山東科技大學|李政宏在J. Energy Inst.期刊發(fā)表煤熱溶方向研究論文
點擊次數(shù)：285更新時間：2025-05-26
煤中的低分子量化合物（LMWC） 是通過萃取和熱溶解 （TD） 獲得的可溶性成分，可以極大地影響煤炭的利用方法。考慮到煤可溶性比例的復雜性，機器學習算法被認為是可溶性比例分子信息的有效數(shù)據(jù)挖掘方法。在這項工作中，通過提取/TD 和機器學習算法的組合分析了來自不同類型煤的 LMWC。通過逐步提取和 TD，從 6 種類型的煤中獲得共 36 個煤提取物和 TD 產品樣品。所有樣品的傅里葉變換紅外 （FTIR） 光譜通過機器學習算法進行分類，包括無監(jiān)督學習和監(jiān)督學習方法。主成分分析 （PCA） 和 K-means 用于對 36 個樣品進行有效分類，溶劑類型的差異是決定樣品組分類的主要變量。PCA 處理的數(shù)據(jù)有利于 K-means 的準確分類。不對稱脂肪族-CH、對稱脂肪族-CH、-OH、對稱-CH3、不對稱-CH3、-CH2和相鄰H變形是影響層次聚類分析（HCA）的主要特征變量。-OH 是決定 HCA 分類的重要因素。對于人工神經網(wǎng)絡算法 （ANN），CH2 或 CH3 、脂肪族 C-H 和 -OH 鍵是將這些樣本分為六組的最重要變量。通過受試者工作特征曲線驗證 ANN 模型的預測結果準確。 通過機器學習算法鑒定關鍵官能團及其對煤樣分類的影響，為了解煤的分子特性提供了新的見解。
微信小程序控制；
配置原位拆釜功能，方便拆卸；
AI-PID溫度自跟隨控制算法；
支持斜坡程序升溫；
儀器內部和觸摸屏防漏液功能；
配置耐氫脆壓力傳感器Elgiloy合金；
易更換測溫元件和防松脫接頭；
配置本質安全底層溫度和壓力保護裝置；
LCD真彩色全觸摸操作界面。
