技术领域
[0001] 本
发明涉及一种预测
固体燃料在化学链过程中的反应性能的方法，尤其是基于梯度提升回归树模型(即Gradient Boost Regression Tree,缩写为GBRT)预测固体燃料化学链过程中的反应性能的方法，属于
化学链燃烧技术领域。
背景技术
[0002] 化学链技术主要包括化学链燃烧和化学链
气化等，过程中，燃料不与空气直接
接触，而是通过载
氧体在两个反应器之间进行交替循环反应，以实现氧的传递。化学链燃烧可以无需额外的
能量消耗实现CO2内分离，化学链气化则是以载氧体代替纯氧使固体燃料气化，减少运行成本，并且载氧体具有催化气化的作用，因此，化学链技术是实现固体燃料高效清洁利用的重要技术之一。
[0003] 固体燃料的化学链过程是一个复杂的热化学过程，受到很多因素的影响。在研究基于化学链技术处理固体燃料的过程时，固体燃料可以为烟
煤、
褐煤、
无烟煤、
石油焦等各类不同种燃料及其多种混合的燃料。其次，载氧体作为热载体和氧载体，在化学链过程中起到关键作用，载氧体也有很多类型，如常见的
铁基，
铜基，镍基载氧体，更有多金属载氧体和天然载氧体等。经过前期的实验研究发现，
水蒸气含量，反应
温度，O/C(载氧体中含氧的摩尔量与固体燃料中含
碳的摩尔量之比)等都对实验结果和化学链过程产生重要的影响。由于固体燃料的不确定性，载氧体种类的不确定性，反应条件的不确定性，通常需要大量的实验和数据来选取较优的实验材料和条件。实验结果也通常是多个离散的结果，表示大致趋势，并且需要花费大量的时间、人
力、物力和财力来获得较优的工况。而随着
人工智能的高速发展，可以通过人工智能辅助科研人员的实验研究，缩小实验参数的范围和实验数量，来预测固体燃料在化学链过程中的反应性能，进而发展化学链技术。根据实验参数输入预测实验结果可以转化为
机器学习中的有监督回归问题。常用的回归方法有多元线性回归、逻辑回归、支持向量回归、以及近年来兴起的神经网络方法。然而由于在化学链过程的场景中，数据的维度通常较高，数据间的内部逻辑复杂，使用线性回归等方法难以对复杂数据空间进行建模，而神经网络方法需要大量的标记数据，难以获得，因而不适用于化学链过程预测的场景。
发明内容
[0004] 技术问题：针对
现有技术的不足，本发明提出一种基于GBRT预测固体燃料化学链过程中的反应性能的方法，可以简单直接地通过建立梯度提升回归树模型，已知固体燃料、载氧体等反应物的基本性质以及实验条件参数预测出相应的评价指标，为固体燃料化学链过程的预测提供了一种可行方法，从而预测得到最优的工况参数。
[0005] 技术方案：本发明基于GBRT预测固体燃料化学链过程中的反应性能的方法，包括以下步骤：
[0006] (1)通过固体燃料化学链实验研究收集数据；
[0007] (2)
整理数据，得到训练样本和测试样本；
[0008] (3)使用梯度提升回归树模型对训练样本进行训练；
[0009] (4)对固体燃料在化学链过程中的反应性能进行预测。
[0010] 进一步地，步骤(1)所述固体燃料化学链实验包括固体燃料和载氧体的气化和燃烧。
[0011] 进一步地，步骤(1)中所述固体燃料包括煤类、
生物质、石油焦中的一种或多种混合燃料；化学链实验过程中需要的载氧体，包括铁基、镍基、铜基或多金属载氧体，以及天然载氧体。
[0012] 进一步地，所述步骤(2)包括以下子步骤：
[0013] (2.1)根据所述步骤(1)中记录的实验结果，计算固体燃料化学链过程的评价指标；
[0014] (2.2)筛选实验数据，去除
明显错误的数据，并且对多次实验结果取平均值，在实验条件的范围内均匀地对数据
采样；
[0015] (2.3)选取训练样本，X＝{x1，x2，…，xn}，xi(1≤i≤n)表示训练样本中第i次实验的所有条件参数的集合，Y＝{y1，y2…yn}，yi(1≤i≤n)表示的是训练样本中第i次实验中固体燃料化学链过程的评价指标，n表示训练样本的数量；
[0016] (2.4)均匀随机
抽取测试集，A＝{α1，α2，…，αm}，αi(1≤i≤n)表示测试样本中第i次实验的所有条件参数的集合，B＝{β1，β2…βm}，βi(1≤i≤n)表示测试样本中第i次实验中固体燃料化学链过程的评价指标，验证模型的可行性，m表示测试数据样本的数量。
[0017] 进一步地，所述步骤(3)包括以下子步骤：
[0018] (3.1)训练的目标：学习一个函数F(x)，使得损失函数最小，损失函数通过最小二乘法定义为：
[0019]
[0020] (3.2)设置初始化函数F0为常函数：
[0021]
[0022] (3.3)设置最大的
迭代次数T，对于每一步t＝1，…，T，对于每个数据样本计算梯度：
[0023]
[0024] 根据得到的中间数据X＝{x1，x2，…，xn}，Rt＝{r1t，r2t…rnt}，使用CART的构造方法构造回归树ht(x)拟合(X，Rt)。；
[0025] 计算因子ct：
[0026]
[0027] 更新模型：
[0028] Ft(x)＝Ft-1(x)+cht(x)
[0029] (3.4)输出最终的模型
[0030] F(x)＝FT(x)。
[0031] 进一步地，所述步骤(3)中，给出所有实验参数的取值范围和取值
精度，遍历所有可能的数据组合，将每种组合输入到F(x)中得到预测的输出结果，根据化学链过程中不同目的和需求选择最优的预测结果，并得到其对应的工况参数。
[0032] 有益效果：本发明相对现有技术具备如下有益效果，本发明提出的预测固体燃料的化学链过程中的反应性能的方法，与通过大量实验方法预测并获得化学链过程结果的方法相比，节省了时间、人力、物力和财力，简单快捷，同时可为实验条件的设置提供进一步的理论和数据支持，具有一定的指导意义。选择梯度提升回归树模型的原因是相比于
支持向量机回归等模型，可以优先自动学习更重要的特征，并且更适用于数据规模较小，数据特征维度较少，特征数据连续，数据不一定线性可分的情况，更适合应用于固体燃料化学链过程的预测。
附图说明
[0034] 图2为获得实验数据的基于固体燃料化学链反应的单批次进料小型
流化床实验装置；
[0035] 图3为测试组的实验得到的数据碳转化率ηC与通过梯度提升回归树GBRT模型和支持向量回归SVR模型预测结果的对比图；
[0036] 图4为测试组的实验得到的数据有效
合成气比例Wsyngas与通过梯度提升回归树GBRT模型和支持向量回归SVR模型预测结果的对比图。
具体实施方式
[0037] 下面将结合附图和具体实施例进一步阐明本发明的内容，但该实施例仅用于说明本发明而不用于限制本发明的保护范围。实施例的具体步骤如图1所示。
[0038] 首先，选择固体燃料为石油焦和
无烟煤，载氧体为铁
矿石，本实施例中的固体燃料可以选用煤类(包括褐煤，烟煤，无烟煤)、生物质、石油焦中的一种或多种混合燃料；载氧体可以选用铁基、镍基、铜基或多金属载氧体，以及天然载氧体。在单批次进料小型流化床进行实验研究。选取反应温度、水蒸气流量、O/C(载氧体中含氧的摩尔量与固体燃料中含碳的摩尔量之比)、燃料的固定碳含量为实验条件参数，选取碳转化率和合成气比例作为评价化学链过程的指标。基于梯度提升回归树模型的固体燃料化学链过程的预测方法包括以下具体步骤：
[0039] (1)在如图2中所示的反应系统中进行固体燃料化学链实验研究：
[0040] (1.1)将铁矿石加入反应器中，并升温到设定温度，温度范围为800-1000℃，升温过程中通入惰性气体氮气作为载气。当温度到达设定温度后，通入氧气和氮气的混合气进行氧化，使铁矿石完全氧化。之后通入氮气进行吹扫，排出反应器中残留气体。加入固体燃料，通入气化介质水蒸气，进行燃料的气化和燃烧等一系列复杂的热化学反应。
[0041] (1.2)通过集气袋收集燃料与铁矿石在水蒸气作为气化介质的状态下的反应烟气，每两分钟集气一次，并用烟气分析仪分析测得烟气中CO，CO2，CH4，H2的气体浓度。本实施例中实验结果中生成气体的浓度可采用在线分析，也可采用集气袋收集后线下再通过烟气分析仪测量。本实施例中需要在同一条件下进行多次实验，保证数据的准确性。本实施例中在各个实验条件的区间内，均匀地设置实验条件参数，使实验数据可以均匀采样。
[0042] (2)整理数据，得到训练样本和测试样本：
[0043] (2.1)根据实验得到的生成气体的浓度，计算评价固体燃料化学链过程的指标碳转化率ηC和有效合成气比例Wsyngas：
[0044]
[0045] 其中，Xi(i＝CO，CO2，CH4，H2)是烟气中CO，CO2，CH4，和H2的摩尔体积分数，nC，Fuel是燃料中包含的碳的摩尔量。
[0046]
[0047] 其中， 是通入氮气的摩尔流量。
[0048]
[0049] (2.2)筛选实验数据，去除明显错误的数据，并且对多次实验结果取平均值，在实验条件的范围内均匀地对数据采样。
[0050] (2.3)选取训练样本，X＝{x1，x2，…，xn}表示实验条件参数，Y＝{y1，y2…yn}表示的是固体燃料化学链过程的评价指标。n＝20表示数据样本的数量。
[0051] (2.4)均匀随机抽取测试集，A＝{α1，α2，…，αm}表示实验条件参数，B＝{β1，β2…βm}表示的是固体燃料化学链过程的评价指标，验证模型的可行性。m＝3表示数据样本的数量。
[0052] (3)选择梯度提升回归树模型(Gradient Boost Regression Tree，GBRT)作为模型，训练模型：
[0053] (3.1)训练的目标：学习一个函数F(x)，使得损失函数最小，损失函数通过最小二乘法定义为：
[0054]
[0055] (3.2)设置初始化函数F0为常函数：
[0056]
[0057] (3.3)设置最大的迭代次数T＝500，对于每一步t＝1，…，T，对于每个数据样本计算梯度：
[0058]
[0059] 根据得到的中间数据X＝{x1，x2，…，xn}，Rt＝{r1t，r2t…rnt}，使用CART的构造方法构造回归树ht(x)拟合(X，Rt)。参数设置为树的最大深度为4，最小分裂
节点数为2，学习率为0.01。
[0060] 计算因子ct：
[0061]
[0062] 更新模型：
[0063] Ft(x)＝Ft-1(x)+cht(x)
[0064] (3.4)输出最终的模型
[0065] F(x)＝FT(x)
[0066] 经过训练后，输入测试集中实验参数，通过梯度提升回归树GBRT模型预测相应的碳转化率ηC和有效合成气比例Wsyngas见图3和图4，与真实值比较相差不大，残差平方和为17.74。通过使用支持向量回归SVR模型预测做对比，其中训练参数C＝50，ε＝1，使用的
训练数据和梯度回归树模型GBRT相同，结果残差平方和为57.43。因此，采用梯度提升回归树GBRT模型预测固体燃料化学链过程中的反应性能可行，并且相对于支持向量回归SVR模型更合适。
[0067] (4)给出所有实验参数的取值范围和取值精度，遍历所有可能的数据组合，将每种组合输入到F(x)中得到预测的输出结果，根据化学链过程中不同目的和需求选择最优的预测结果，并得到其对应的实验条件参数。
[0068] 综上，相比于通过大量实验方法预测并获得化学链过程结果的方法相比，节省了时间、人力、物力和财力，简单快捷，同时可为实验条件的设置提供进一步的理论和数据支持，具有一定的指导意义。并且梯度提升回归树模型更适合应用于固体燃料化学链过程的预测。
[0069] 特别说明，以上对本发明的具体实施方式做了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下对具体操作步骤作出各种变化以及各种反应物和反应条件进行更改替换，因此直接或间接运用本发明在其他相关领域均包含于本发明所涵范围内。
