并且比胡德生等^[32]的结果(并非y=x的线性拟合)也要略好。说明本文所选用的配煤参数有一定的优势。

  实际上，张群等^[9]与胡德生等^[32]的配煤参数中都不约而同地选择了煤岩指标，包括惰性物含量TI、随机反射率R、镜质组黏结指数VCI等。这些指标均在一定程度上反映了煤中的活性物和惰性物的含量与特性，可以说是一种基于岩相的活性组分与惰性组分的配煤炼焦预测方法。正因为该方法考虑到了煤中的活性组分和惰性组分问题，因此, 也就在一定程度上反映了煤的组成结构本质，所以才能够关联出焦炭的热性质。但上述煤岩指标只能作为煤的岩相中不同组成结构的某种反映，却不是煤组成结构的实质。

  本研究所选用的I₃和I₄指标是基于煤的FT-IR分析测试而来，表达的是煤结构中的官能团含量，直接反映了煤的结构本质；同时选用的Y_DMC、Y_LMC和Y_HC，则从非岩相角度直接表达了煤中活性组分和惰性组分的含量，并且还反映了煤热解过程中的流动性和膨胀性能力。因此，本研究所选用的I₃、I₄、Y_DMC、Y_LMC和Y_HC几个指标，既能够反映出张群等^[9]与胡德生等^[32]的方法中惰性物含量TI、随机反射率R、镜质组黏结指数VCI以及原煤G值和基式流动度MF所代表的特性，又能体现煤结构的本质，所以应是众多配煤参数中的一种优势指标。

  本研究所选用的配煤参数，除A_d、V_daf两项外，其余I₃、I₄、Y_DMC、Y_LMC和Y_HC五项均是全新指标，并且这五项新指标均是原煤的结构与组成方面的原始参数，是没有经过任何热变化的参数，是煤的“非性质”方面的参数，属于煤的“组成结构参数”；而A_d、V_daf是煤经热处理后的参数，反映的是煤的性质，属于煤的“性质参数”。由前述讨论可见，传统的配煤参数均只使用“性质参数”，即主要以A_d、V_daf、S_t,d和G来建立焦炭质量预测模型；综合了煤岩参数的配煤方法也只是少量使用“组成结构参数”如惰性物含量TI和随机反射率R，而主要使用的仍是“性质参数”，包括V_d、G、MF、镜质组黏结指数VCI和矿物质催化指数MCI等。所以，本研究建立的是一种基于煤“组成结构参数”基础上的新的焦炭质量预测模型，这也是本模型最大最核心的特点。

  不过，由表 7也表明，尽管本模型对PSR的预测值和实测值仍很好地符合y=x的线性关系，但误差却明显偏大，比如在允许相对误差为10%时命中率仅为55.56%。这是因为由本实验所获得的焦炭属于高反应性焦炭(表 7的PRI数据)，反应后残炭中主要组成为无机组分(各种无机氧化物)，因此，无机组分的质和量应对PSR有重要影响。有相关研究已经将无机组分的质和量应用到了焦炭反应后强度的预测中^{[9, 33, 34]}并取得良好效果。实际上，对高反应性焦炭，用PSR或CSR评价反应后强度并不合适。Nomura等^[35]对此进行了探讨，认为应采用20%固定失重率并改变反应温度以调整反应速率的方法来评价高反应性焦炭的溶损后强度，在等溶损率的条件下评定焦炭的反应后强度可消除焦炭反应性的影响。

  4.   新模型下焦炭成焦机理分析

  上述基于煤非岩相活性/惰性组分分离以及以“煤组成结构参数”为特征的焦炭质量预测新模型，必有其与之相适应的成焦机理。为了探讨该成焦机理，分别考察了DMC、LMC、HC和LC等族组分在受热干馏过程中的形态变化。除LC外，各族组分均在5 MPa压力下压制成直径约10 mm、厚约1 mm的圆形片。将各族组分置于通N₂的管式炉恒温区，以5 ℃/min匀速升温至600 ℃，并随时观察和记录过程中的变化。

  4.1   各族组分的受热形态变化

  图 4为DMC的受热形态变化过程。200 ℃时，DMC开始软化并膨胀为半球形状，半球表面光滑无气孔；220-240 ℃，伴随着软化程度的增加，半球瘫软，底面积增大而高度降低；250 ℃时，开始有气体从表面逸出并产生小气孔，同时底面积进一步增大；250-300 ℃，表面的气孔量越来越多，并在310-330 ℃产生流动的液相，底面积迅速扩大；340 ℃后，液相生成量越来越多，并逐渐主导了DMC的变形和流动，但气体生成量并不显著；直到380 ℃时，气体生成量才显著增加，热解反应剧烈，表面交织于气泡产生和破裂之中，底面积也基本增加到最大；此后基本维持该状态，直到430-460 ℃，气体生成量显著减少；不过，470 ℃后又开始产生较多且更大的气泡，但气泡开裂速率则明显小于380-415 ℃；500 ℃时，可明显观察到液相开始固化；540 ℃液相消失，并基本固化完全形成半焦。

  图 4

  

  图 4.  DMC压片在不同温度下的受热形态变化

  Figure 4.  Morphological evolution of DMC heating at different temperatures

  下载: 全尺寸图片 幻灯片

  图 5为LMC的受热形态变化过程。430 ℃前，LMC保持圆片形状；440 ℃，开始出现肉眼可见的膨胀现象，部分气体逸出并在表面产生气孔，观察不到肉眼可见的软化现象(但存在软化熔融过程)；440-460 ℃，LMC处于急剧膨胀阶段，热解反应剧烈；460-500 ℃，转入缓慢膨胀阶段；500-600 ℃，生成半焦且体积几乎不再发生变化。

  图 5

  

  图 5.  LMC压片在不同温度下的受热形态变化

  Figure 5.  Morphological evolution of LMC heating at different temperatures

  下载: 全尺寸图片 幻灯片

  图 6为HC的受热形态变化情况。HC全程几乎未发生任何形态变化，600 ℃后仍完全保持当初的圆片形式和大小。

  图 6

  

  图 6.  HC压片在不同温度下的受热形态变化

  Figure 6.  Morphological evolution of HC heating at different temperatures

  下载: 全尺寸图片 幻灯片

  图 7为LC的受热形态变化情况。180 ℃时，LC开始软化并膨胀；240 ℃，有气体产生并从软化的表面逸出，但260 ℃前气体产生量较少，气泡也较小；260 ℃，LC产生液相并开始流动，此时分解加剧，气泡量增多；260-360 ℃，保持快速分解状态，气泡多且大，流动范围稍有增加；380 ℃，分解速率减慢，很少有新的肉眼可见的气泡产生；480 ℃，液相固化，表面出现裂痕；480-600 ℃，完成固化，表面有大量裂痕生成。由LC生成的炭化物实际是一种泡状空心结构，泡壁很薄，易碎，收率仅为35.93%。

  图 7

  

  图 7.  LC在不同温度下的受热形态变化

  Figure 7.  Morphological evolution of LC heating at different temperatures

  下载: 全尺寸图片 幻灯片

  上述情况表明，DMC、LMC、HC和LC四大族组分的热解行为和受热形态变化均有着重大差别。非常明显的是，DMC提供了炼焦煤热解过程中流动性(液相)的来源，LMC提供了热解过程中膨胀性(气相及熔融)的来源，HC提供了热解过程中固源性(砂石)的来源。LC因在煤中含量很低，影响微弱。

  4.2   新模型下焦炭成焦机理

  笔者依据萃取反萃取方法实现煤族组分分离而创建的煤嵌布结构模型理论^[36]，上述DMC、LMC和HC三大族组分分别是以120、80-100和50-80 nm尺度的颗粒相互嵌布构成煤整体的，而轻质组LC起着连接各颗粒的桥联作用。其中, DMC颗粒又是由5 nm的纳粒先构成团聚包再叠加聚集而成。在炼焦煤中，DMC一般占5%-15%，LMC一般占10%-30%，HC一般占50%-80%。

  由此，炼焦煤成焦过程可以划分为以下六个阶段：室温-200 ℃，干燥阶段；200-340 ℃，DMC变形阶段；340-440 ℃，DMC生成液相并产生流动填充空隙阶段；440-500 ℃，LMC产生膨胀形成气泡和薄壁，薄壁受挤压持续破裂阶段，其中, 440-460 ℃为急速膨胀阶段，460-500 ℃为缓慢膨胀阶段；500-540 ℃，固化为半焦阶段；540-1000 ℃，半焦收缩成为焦炭的阶段。

  图 8为两种族组分含量不同的炼焦煤的成焦机理示意，其中, 图 8(a)的炼焦煤DMC含量较高，而图 8(b)的炼焦煤DMC含量较低。由图 8(a)可知，从200 ℃开始，嵌布在煤中的DMC颗粒便发生软化变形，并逐步向周边颗粒空隙渗透，但渗透能力很差；直到340 ℃ DMC变成液相后开始产生流动现象，液相便较容易地向周围空隙侵入并逐步填满相应空隙，此时LMC和HC颗粒尚无明显形态变化，整体煤颗粒基本保持原外在形态不变；440 ℃时，DMC液相不仅充满整个煤颗粒的所有空隙，甚至到达煤颗粒表面，形成LMC和HC颗粒完全被DMC液相包围的状态；也是在这个温度开始，LMC熔融并快速发生热解反应，产生的大量气体使LMC颗粒急速膨胀，同时也由于其周围的DMC液相包围，膨胀能力进一步加大，整体煤颗粒体积增大；到460 ℃时，由LMC膨胀形成的LMC颗粒薄壁产生破裂，气体由其中逸出并穿过空隙中的DMC液相到达煤颗粒表面；此后直到500 ℃，膨胀过程便变得缓慢起来；500 ℃开始，DMC液相和LMC的薄壁均进入固化阶段，它们包裹着仅产生少量气体而本身形态基本不变的HC颗粒一起形成半焦。由于DMC的液相较多包裹到位，形成的半焦强度较高。

  图 8

  

  图 8.  两种炼焦煤的成焦机理示意(煤颗粒内部)

  Figure 8.  Coking mechanism diagram of two kinds of coking coal (interior of coal particles)

  下载: 全尺寸图片 幻灯片

  对于图 8(b)的炼焦煤B，因其DMC含量较少，产生的DMC液相不足以充满煤颗粒中的所有空隙，也就不能形成对LMC破裂薄壁和HC颗粒的完全包裹，因而过程中气体逸出煤颗粒便要容易得多，煤颗粒的膨胀性也相对较小；特别是较少的DMC液相不能实现对HC颗粒的有效包裹，因此，由B炼焦煤生成的半焦强度明显偏低。

  以上是基于某一单种炼焦煤的某个煤颗粒(如本实验所使用的≤1.6 mm的煤颗粒)成焦过程中的机理分析，讨论的是煤颗粒自身成焦及其内部所嵌布的DMC、LMC和HC的成焦行为。那么，这些煤颗粒混合在一起的时候，又是如何形成焦块的呢？

  图 9为DMC含量较高的炼焦煤A单独炼焦时煤颗粒间的成焦过程。

  图 9

  

  图 9.  单种煤成焦机理(炼焦煤A，煤颗粒间)

  Figure 9.  Coking mechanism diagram of single coal (between coal A particles)

  下载: 全尺寸图片 幻灯片

  由前分析，此时DMC液相可以到达单个煤颗粒表面，同时良好的膨胀性又促使各个单个煤颗粒彼此靠近并发生黏连，从而将各单个煤颗粒彼此黏连成一个整体，再固化成为块状半焦。由此半焦生成的最终焦炭强度较高。但如果是DMC含量较低的炼焦煤B单独炼焦，同样由前分析可知，此时单个煤颗粒表面不能被液相包裹，同时膨胀性又相对较差，因而就难以实现单个煤颗粒间的良好黏连，自然固化成的半焦难以成块或成块强度较低。

  但如果在炼焦煤B中配入含DMC较多的炼焦煤A，具体见图 10。此时表面具有DMC液相的单个炼焦煤A颗粒，会通过其液相来黏连不具有表面液相的炼焦煤B颗粒，从而一定程度上来实现两种煤颗粒的相互黏连。如果配入量适宜，也能生成强度合适的半焦和焦炭。但使用配合煤时，需要将两煤种的煤颗粒充分混合均匀，否则，生成的半焦或焦炭就可能产生局部强度不均匀现象。

  图 10

  

  图 10.  配合煤成焦机理(炼焦煤A与炼焦煤B颗粒间)

  Figure 10.  Coking mechanism diagram of blended coal (between coal A and coal B particles)

  下载: 全尺寸图片 幻灯片

  5.   结论

  由煤全组分分离获得煤重质组HC、密中质组DMC和疏中质组LMC等族组分，是一种非岩相分离炼焦煤中惰性物质与活性组分的新方法。由这些组分的收率Y_HC、Y_DMC、Y_LMC和反映煤中氢键缔合特征及脂肪族结构特征的I₃和I₄等参数，可以有效预测焦炭质量。这些新参数反映了煤的化学组成与结构本质，属于“组成结构参数”，它完全区别于传统焦炭预测方法中的“性质参数”，用其建立焦炭质量预测模型具有一定的优势。

  通过该“组成结构参数”并采用BP神经网络方法建立的焦炭质量预测模型，对成焦率CR、显微强度MSI和粒焦反应性PRI的预测精度较高，九个预测样本的CR、MSI和PRI的平均偏差分别为0.53%、1.58%和1.28%，其中，CR的预测精度在98%以上，MSI和PRI的预测精度在96%以上；将CR、MSI和PRI的预测值和实测值对y=x进行拟合的相关系数分别达到了0.987、0.982和0.956；但对反应后强度PSR的预测效果较差，九个预测样本的PSR的平均偏差为12.22%，但预测值和实测值对y=x拟合的相关系数仍达到0.926。

  族组分DMC、LMC、HC和轻质组LC的热解行为及受热形态变化均有重大差别，其中，DMC提供了炼焦煤热解过程中流动性(液相)的来源，LMC提供了热解过程中膨胀性(气相及熔融)的来源，HC提供了热解过程中固源性(砂石)的来源。LC因在煤中含量很低，影响微弱。

  炼焦煤成焦过程包含六个主要阶段：室温-200 ℃，干燥阶段；200-340 ℃，DMC变形阶段；340-440 ℃，DMC生成液相并产生流动填充空隙阶段；440-500 ℃，LMC产生膨胀形成气泡和薄壁，薄壁受挤压持续破裂阶段，其中, 440-460 ℃为急速膨胀阶段，460-500 ℃为缓慢膨胀阶段；500-540 ℃，固化为半焦阶段；540-1000 ℃，半焦收缩成为焦炭的阶段。

  本研究探讨了该焦炭质量预测模型下炼焦煤的成焦机理，为建立基于“组成结构参数”的炼焦配煤新方法提供了基础。

• 1. [1]

     谢海深, 刘永新, 吕庆, 孟军波. 焦炭质量预测模型[J]. 东北大学学报(自然科学版), 2007,28,(3): 373-377. doi: 10.3321/j.issn:1005-3026.2007.03.018XIE Hai-shen, LIU Yong-xin, LÜ Qing, MENG Jun-po. Coke quality prediction models[J]. J Northeast Univ, 2007, 28(3):  373-377. doi: 10.3321/j.issn:1005-3026.2007.03.018

  2. [2]

     DÍEZ M A, ALVAREZ R, BARRIOCANAL C. Coal for metallurgical coke production:Predictions of coke quality and future requirements for cokemaking[J]. Int J Coal Geol, 2002, 50(1/4):  389-412.

  3. [3]

     ZHANG Q, WU X, FENG A, SHI M. Prediction of coke quality at Baosteel[J]. FPT, 2004, 86(1):  1-11.

  4. [4]

     ÁLVAREZ R, DÍEZ M A, BARRIOCANAL C, DÍAZ-FAES E, CIMADEVILLA J L G. An approach to blast furnace coke quality prediction[J]. Fuel, 2007, 86(14):  2159-2166. doi: 10.1016/j.fuel.2006.11.026

  5. [5]

     MORGA R, JELONEK I, KRUSZEWSKA K, SZULIK W. Relationships between quality of coals, resulting cokes, and micro-Raman spectral characteristics of these cokes[J]. Int J Coal Geol, 2015, 144/145:  130-137. doi: 10.1016/j.coal.2015.04.006

  6. [6]

     CHEHREH C S, MATIN S S, HOWER J C. Explaining relationships between coke quality index and coal properties by Random Forest method[J]. Fuel, 2016, 182:  754-760. doi: 10.1016/j.fuel.2016.06.034

  7. [7]

     YU A B, STANDISH N, LU L. Coal agglomeration and its effect on bulk density[J]. Powder Technol, 1995, 82(2):  177-189. doi: 10.1016/0032-5910(94)02912-8

  8. [8]

     NOMURA S, THOMAS K M. The effect of swelling pressure during coal carbonization on coke porosity[J]. Fuel, 1996, 75(2):  187-194. doi: 10.1016/0016-2361(95)00238-3

  9. [9]

     张群, 吴信慈, 冯安祖, 史美仁. 宝钢焦炭质量预测模型Ⅱ.焦炭质量预测模型的建立和应用[J]. 燃料化学学报, 2002,30,(4): 300-305. doi: 10.3969/j.issn.0253-2409.2002.04.003ZHANG Qun, WU Xin-ci, FENG An-zu, SHI Mei-ren. Baosteel coke quality prediction model Ⅱ. Establishment and application of coke quality[J]. J Fuel Chem Technol, 2002, 30(4):  300-305. doi: 10.3969/j.issn.0253-2409.2002.04.003

  10. [10]

      王光辉, 范程, 田文中, 余明程, 刘智平, 潘立慧, 靳美程. 焦炭质量预测方法的研究[J]. 武汉科技大学学报(自然科学版), 2007,30,(1): 37-40. doi: 10.3969/j.issn.1674-3644.2007.01.011WANG Guang-hui, FAN Cheng, TIAN Wen-zhong, YU Ming-cheng, LIU Zhi-ping, PAN Li-hui, JING Mei-cheng. Method for prediction of coke quality[J]. J Wuhan Univ Sci Technol (Nat Sci Edi), 2007, 30(1):  37-40. doi: 10.3969/j.issn.1674-3644.2007.01.011

  11. [11]

      吕桂双, 郑美荣, 赵华, 陈友.焦炭反应性、反应后强度影响因素的研究探讨[C].全国炼铁生产技术会议暨炼铁学术年会, 2009.LÜ Gui-shuang, ZHENG Mei-rong, ZHAO Hua, CHEN You. The effect study of coking coal qualities on coke thermal property[C]. CSST, 2009.

  12. [12]

      周师庸.应用煤岩学[M].北京:冶金工业出版社, 1985.ZHOU Shi-yong. The Applation of Coal Petrology[M]. Beijing:Metall Ind Press, 1985.

  13. [13]

      周师庸, 赵俊国.冶金工业出版社, 2005.ZHOU Shi-yong, ZHAO Jun-guo. Beijing:Metall Ind Press, 2005.

  14. [14]

      杨建刚.人工神经网络实用教程[M].杭州:浙江大学出版社, 2001.YANG Jian-gang. The Practical Tutorial of Artificial Neural Network[M]. Hangzhou:Zhejiang University Press, 2001.

  15. [15]

      周洪, 闵礼书, 邹祥林. 基于神经网络的特大型焦炉焦炭质量预测研究[J]. 系统仿真学报, 2009,21,(6): 1543-1547. ZHOU Hong, MIN Li-shu, ZOU Xiang-lin. Reserach on prediction of blended coal for coking in oversized coke furnance based on neural network[J]. J Syst Simul, 2009, 21(6):  1543-1547.

  16. [16]

      刘俊, 张学东, 刘宏, 徐海平. 基于BP神经网络的焦炭质量预测[J]. 燃料与化工, 2006,37,(6): 12-15. doi: 10.3969/j.issn.1001-3709.2006.06.004LIU Jun, ZHANG Xue-dong, LIU Hong, XU Hai-ping. Prediction of coke quality based on BP neural network[J]. Fuel Chem Process, 2006, 37(6):  12-15. doi: 10.3969/j.issn.1001-3709.2006.06.004

  17. [17]

      姜静, 宫春晖. 神经网络在焦炭质量预测模型中的应用[J]. 沈阳理工大学学报, 2013,32,(2): 25-27. doi: 10.3969/j.issn.1003-1251.2013.02.006JIANG Jing, GONG Chun-hui. A Quality Prediction Model of Coke Based on Neural Networks[J]. J Shenyang Univ Sci Technol, 2013, 32(2):  25-27. doi: 10.3969/j.issn.1003-1251.2013.02.006

  18. [18]

      秦志宏, 李兴顺, 陈娟, 张丽英, 侯翠利, 巩涛. 煤的黏结性来源及形成机理[J]. 中国矿业大学学报, 2010,39,(1): 64-69. doi: 10.3969/j.issn.1009-105X.2010.01.013QIN Zhi-hong, LI Xing-shun, CHEN Juan, ZHANG Li-ying, HOU Cui-li, GONG Tao. Origin and formation mechanism of coal caking property[J]. J China Univ Min Technol, 2010, 39(1):  64-69. doi: 10.3969/j.issn.1009-105X.2010.01.013

  19. [19]

      李祥, 秦志宏, 卜良辉, 杨状, 沈辰阳. 炼焦煤的官能团结构分析及其黏结性产生机理[J]. 燃料化学学报, 2016,44,(4): 385-393. doi: 10.3969/j.issn.0253-2409.2016.04.001LI Xiang, QIN Zhi-hong, BU Liang-hui, YANG Zhuang, SHEN Chen-yang. Structural analysis of functional group and mechanism investigation of caking property of coking coal[J]. J Fuel Chem Technol, 2016, 44(4):  385-393. doi: 10.3969/j.issn.0253-2409.2016.04.001

  20. [20]

      QIN Z, HOU C, CHEN J, ZHANG L, MA J. Group separation of coal components and new ideas of coal utilization as petroleum[J]. Int J Min Technol, 2009, 19(5):  636-641.

  21. [21]

      QI X, WANG D, XIN H, QI G. In situ FTIR study of real-time changes of active groups during oxygen-free reaction of coal[J]. Energy Fuels, 2013, 27(6):  3130-3136. doi: 10.1021/ef400534f

  22. [22]

      孙章, 郭瑞, 刘朋飞, 梁英华. 粒焦动态反应性与块焦反应性关系的研究[J]. 煤炭转化, 2015,38,(3): 70-73. doi: 10.3969/j.issn.1004-4248.2015.03.015SUN Zhang, GUO Rui, LIU Peng-fei, LIANG Ying-hua. Relationship between dynamic reactivity of particulate coke and lump coke reactivity[J]. Coal Convers, 2015, 38(3):  70-73. doi: 10.3969/j.issn.1004-4248.2015.03.015

  23. [23]

      杨俊和, 杜鹤桂, 钱湛芬, 崔平. 焦炭的粒焦反应性[J]. 东北大学学报, 1999,20,(3): 64-67. YANG Jun-he, DU He-gui, QIAN Zhan-fen, CUI Ping. Reactivity of particulate coke[J]. J Northeast Univ, 1999, 20(3):  64-67.

  24. [24]

      PRICE J T, KHAN M A, GRANSDEN J F. "Suppercoke" high strength coke from western Canadian coals[C]. 59th Ironmaking Conference Proceedings. Chicago, Illinois, 1999: 227-239.

  25. [25]

      张群, 吴信慈, 冯安祖, 史美仁. 宝钢焦炭质量预测模型Ⅰ.影响焦炭热性质的因素[J]. 燃料化学学报, 2002,30,(2): 113-118. doi: 10.3969/j.issn.0253-2409.2002.02.004ZHANG Qun, WU Xin-ci, FENG An-zu, SHI Mei-ren. Baosteel coke quality prediction model Ⅰ. Factors affecting thermal properties of coke[J]. J Fuel Chem Technol, 2002, 30(2):  113-118. doi: 10.3969/j.issn.0253-2409.2002.02.004

  26. [26]

      QIN Z, LI X, SUN H, ZHAO C, RONG L. Caking property and active components of coal based on group component separation[J]. Int J Min Technol, 2016, 26(4):  571-575. doi: 10.1016/j.ijmst.2016.05.006

  27. [27]

      张双全.煤化学[M].徐州:中国矿业大学出版社, 2009.ZHANG Shuang-quan. Coal Chemistry[M]. Xuzhou:China University of Mining Technology Press, 2009.

  28. [28]

      翁诗甫.傅里叶变换红外光谱仪[M].化学工业出版社, 2005.WENG Shi-fu. Fourier Transform Infrared Spectrometer[M]. Beijing:Chemical Industry Press, 2005.

  29. [29]

      张德丰. MATLAB神经网络应用设计[M].北京:机械工业出版社, 2009.ZHANG Deng-feng. The Application of MATLAB in Design of Neural Networks[M]. Beijing:China Mechine Press, 2009.

  30. [30]

      王秀坤, 张晓峰. 用一组单输出的子网络代替多输出的BP网络[J]. 计算机科学, 2001,28,(10): 61-63. doi: 10.3969/j.issn.1002-137X.2001.10.014WANG Xiu-kun, ZHANG Xiao-feng. A new architecture of neural network array replacing of a multiple outputs BP model networks[J]. Comput Sci, 2001, 28(10):  61-63. doi: 10.3969/j.issn.1002-137X.2001.10.014

  31. [31]

      郭一楠, 王凌, 谭德健, 郝榕. 基于遗传算法和神经网络混合优化的配煤控制[J]. 中国矿业大学学报, 2002,31,(5): 404-406. doi: 10.3321/j.issn:1000-1964.2002.05.016GUO Yi-nan, WANG Ling, TAN De-jian, HAO Rong. Coal blending control based on mixed optimization of genetic algorithm and neural network[J]. J China Univ Min Technol, 2002, 31(5):  404-406. doi: 10.3321/j.issn:1000-1964.2002.05.016

  32. [32]

      胡德生, 吴信慈, 戴朝发. 宝钢焦炭强度预测和配煤煤质控制[J]. 宝钢技术, 2000(3): 30-34. HU De-sheng, WU Xin-ci, DAI Chao-fa. Coke strength prediction and the quality control of coal blending at Baosteel[J]. Baosteel Technol, 2000, (3):  30-34.

  33. [33]

      GOSICINSKI J S, GRAY R J, ROBINSON J W. A review of American coal quality and its effects on coke reactivity and after reaction strength of cokes[J]. J Coal Quality, 1985, 4(2):35-43; 4(4):21-29.

  34. [34]

      VALIA H S. Prediction of coke strength after reaction with CO₂ from coal analyses at inland steel company[J]. I and SM, 1989, (5):  77-87.

  35. [35]

      NOMURA S, NAITO M, YAMAGUCHI K. Post-reaction strength of catalyst-added highly reaction coke[J]. lSIJ Int, 2007, 47(6):  831-839.

  36. [36]

      秦志宏. 煤嵌布结构模型理论[J]. 中国矿业大学学报, 2017,46,(5): 939-958. QIN Zhi-hong. Theory on embedded structure model of coal[J]. J China Univ Min Technol, 2017, 46(5):  939-958.

• 

  图 1  配煤炼焦实验器具及所制备焦炭

  Figure 1  Experimental apparatus for coking of blended coals and the obtained coke

  (a), (b)：coal cup; (c): briquette; (d): tableting; (e): muddler; (f): coke

  下载: 全尺寸图片 幻灯片
  

  图 2  G与G_LMC×Y_LMC+G_DMC×Y_DMC的关系

  Figure 2  Relationship between G and G_LMC×Y_LMC+G_DMC×Y_DMC

  下载: 全尺寸图片 幻灯片
  

  图 3  允许相对误差为5%时的预测效果

  Figure 3  Predicted results at relative error of 5%

  下载: 全尺寸图片 幻灯片
  

  图 4  DMC压片在不同温度下的受热形态变化

  Figure 4  Morphological evolution of DMC heating at different temperatures

  下载: 全尺寸图片 幻灯片
  

  图 5  LMC压片在不同温度下的受热形态变化

  Figure 5  Morphological evolution of LMC heating at different temperatures

  下载: 全尺寸图片 幻灯片
  

  图 6  HC压片在不同温度下的受热形态变化

  Figure 6  Morphological evolution of HC heating at different temperatures

  下载: 全尺寸图片 幻灯片
  

  图 7  LC在不同温度下的受热形态变化

  Figure 7  Morphological evolution of LC heating at different temperatures

  下载: 全尺寸图片 幻灯片
  

  图 8  两种炼焦煤的成焦机理示意(煤颗粒内部)

  Figure 8  Coking mechanism diagram of two kinds of coking coal (interior of coal particles)

  下载: 全尺寸图片 幻灯片
  

  图 9  单种煤成焦机理(炼焦煤A，煤颗粒间)

  Figure 9  Coking mechanism diagram of single coal (between coal A particles)

  下载: 全尺寸图片 幻灯片
  

  图 10  配合煤成焦机理(炼焦煤A与炼焦煤B颗粒间)

  Figure 10  Coking mechanism diagram of blended coal (between coal A and coal B particles)

  下载: 全尺寸图片 幻灯片

  表 1  煤样的工业分析和元素分析

  Table 1.  Proximate and ultimate analyses of coal samples

  Coal sample	Proximate analysis w/%					Ultimate analysis wdaf /%
  	Mad	Ad	Vdaf	FCdaf		C	H	O*	N	S
  XL	1.34	7.60	27.65	72.35		87.52	5.37	3.40	1.50	2.21
  BL	0.82	8.95	32.67	67.33		86.52	5.52	5.54	1.61	0.81
  YC	0.68	8.69	37.13	62.87		86.24	6.06	5.09	1.63	0.98
  JX	1.90	11.16	36.21	63.79		84.25	6.08	7.25	1.68	0.74
  TY	1.26	10.05	33.86	66.14		83.15	5.55	8.54	1.62	1.14
  *：by difference

  下载: 导出CSV

  表 2  全组分分离后各族组分收率

  Table 2.  Yield of each group component after separation of all components

  Sample	wdaf /%
  	YDMC	YLMC	YHC	YLC	ΔL
  XL	11.46	20.48	65.33	0.71	2.02
  BL	9.00	20.66	67.62	1.09	1.63
  YC	11.94	26.79	59.15	1.27	0.85
  JX	8.21	12.10	77.52	0.88	1.29
  TY	5.65	12.59	79.38	1.29	1.09
  ΔL：amount at stake

  下载: 导出CSV

  表 3  炼焦实验用煤样配比

  Table 3.  Ratio of each coal sample for coking experiment

  No.	Ratio /%
  	XL	YC	BL	JX	TY
  1	100	-	-	-	-
  2	-	100	-	-	-
  3	-	-	100	-	-
  4	-	-	-	100	-
  5	-	-	-	-	100
  6	81.83	-	-	18.17	-
  7	66.5	-	-	33.5	-
  8	51.18	-	-	48.82	-
  9	43.52	-	-	56.48	-
  10	28.19	-	-	71.81	-
  11	12.87	-	-	87.13	-
  12	84.42	-	-	-	15.58
  13	71.28	-	-	-	28.72
  14	58.15	-	-	-	41.85
  15	51.58	-	-	-	48.42
  16	38.44	-	-	-	61.56
  17	25.31	-	-	-	74.69
  18	14.29	-	-	-	85.71
  19	-	80.38	19.62	-	-
  20	-	67.6	32.4	-	-
  21	-	54.81	45.19	-	-
  22	-	42.03	57.97	-	-
  23	-	29.25	70.75	-	-
  24	-	19.28	80.72	-	-
  25	-	86.08	-	13.92	-
  26	-	69.61	-	30.39	-
  27	-	53.14	-	46.86	-
  28	-	36.67	-	63.33	-
  29	-	25.69	-	74.31	-
  30	-	14.71	-	85.29	-
  31	-	87.57	-	-	12.43
  32	-	72.85	-	-	27.15
  33	-	58.14	-	-	41.86
  34	-	43.42	-	-	56.58
  35	-	33.61	-	-	66.39
  36	-	23.8	-	-	76.2
  37	-	13.99	-	-	86.01
  38	-	-	83.53	16.47	-
  39	-	-	73.9	26.1	-
  40	-	-	64.28	35.72	-
  41	-	-	45.03	54.97	-
  42	-	-	27.07	72.93	-
  43	-	-	6.54	93.46	-
  44	-	-	86.37	-	13.63
  45	-	-	70.46	-	29.54
  46	-	-	54.54	-	45.46
  47	-	-	38.62	-	61.38
  48	-	-	22.71	-	77.29
  49	-	-	14.75	-	85.25

  下载: 导出CSV

  表 4  焦炭性能

  Table 4.  Coke performances

  No.	CR/%	MSI/%	PRI/%	PSR/%
  1	71.98	48.28	61.16	21.88
  2	54.94	27.93	57.5	23.15
  3	66.15	49.8	58.8	17.51
  4	67.31	47.51	59.79	44.64
  5	70.4	43.56	60.87	44.77
  6	72.93	45.21	57.35	33.65
  7	72.5	45.03	58.06	35.96
  8	71.48	51.81	56.94	45.59
  9	70.94	50.95	59.03	37.81
  10	70.26	50.73	61.85	31.61
  11	69.45	43.53	62.55	37.49
  12	71.42	40.48	65.07	27.5
  13	72.84	43.74	62.65	29.56
  14	72.83	45.7	53.13	51.78
  15	72.63	41.63	63	28.26
  16	71.94	47.3	55.37	46.54
  17	72.36	50.44	65	32.41
  18	70.92	41.85	66.13	28.68
  19	55.77	30.18	60.13	15.35
  20	64.04	38.43	60.35	20.78
  21	61.71	41.42	52.6	34.37
  22	65.7	36.04	58.2	17.3
  23	65.03	39.81	57.35	14.97
  24	62.86	33.89	61.56	39.04
  25	61.93	33.51	59.5	22.37
  26	65.51	38.06	52.25	49.98
  27	67.2	51.77	56.05	52.9
  28	67.58	46.21	57.63	46.96
  29	66.71	46.47	60.3	40.7
  30	67.63	46.89	59.15	42.29
  31	57.86	37.37	61.97	15.94
  32	63.64	44.97	62.8	13.16
  33	68.82	50.96	60.92	23.95
  34	69.93	44.23	63.72	21.55
  35	69.26	42.33	63.4	31.02
  36	70.28	39.37	67.37	23.1
  37	71.88	39.71	71.66	20.4
  38	69.6	45.24	57.9	26.35
  39	69.27	44.28	61.46	16.76
  40	68.65	49.76	58.22	30.51
  41	69.82	50.4	60.1	30.56
  42	69.77	48.02	59.32	40.63
  43	69.92	42.64	63.05	34.02
  44	68.35	44.3	60.95	20.13
  45	71.55	48.73	62.84	25.12
  46	73.31	49.32	63.12	30.4
  47	71.91	41.33	67	17.87
  48	72.45	40.52	73.08	15.3
  49	71.92	41.26	69.93	19.46

  下载: 导出CSV

  表 5  配合煤的质量参数

  Table 5.  Quality parameters for blended coals

  No.	Quality parameters for blended coals
  	YDMC/%	YLMC/%	YHC/%	Vdaf/%	Ad/%	I3	I4
  1	11.46	20.48	65.33	27.65	7.60	22.69	2.61
  2	11.94	26.79	59.15	37.13	8.69	15.03	2.15
  3	9.00	19.66	63.62	32.67	8.95	18.66	2.63
  4	8.21	12.1	77.52	36.21	11.16	16.97	3.13
  5	5.65	12.59	79.38	33.86	10.05	5.86	2.95
  6	10.87	18.96	67.55	20.44	8.25	21.65	2.61
  7	10.37	17.67	69.41	21.36	8.79	20.77	2.62
  8	9.87	16.39	71.28	22.28	9.34	19.90	2.62
  9	9.62	15.75	72.22	22.74	9.61	19.46	2.62
  10	9.13	14.46	74.08	23.66	10.16	18.58	2.62
  11	8.63	13.18	75.95	24.58	10.70	17.71	2.63
  12	10.55	19.25	67.52	20.03	7.98	20.07	2.66
  13	9.79	18.21	69.37	20.60	8.30	17.86	2.71
  14	9.03	17.18	71.21	21.17	8.63	15.65	2.75
  15	8.65	16.66	72.13	21.46	8.79	14.54	2.77
  16	7.88	15.62	73.98	22.03	9.11	12.33	2.82
  17	7.12	14.59	75.82	22.60	9.43	10.12	2.86
  18	10.55	19.25	67.52	23.08	9.70	8.26	2.90
  19	11.36	25.39	60.03	25.38	8.74	15.74	2.24
  20	10.99	24.48	60.60	24.98	8.77	16.21	2.31
  21	10.61	23.57	61.17	24.58	8.81	16.67	2.37
  22	10.24	22.66	61.74	24.18	8.84	17.13	2.43
  23	9.86	21.75	62.31	23.78	8.87	17.60	2.49
  24	9.57	21.03	62.76	23.47	8.90	17.96	2.54
  25	11.42	24.67	61.71	25.90	9.03	21.89	2.29
  26	10.81	22.17	64.73	25.80	9.44	20.95	2.45
  27	10.19	19.67	67.76	25.69	9.85	20.01	2.61
  28	9.58	17.16	70.78	25.58	10.25	19.07	2.77
  29	9.17	15.50	72.80	25.51	10.53	18.44	2.88
  30	8.76	13.83	74.82	25.44	10.80	17.81	2.99
  31	11.16	25.02	61.66	25.71	8.86	13.89	2.25
  32	10.23	22.93	64.64	25.37	9.06	12.54	2.37
  33	9.31	20.85	67.62	25.03	9.26	11.19	2.48
  34	8.38	18.76	70.60	24.70	9.46	9.84	2.60
  35	7.76	17.36	72.58	24.47	9.59	8.94	2.68
  36	7.15	15.97	74.57	24.25	9.73	8.04	2.76
  37	6.53	14.58	76.55	24.02	9.86	7.13	2.84
  38	8.87	18.41	65.91	23.28	9.31	18.38	2.71
  39	8.79	17.69	67.25	23.52	9.53	18.22	2.76
  40	8.72	16.96	68.59	23.75	9.74	18.06	2.81
  41	8.57	15.50	71.26	24.23	10.16	17.73	2.90
  42	8.42	14.15	73.76	24.68	10.56	17.43	2.99
  43	8.26	12.59	76.61	25.18	11.02	17.08	3.10
  44	8.54	19.56	69.22	22.98	9.10	16.92	2.67
  45	8.01	18.28	71.09	23.12	9.27	14.88	2.72
  46	7.48	16.99	72.97	23.25	9.45	12.84	2.78
  47	6.94	15.71	74.84	23.38	9.63	10.80	2.83
  48	6.41	14.42	76.71	23.51	9.80	8.77	2.88
  49	6.14	13.78	77.65	23.58	9.89	7.75	2.90

  下载: 导出CSV

  表 6  焦炭质量实验值与预测值的比较

  Table 6.  Comparison of measured and predicted values for coke quality

  No.	CR			MSI			PRI			PSR
  	measured	prediction		measured	prediction		measured	prediction		measured	prediction
  	deviation /%			deviation /%			deviation /%			deviation /%
  41	65.70	65.90		36.04	37.43		58.20	57.48		17.30	18.81
  	-0.30			3.86			1.24			-8.73
  42	72.83	72.62		45.70	46.12		53.13	53.00		51.78	48.58
  	0.29			-0.92			0.24			6.18
  43	72.50	72.21		45.03	45.38		58.06	58.13		35.96	34.85
  	0.40			-0.78			-0.12			3.09
  44	61.93	62.63		33.51	33.95		59.50	59.75		22.37	18.78
  	-1.13			-1.31			-0.42			16.05
  45	69.77	69.47		48.02	47.89		59.32	61.18		40.63	43.62
  	0.43			0.27			-3.14			-7.36
  46	71.55	70.78		48.73	48.83		62.84	64.36		25.12	20.49
  	1.08			0.21			-2.42			18.43
  47	70.94	70.88		50.95	51.57		59.03	60.54		37.81	34.91
  	0.08			1.22			-2.56			7.67
  48	65.03	64.76		39.81	38.74		57.35	57.97		14.97	18.81
  	0.42			2.69			-1.08			-25.65
  49	71.88	72.36		39.71	40.87		71.66	71.43		20.40	23.84
  	-0.67			2.92			0.32			-16.86
  Mean deviation /%	0.53			1.58			1.28			12.22
  Maximum deviation /%	1.13			3.86			3.14			25.65
  a：deviation =(measured value-prediction value)/ measured value

  下载: 导出CSV

  表 7  不同允许相对误差下焦炭质量的命中率

  Table 7.  Hit rate of coke quality under different allowed relative errors

  Allowed relative error /%	CR hit rate /%	MSI hit rate /%	PRI hit rate /%	PSR hit rate /%
  10	100	100	100	55.56
  5	100	100	100	11.11
  4	100	100	100	11.11
  3	100	88.89	88.89	0
  2	100	66.67	66.67	0

  下载: 导出CSV
•