Прогнозирование выхода полукокса методами машинного обучения на основе анализа сырьевых и технологических параметров
Ключевые слова:
полукокс, пиролиз, машинное обучение, прогнозирование, регрессия, важность признака, R2, угольАннотация
В работе представлена разработка и валидация высокоточной прогностической модели, основанной на методах машинного обучения (алгоритм градиентного бустинга), для определения выхода полукокса в процессе низкотемпературного коксования. Актуальность исследования обусловлена необходимостью оптимизации углехимических процессов, особенно при переработке вариативного сырья, характерного для месторождений Центральной Азии (например, углей Кыргызской Республики).
В качестве входных признаков использовался комплекс из десяти сырьевых (тип угля, влажность, зольность, m1, m2) и технологических (температура, скорость, расход газа, выход смолы) параметров. Модель продемонстрировала высокую прогностическую способность на тестовой выборке с коэффициентом детерминации (R2) 0.752 и средней абсолютной ошибкой (MAE) 4.055%.
Ключевым результатом является анализ важности признаков, который однозначно выявил доминирующую роль внутренних характеристик сырья над технологическими режимами. Наибольшее влияние на выход полукокса оказывают показатели m1, тип каменного угля и m2, суммарный вклад которых превышает 60%. Установлено, что оптимизация процесса должна фокусироваться на контроле и подготовке сырья.
Разработанная модель может быть внедрена в автоматизированные системы управления производством для оперативного прогнозирования и стратегического планирования, обеспечивая повышение экономической эффективности и стабильности процесса пиролиза.
Библиографические ссылки
Петров, А. Н. Технология переработки твердого топлива. – М.: Химия, 2022. – 450 с.
Джаманбаев, А. Д., Ибраимова, А. М. Технологические особенности коксования углей месторождений Кыргызской Республики // Известия НАН КР. – 2021. – № 4. – С. 101–112.
Kozlov, V. N. Advanced kinetic modeling of coal pyrolysis: limitations and future directions //Fuel Processing Technology. – 2023. – Vol. 248. – P. 107990.
Смирнова, И. А. Прогнозирование теплоты сгорания угля с использованием искусственных нейронных сетей // Известия высших учебных заведений. Горный журнал. – 2024. – № 1. – С. 55–63.
Lee, J. H., Kim, M. S. Predicting coal tar yield in fast pyrolysis using ensemble machine learning models // Energy. – 2021. – Vol. 220. – P. 119642.
Абдыкадыров, Р. С. Анализ элементного состава бурых углей Кара-Кече // Вестник Кыргызско-Российского Славянского университета. – 2020. – Т. 20, № 11. – С. 120–126.
ГОСТ Р 7.0.7–2021. Система стандартов по информации, библиотечному и издательскому делу. Статьи в журналах и сборниках. Издательское оформление.
