基于机器学习的气固流化床最小流化速度预测

包国强，顾维根，穆维国，周 南，崔 森，李志强,，李妍娇，周恩会，，4，赵跃民，，4，董 良，，4

(1.国家能源集团 新疆能源有限责任公司，新疆 乌鲁木齐 830002；2.中国矿业大学 人工智能研究院，江苏 徐州 221116；3.中国矿业大学 化工学院， 江苏 徐州 221116；4.煤炭加工与高效洁净利用教育部重点实验室(中国矿业大学)，江苏 徐州 221116)

0 引 言

气固流化床由于其传热、传质效率高，床层稳定性好等特点，已被广泛应用于煤化工、煤燃烧和煤炭分选等工业领域[1-3]。其中最小流化速度是流化床运行最重要参数之一。作为固定床向流化床变化的转折点，最小流化速度是流态化领域研究的热点。其中ERGUN和ORNING[4]提出的床层压降方程用于预测最小流化速度应用较为普遍。

由于机器学习[5-6]预测精度较高，在学术界和工业界影响逐渐增大，并在化工领域也得到了广泛的应用。机器学习可大幅降低模型复杂性，提高预测精度，并得到更为完善且更适用的模型[7]。在机器学习中，决策树是一种决策支持工具，是利用树状图形或模型来辅助决策[8]。随机森林是一种相对较新的数据挖掘方法，是在分类和决策树的基础上发展起来，用于处理变量之间的非线性关系[9]。随机森林算法实现简单、精度高、抗过拟合能力强，当面对非线性数据时，适于作为基准模型[10]。

针对最小流化速度，由于实际过程中很难获得颗粒的球形度以及床层的最小空隙率，因此，各国学者对ERGUN的方法进行了简化处理，建立了许多经典模型[11-22]。经典模型虽能在一定程度上对最小流化速度进行预测，但模型通常是根据几个影响因素的几个试验点开发，模型预测精度存在较大误差。……