Цифровая трансформация производства угольно-водяных суспензий: алгоритмы и инновации
Ключевые слова:
водоугольное топливо (ВУТ), искусственный интеллект, трансформер для обработки изображений(VisionTransformer -ViT), глубокое обучение с подкреплением (DRL), генеративно-состязательные сети (GAN), квантовая оптимизация, коллоидная стабильность, цифровой двойникАннотация
Интеграция искусственного интеллекта (ИИ) в производство водоугольного топлива (ВУТ) совершенствует контроль ключевых параметров, таких как концентрация угля (0–30%) в смеси, обеспечивая стабильность и энергоэффективность ВУТ. Традиционные методы синтеза ВУТ страдают от недостаточной точности и длительного времени адаптации к изменениям характеристик сырья, что ограничивает их промышленную применимость. В данной статье представлен усовершенствованный алгоритм, сочетающий трансформерные нейросети, квантовую оптимизацию и гибридные физико-химические модели, разработанный для прецизионного управления концентрацией и дисперсностью угольных частиц. Детально описана многоуровневая архитектура ИИ-контроля, включающая трансформер для обработки изображений (VisionTransformer -ViT) для анализа морфологии частиц, глубокое обучение с подкреплением (DRL) для точного смешивания и генеративно-состязательные сети (GAN) для оптимизации гранулометрии. Применение данной системы позволяет снизить энергопотребление на 29% и себестоимость ВУТ на 31%, демонстрируя высокую актуальность для промышленного внедрения и перехода к углеродно-нейтральному энергетическому сектору.
Библиографические ссылки
Chai, Y., &Li, Q. (2022). Artificial intelligence in optimization and control of coal-water slurry: A review. Fuel Processing Technology, 229, 107172.
Cheng J., Li Y., Zhou J., Liu J., CenK. (2010)Maximum concentrations of solids in coal-water slurries predicted using neural network models Fuel Processing Technology, 91(12), pp. 1832-1838.
Duan, Y., et al. (2023). Vision Transformer for micro-morphological analysis of coal particles and its application in grinding control. Powder Technology, 418, 118258.
Gao, W., & Zhang, H. (2021). Deep Reinforcement Learning for real-time rheology control of high-concentration coal-water slurries. Energy & Fuels, 35(12), 10103-10115.
Verwey, E. J. W., &Overbeek, J. T. G. (1948). Theory of the Stability of Lyophobic Colloids. Elsevier.
Yang, Z., et al. (2024). Generative Adversarial Networks for optimizing particle size distribution and enhancing the stability of coal-water slurry. Chemical Engineering Journal, 479, 147570.
Kim, J., & Lee, S. (2023). Digital Twin implementation for predictive maintenance and quality control in coal-water fuel production. Applied Energy, 345, 121175.
Wang, L., & Liu, G. (2022). Quantum optimization algorithms for complex colloidal systems: A perspective on DLVO calculations. Journal of Colloid and Interface Science, 607, 1870-1880.
