王春波，　楊棖鈞，　陳　亮

(華北電力大學 能源動力與機械工程學院，河北保定 071003)

?

基于煤灰礦物相特性的灰熔點預測

王春波，楊棖鈞，陳亮

(華北電力大學 能源動力與機械工程學院，河北保定 071003)

摘要：以物質平衡為約束條件，采用在弱還原性氣氛、溫度為T時煤灰中可能存在的化學反應的吉布斯自由能變化之和的最小值作為熱力學平衡計算的目標函數(shù)，建立高溫弱還原性氣氛下的煤灰礦物相組成模型.引入各礦物相對應的熔點，構建礦物相組成與灰熔點之間的函數(shù)關系并用線性回歸的方法確定熔點修正值，進而用迭代法建立了灰熔點預測關系式.結果表明：模型模擬得出的礦物相組成不僅與XRD譜圖和Fact Sage譜圖有著較好的相似性，而且其變化能反映煤灰熔融特性、預測灰熔點的變化趨勢、判斷煤灰中主要礦物相組成，灰熔點的預測誤差均在-80~80 K內.

關鍵詞：礦物相特性； 灰熔點； 預測； 模型； 線性回歸

爐內結渣是影響燃煤鍋爐和氣化爐安全運行的主要問題之一.對于固態(tài)排渣爐，爐膛內出現(xiàn)的煤灰結渣問題易導致受熱面超溫爆管、壽命縮短，傳熱惡化，發(fā)電煤耗增加.當結渣嚴重時，大塊渣落下砸壞冷灰斗，將會對人員和設備造成極大的危害[1].對于固態(tài)排渣的氣化爐，為防止結渣，要求所使用的煤具有較高的灰熔點來保證氣化爐能始終在低于灰熔點的爐溫下操作.而對于液態(tài)排渣的氣化爐，則要求煤灰的流動溫度必須低于排渣溫度[2].灰熔點不僅是判斷結渣的重要依據(jù)之一，也是氣化用煤的一項重要指標，因而對灰熔點進行預測研究很有必要.

預測灰熔點的方法大致分為以下2大類：一類是直接將煤的灰熔點與煤灰中的化學組成含量建立數(shù)學關系，采用統(tǒng)計學的方法建立預測關系式.崔秀玉[3]和Bryers[4]提出的K值、酸堿比等單變量模型能較好地預測灰熔點的溫度范圍；龍永華[5]提出熔融指數(shù)I并通過回歸分析和曲線擬合得到神府煤灰熔融溫度預測公式；姚星一等[6]根據(jù)中國煤種的特點，提出了雙溫度坐標法(YW法)；Winegartner等[7]采用多元線性回歸(MLR)的方法研究了煤灰熔融溫度的預測模型，即WR模型；Seggiani等[8-9]在擬合過程中引入偏最小二乘法(PLSR)，其預測結果明顯優(yōu)于多元線性回歸；陳文敏等[10]將w(SiO2)=60%和w(Al2O3)=30%作為分界線，提出按照煤灰成分將模型分為4類時可以獲得較小偏差的觀點；Yin等[11]利用帶有動量項的反向傳播神經(jīng)網(wǎng)絡對灰熔點進行了預測；趙顯橋等[12]采用支持向量機算法和BP神經(jīng)網(wǎng)絡算法對灰熔點進行了建模和對比研究；李建中等[13]采用支持向量機結合遺傳算法建立灰熔點預測模型；劉彥鵬等[14]利用蟻群前饋神經(jīng)網(wǎng)絡對灰熔點進行了預測.

另一類預測方法是通過相圖、完全液相溫度等具有化學意義的介質建立煤的灰熔點與化學組成的關系，進而預測其灰熔點.Huggins等[15]研究了煤灰成分與三元相圖之間的關系，利用三元相圖的方法對煤灰熔融溫度進行關聯(lián)，3個坐標分別對應SiO2、Al2O3和堿性氧化物含量；Gray[16]改進了Huggins等提出的三元相圖，分別用助熔氧化物、非助熔氧化物和堿性氧化物的含量重新定義3個頂點.Jak[17]通過建立新的熱力學系統(tǒng)，在Fact Sage熱力學計算軟件的幫助下，建立灰熔點與完全液相溫度相關聯(lián)的方法，在還原性氣氛(VH2∶VCO=1∶1)和氧化性氣氛(CO2)下不僅得到了較好的預測結果，還發(fā)現(xiàn)灰熔點與完全液相溫度之間具有較好的線性關系；Li等[18]利用Fact Sage軟件預測還原性氣氛(VCO∶VCO2=6∶4)下我國淮南煤的灰熔點，計算結果表明75%液相含量對應的溫度與軟化溫度非常接近；Song等[19]在Jak的研究基礎上，添加了計算時的組分數(shù)，并將所選煤灰灰樣按不同的酸堿比分為2類，通過Fact Sage軟件分別計算煤灰在惰性氣氛(Ar)和強還原性氣氛(H2)下的完全液相溫度，得到了與文獻[17]類似的結論.Kong等[20]通過計算完全液相溫度，對添加CaCO3的煤灰進行預測，其預測結果準確度較高.

另外還有從原煤中礦物相組成和含量出發(fā)，進而建立灰熔點與原煤中礦物相間函數(shù)關系的其他預測方法[21].第一類方法是偏重于統(tǒng)計學的方法，雖能較好地對灰熔點進行預測，但沒有直接揭示煤灰熔融機理，不能有效地反映出高溫熔融灰中礦物相組成變化對熔融特性的影響.在第二類方法中，完全液相溫度關聯(lián)模型的建立需要采用Fact Sage軟件進行計算，該軟件計算過程未公開，各礦物相及液相的組成和含量對灰熔點的影響程度不夠明確，所占權重沒有給出.從原煤礦物相出發(fā)預測灰熔點的困難之處在于如何獲得準確的原煤礦物相組成和含量.

在上述研究基礎上，筆者通過熱力學平衡計算，建立了高溫弱還原性氣氛下的煤灰礦物相組成模型，該模型能夠將煤灰化學組成轉變?yōu)槟骋粶囟认碌牡V物相組成或某一溫度區(qū)間內的礦物相組成變化，模型的輸出結果不僅能夠反映溫度變化對礦物相組成的影響，還可以較好地指導煤中助熔劑的添加.在礦物相組成模型的基礎上，引入各礦物相的熔點，構建礦物相組成與灰熔點之間的函數(shù)關系，采用線性回歸的方法確定各礦物相熔點的修正值，得到了各礦物相對灰熔點的影響權重，進而建立礦物相組成與灰熔點之間的預測關系式，并對預測值與灰熔點實驗值進行比較.

1礦物相組成模型

煤灰熔融性描述的是煤灰在受熱時由固態(tài)向液態(tài)轉變的過程，這個過程由灰熔點來表征，灰熔點包括4個特征溫度，即變形溫度(tDT)、軟化溫度(tST)、半球溫度(tHT)和流動溫度(tFT).灰熔點雖然體現(xiàn)的是煤灰在受熱時液固兩相比例的轉化，但影響煤灰中液相和固相熱轉化特性的最主要因素是反應溫度下煤灰中的礦物相和液相的組成及含量.同時，研究[22]表明灰熔點與液相含量的關聯(lián)性較差，不同類型煤灰的灰熔點對應的液相含量范圍有較大差別.因此，在忽略固液相比例對灰熔點影響的前提下，以物質平衡為約束條件，采用熱力學平衡計算方法建立高溫弱還原性氣氛下的煤灰礦物相組成模型.

1.1模型的基本假設

模型的基本假設如下：

(1)高溫弱還原性氣氛對Fe元素形態(tài)的影響最大，假設煤灰中的Fe2O3全部轉化為FeO且參與反應[23]，認為此時煤灰中發(fā)生的化學反應所處的氛圍為弱還原性氣氛.

(2)模型主要考慮灰中Al2O3、SiO2、CaO、FeO和MgO 5種成分，又因煤灰中存在TiO2、SO3、Na2O和K2O等，且堿金屬對灰熔點的影響不容忽略，故在預測灰熔點時引入TiO2、SO3和(Na2O+K2O)作為修正值.

(3)假設煤灰中各成分之間的反應形式為氧化物生成復合氧化物的反應[24]，且這些復合氧化物均為高溫煤灰中可能出現(xiàn)的礦物相.

(4)上述化學反應可構成一個反應體系，在該體系中，不考慮各生成物間相互系數(shù)的影響，即認為該體系中的各個化學反應均為純凝聚相之間的反應.

(5)假設該體系的反應時間足夠長，最終達到了熱力學平衡，且達到平衡時，生成物之間也不再進一步發(fā)生反應.

1.2模型的數(shù)學表達

模型的數(shù)學表達式如下：

(1)

1.3模型描述及說明

模型的輸入量為5種氧化物(Al2O3、SiO2、CaO、FeO和MgO)含量和反應溫度T.模型處理后得到的生成物均為高溫弱還原性條件下煤灰中可能存在的礦物相，即莫來石、硅鈣石、硅灰石、假硅灰石、鋁酸鈣、硅酸鈣、鎂鈣氧化物、透輝石、鈣鎂橄欖石、鎂黃長石、鎂硅鈣石、鈣長石、鈣鋁輝石、鈣鋁黃長石、鈣鋁榴石、鐵鋁尖晶石、鐵橄欖石、斜鐵輝石、原硅酸鎂(鎂橄欖石)、鋁酸鎂(鎂鋁尖晶石)、堇青石、石英、剛玉、方鈣石和剩余FeO等.

2灰熔點實驗和預測

由前文可知，建立的模型能夠輸出某一反應溫度下的礦物相組成，但不能直接預測灰熔點，因此引入能夠表示各礦物相熱力學性質的熔點fpi，并在預測前假設礦物相組成及其熔點與灰熔點之間的函數(shù)f，在后文的分析與預測過程中對構造出的函數(shù)f進行了驗證與校核.在上述“先假設、再校核”思路的基礎上，用迭代法求取灰熔點預測值，并將預測值與實驗值進行比較.

2.1灰熔點實驗

選取某燃煤電廠燃用的9種煤樣，對煤樣進行干燥和研磨后，按照GB/T 212—2008 《煤的工業(yè)分析方法》中的快速灰化法在馬弗爐中制得815 ℃下的煤灰灰樣，參考MT/T 1086—2008 《煤和焦炭中常量和微量元素的測定法 X熒光光譜法》采用X熒光光譜分析進行煤灰成分測定，并按照GB/T 219—2008 《煤灰熔融性的測定方法》標準進行灰熔點測定.實驗得到的煤灰化學成分、灰分含量和灰熔點見表1.

2.2預測方法分析

忽略固液相比例對灰熔點的影響，首先考慮灰熔點與礦物相組成之間的關系.若用g表示二者之間的關系，則可以寫為

表1　煤灰的化學組成和灰熔點

(2)

式中：wi為不同礦物相的質量分數(shù)，%；i代表煤灰中的某一類礦物相.

單獨考慮某一特征溫度tx時，式(2)可改寫為

(3)

式中：tx為tDT、tST、tHT或tFT中的某一個特征溫度.

引入各礦物相的熔點fpi可得

(4)

(5)

式中：φi為tx溫度下，對應化學反應i的生成物熔點的修正值(即各礦物相熔點的修正值).

圖值與tDT值的比較

因wi為某一溫度下的礦物相質量分數(shù)，此時溫度為tx，故寫作wi(tx)；同理，此時φi的準確表達為φi(tx)，則式(5)的準確表述為

(6)

為了更好地反映煤灰中成分對其熔融特性的影響，將TiO2、SO3、Na2O和K2O作為修正值引入式(6)后可得

(7)

式中：wj為TiO2、SO3和(Na2O+K2O)等成分的質量分數(shù)；Ψj為對應的修正值；j代表TiO2、SO3和(Na2O+K2O)中的某一個成分.

分析式(7)可知，若確定φi(tx)和Ψj(tx)，則可用式(7)建立tx與wi(tx)和wj的關系，為進一步預測做好準備.

2.3φi(tx)和Ψj(tx)的確定以及tx的預測

觀察式(7)可知，式(7)形如下式：

(8)

對式(8)進行變形可得

(9)

為了簡化式(9)，令

(10)

(11)

則式(9)可改寫為

(12)

觀察式(12)可知，當預測的煤灰灰樣數(shù)為m時，式(12)形如下式：

(13)

式中：A為m×(n+3)的xk系數(shù)矩陣；b為m×1的矩陣，求解出x*即可得到φi和Ψj.

篩選煤灰數(shù)據(jù)(一部分來自中國科學院中國典型煤種熱轉化特性數(shù)據(jù)庫，一部分來自文獻[26])，并用數(shù)據(jù)殘差圖判別其離群點后，再選取92組煤灰化學組成數(shù)據(jù)，即w(Al2O3)為6.23%~64.99%，w(SiO2)為7.55%~67.91%，w(CaO)為1.41%~62.29%，w(Fe2O3)為0.91%~30.11%，w(MgO)為0.05%~8.40%，硅鋁比為0.20~7.55，采用線性回歸的方法求取φi(tx)和Ψj(tx).

在求得φi(tx)和Ψj(tx)后，采用迭代法求解滿足式(14)的T值，即可得到tx預測值.

(14)

3結果與分析

3.1模型的一致性驗證

3.1.1模型驗證所用的數(shù)據(jù)

用來驗證模型的煤灰化學組成數(shù)據(jù)及煤灰熔融溫度來自于文獻[27]～文獻[29]，其中文獻[29]的灰熔點數(shù)據(jù)由第3.1.4節(jié)中的圖3得到.

3.1.2XRD譜圖驗證

由皖北某煤礦(以下簡稱LE)煤灰灰樣在不同溫度下的XRD譜圖[27]可知，煤灰灰樣中的礦物相在1 300 ℃時，莫來石、鈣長石和石英的衍射峰最強；當LE原煤中石灰石助熔劑添加量為4%(記為LE+4%)時，煤灰灰樣中主要礦物相組成為鈣長石和石英.通過模型處理上述2種煤灰后的輸出結果如表2所示.

表21 300 ℃下通過模型計算所得的煤灰礦物相組成

Tab.2Mineral composition in coal ash samples computed by the model at 1 300 ℃

%

由表2可知，對于LE、LE+4% 2種煤灰灰樣，模型的輸出結果與XRD譜圖反映的內容完全一致：1 300 ℃下LE煤灰灰樣中的主要礦物相是莫來石、鈣長石和石英；而LE+4%煤灰灰樣中的結晶相因添加CaCO3而發(fā)生了變化，生成大量的鈣長石，這也充分解釋了LE原煤在添加4%石灰石后，煤灰熔融溫度均大幅下降約150 K的現(xiàn)象.

3.1.3Fact Sage譜圖驗證

觀察府谷煤礦(FG)煤灰的Fact Sage譜圖[28]可以發(fā)現(xiàn)， FG煤灰中主要存在鈣長石、堇青石、石英和斜方輝石等礦物相，并在1 300 ℃左右達到完全液相溫度.

通過模型模擬FG煤灰中的礦物相組成，其變化如圖2所示.由圖2可知，在1 000~1 400 ℃內處理FG煤灰后的模型輸出結果如下：w(鈣長石)=38.36%，w(堇青石)=15.13%，w(石英)=38.30%以及少量的鐵橄欖石和透輝石，這與Fact Sage譜圖中的礦物相組成有著較好的相似性.

圖2　FG煤灰礦物相組成隨溫度的變化

Fig.2Mineral composition of FG coal ash at different reaction temperatures

3.1.4煤灰熔融性驗證

模型輸出的礦物相組成不僅與XRD譜圖和Fact Sage譜圖有著較好的一致性，其變化還能反映煤灰熔融特性.圖3[29]給出了CaO含量(w(CaO))對煤灰灰熔點和完全液相溫度的影響.因圖3中各煤灰灰樣的tDT、tST、tHT、tFT和完全液相溫度tL的變化趨勢大致相同，故只討論了tDT的變化情況.圖4僅給出了1 300 ℃、不同w(CaO)下由模型輸出的煤灰礦物相組成.

由圖3可知，煤灰化學組成中w(CaO)=5%~25%時，對應的tDT呈下降趨勢且斜率逐漸增大，但增大幅度不大；當w(CaO)繼續(xù)增大時(25%~35%)，tDT仍保持下降趨勢，但下降趨勢開始變緩；在w(CaO)=35%處，tDT達到最低點；隨著w(CaO)的增大，tDT開始升高，且斜率達到最大(w(CaO)=35%~40%處)，此后tDT的上升趨勢變緩.綜上所述，tL與tDT的變化趨勢大致相同，區(qū)別是在w(CaO)=10%~20%內，tL的下降趨勢變緩，而在w(CaO)=20%~35%內，tL下降最快，斜率達到最大值.

圖3　CaO含量對灰熔點和完全液相溫度的影響

Fig.3Effect of CaO mass fraction on ash fusion temperature and full liquids temperature

圖4　1 300 ℃下模型計算得到的不同CaO

Fig.4Calculated mineral composition in ash samples for different mass fraction of CaO at 1 300 ℃

分析圖4，可將礦物相組成的變化情況分為3個階段和2個關鍵點.

第一個階段(w(CaO)=5%~20%)：隨著煤灰化學組成中w(CaO)的增大，礦物相中莫來石和石英的質量分數(shù)均減小，其中莫來石在20%處已完全消失、石英仍有極少量剩余，而鈣長石的質量分數(shù)從25%左右增大到80%以上，礦物相組成由莫來石轉變成鈣長石.由此可見，作為主要耐熔礦物的莫來石(熔點為1 810 ℃)減少，而反應活性相對活潑的鈣長石(熔點為1 550 ℃)增加[30]，這是導致tDT和tL降低的主要原因.

第一個關鍵點(w(CaO)=20%)：此時鈣長石質量分數(shù)最高，莫來石完全消失，石英只有少量剩余，并有少量假硅灰石、剩余FeO生成.觀察文獻[29]中的Fact Sage譜圖，可以發(fā)現(xiàn)譜圖中的固相主要為鈣長石(質量分數(shù)為75%左右)，還有鈣鐵榴石和斜方輝石等含鐵低溫礦物相，并有少量的莫來石(質量分數(shù)為3%左右)和假硅灰石(質量分數(shù)為4%左右)，幾乎與圖4中礦物相組成模型在1 300 ℃時的輸出結果一致.兩者輸出結果有所差異的原因是模型設定的反應溫度不同，而含鐵低溫礦物的熔點一般低于1 300 ℃[22].

第二個階段(w(CaO)=20%~35%)：鈣長石質量分數(shù)逐漸減小，假硅灰石(熔點為1 540 ℃)增加，鈣鋁黃長石開始生成且質量分數(shù)增大很快，同時有鐵尖晶石和鎂黃長石等低溫礦物相出現(xiàn).研究[31]表明當石灰石繼續(xù)添加時，多余的CaO與鈣長石反應生成鈣鋁黃長石并有假硅灰石、鐵鋁尖晶石和鎂黃長石生成，這些礦物質與剩余的鈣長石極易發(fā)生低溫共熔而使灰熔點大幅降低.因此，上述礦物相組成的變化能夠很好地反映圖4中tDT和tL仍呈下降趨勢的原因.

第二個關鍵點(w(CaO)=35%)：此時tDT和tL均達到最小值，這是因為隨著w(CaO)的增大，鈣長石逐漸被消耗完畢，低溫共熔缺少發(fā)生的條件，而鈣鋁黃長石本身的熔點(1 593 ℃)較高，且假硅灰石質量分數(shù)仍在繼續(xù)增大，從而造成灰熔點在w(CaO)=35%后突然回升的現(xiàn)象.

第三個階段(w(CaO)=35%~50%)：如前所述，tDT和tL在w(CaO)=35%~40%內上升較快、斜率較大；隨著w(CaO)的繼續(xù)增大，雖然熔點較高的假硅灰石消失，并有熔點為1 475 ℃的硅鈣石生成，但是鈣鋁黃長石質量分數(shù)基本保持不變，而熔點更高(2 065 ℃)的硅酸鈣開始出現(xiàn)，這可能是煤灰灰熔點繼續(xù)上升但上升趨勢變緩的原因.

分析3個階段可以發(fā)現(xiàn)，隨著w(CaO)的增大，煤灰的主要礦物相發(fā)生了莫來石→鈣長石→鈣鋁黃長石的變化，這與三元相圖的預測完全一致[29].另外還可以發(fā)現(xiàn)，模型輸出的FeO質量分數(shù)在w(CaO)=5%~20%內幾乎保持不變，可能是因為在模型設定的條件下，F(xiàn)eO未參與反應；當w(CaO)繼續(xù)增大時，F(xiàn)eO減少并消失，可能原因是FeO與鈣長石發(fā)生反應，生成了鐵橄欖石和鐵尖晶石等低熔點礦物[32]；當w(CaO)= 50%時，F(xiàn)eO因沒有與其他物質發(fā)生反應，故有剩余.FeO的剩余與消失說明所建立的模型具有一定的靈敏度，可以反映礦物相中的一些細微變化.

綜上所述，所建立的模型具有一定的靈敏度，能夠模擬煤灰中的主要礦物質組成、預測灰熔點的變化趨勢，并可以有效地指導煤中助熔劑的添加.

3.2預測結果分析

采用線性回歸的方法確定φi(tx)和Ψj(tx)，并將其代入式(7)中，預測所用煤灰的灰熔點(命名該預測方式為φi預測).在預測過程中，發(fā)現(xiàn)了某些礦物相，頻率并不高，為了提高φi(tx)和Ψj(tx)的擬合程度，在模型中舍棄這些礦物相，簡化模型輸出為13種礦物相，將φi(tx)和Ψj(tx)分別整理成表3和表4，并給出了各礦物相對應的熔點及其修正值.

表3各礦物相的熔點及其修正值

Tab.3Fusion point and the corrected value of each mineral matter

序號名稱fpiφi(tDT)φi(tST)φi(tFT)1剛玉20508146106242石英16703823223723方鈣石25721345109211114剩余FeO1369-127-76575剩余MgO28521193191223206莫來石18101751871207假硅灰石15402452823248透輝石13207907367459鈣長石155019013517110鐵鋁尖晶石178093752937911鐵橄欖石120564753955012鎂橄欖石1890157-935713堇青石1460364349352

同時直接使用8種煤灰化學成分進行線性擬合(命名為線性預測)，2種預測方式的比較見表5.

由表5可知，φi預測方式取得的效果遠好于線性預測方式，且對tDT、tST和tFT的擬合效果均較好，對應線性回歸系數(shù)均在0.85以上.

采用φi預測方式對煤灰灰樣進行灰熔點預測，預測結果見表6.由表6可知，灰熔點預測值偏差均在-80~80 K內，說明所用模型能夠較好地預測灰熔點.

表4　TiO2、SO3、Na2O+K2O的修正值

表5　2種預測方式的比較

表6　煤灰灰樣的灰熔點預測值

4結論

(1)用物質平衡作為約束條件，通過熱力學平衡計算，所建立的弱還原性氣氛下煤灰礦物相組成模型能夠較好地模擬高溫下煤灰的礦物相組成變化，反映了溫度變化對礦物相組成的影響，可以較好地指導煤中助熔劑的添加、有效判斷煤灰中的主要礦物相組成、較好地解釋和預測灰熔點的變化趨勢.

(2)采用“先假設、再校核”的方法，在模型模擬出的礦物相組成的基礎上，引入各礦物相對應的熔點，用線性回歸的方法較好地確定了熔點修正值φi，并用迭代法建立了灰熔點的預測關系式.

(3)比較灰熔點實驗值與預測值可知，煤灰礦物相組成模型能較好地預測灰熔點.

參考文獻：

[1]岑可法，樊建人，池作和，等．鍋爐和熱交換器的積灰、結渣、磨損和腐蝕的防止原理與計算[M]．北京：科學出版社，1994．

[2]龍永華，高晉生．煤中礦物質與氣化工藝的選擇[J]. 潔凈煤技術, 1998, 4(3): 34-37.

LONG Yonghua, GAO Jinsheng. The effect of mineral matter of coal on its gasifying process[J]. Clean Coal Technology, 1998, 4(3): 34-37.

[3]崔秀玉．神木煤的氣化與應用[J]．煤化工，1993(2)：7-14．

CUI Xuiyu. Gasification and application of Shenmu coal[J]. Coal Chemical Industry, 1993(2): 7-14.

[4]BRYERS R W. Fireside slagging, fouling and high-temperature corrosion of heat-transfer surface due to impurities in steam-raising fuels[J]. Progress in Energy and Combustion Science, 1996, 22(1): 29-120.

[5]龍永華．煤中礦物質組成與煤灰熔融性的關系及調節(jié)煤灰熔融性的研究[D]．上海：華東理工大學，1999．

[6]姚星一，王文森．灰熔點計算公式的研究[J]．燃料化學學報，1959(3)：216-223.

YAO Xingyi, WANG Wensen. Study on the empirical equations for calculating the fusion temperature of coal ash[J]. Journal of Fuel Chemistry and Technology, 1959(3): 216-223.

[7]WINEGARTNER E C, RHODES B T. An empirical study of the relation of chemical properties to ash fusion temperatures[J]. Journal of Engineering for Power, 1975, 97(3): 395-404.

[8]SEGGIANI M, PANNOCCHIA G. Prediction of coal ash thermal properties using partial least-squares regression[J]. Industrial and Engineering Chemistry Research, 2003, 42(20): 4919-4926.

[9]徐志明，鄭嬌麗，文孝強．基于偏最下二乘回歸的灰熔點預測[J]．動力工程學報，2010，30(10)：788-792．

XU Zhiming, ZHENG Jiaoli, WEN Xiaoqiang. Prediction for ash fusion point based on partial least square regression[J]. Journal of Chinese Society of Power Engineering, 2010, 30(10): 788-792.

[10]陳文敏，姜寧．煤灰成分和煤灰熔融性的關系[J]．潔凈煤技術，1996，2(2)：34-37．

CHEN Wenmin, JIANG Ning. Relation between the coal ash composition and fusibility[J]. Clean Coal Technology, 1996, 2(2): 34-37.

[11]YIN Chungen, LUO Zhongyang, NI Mingjiang,etal. Predicting coal ash fusion temperature with a back-propagation neural network model[J]. Fuel, 1998, 77(15): 1777-1782.

[12]趙顯橋，吳勝杰，何國亮，等．支持向量機灰熔點預測模型研究[J]．熱能動力工程，2011，26(4)：436-439．

ZHAO Xianqiao, WU Shengjie, HE Guoliang,etal. Study of a support vector machine-based model for predicting melting points of ash[J]. Journal of Engineering for Thermal Energy and Power, 2011, 26(4): 436-439.

[13]李建中，周昊，王春林，等．支持向量機技術在動力配煤中灰熔點預測的應用[J]．煤炭學報，2007，32(1)：81-84．

LI Jianzhong, ZHOU Hao, WANG Chunlin,etal. Employing support vector machine to predict the ash fusion temperature of coal blends[J]. Journal of China Coal Society, 2007, 32(1): 81-84.

[14]劉彥鵬，仲玉芳，錢積新，等．蟻群前饋神經(jīng)網(wǎng)絡在煤灰熔點預測中的應用[J]．熱力發(fā)電，2007,36(8)：23-26．

LIU Yanpeng, ZHONG Yufang, QIAN Jixin,etal. Application of ant colony algorithm and BP neural network in prediction of coal ash fusion point[J]. Thermal Power Generation, 2007,36(8): 23-26.

[15]HUGGINS F E, KOSMACK D A, HUFFMAN G P. Correlation between ash-fusion temperatures and ternary equilibrium phase diagrams[J]. Fuel, 1981, 60(7): 577-584.

[16]GRAY V R. Prediction of ash fusion temperature from ash composition for some New Zealand coals[J]. Fuel, 1987, 66(9): 1230-1239.

[17]JAK E. Prediction of coal ash fusion temperatures with FACT thermodynamic computer package[J]. Fuel, 2002, 81(13): 1655-1668.

[18]LI Hanxu, YOSHIHIKO Ninomiya, DONG Zhongbing,etal. Appliction of the FactSage to predict the ash melting behavior in reducing conditions[J]. Chinese J Chem Eng, 2006, 14(6): 784-789.

[19]SONG W J, TANG L H, ZHU X D,etal. Prediction of Chinese coal ash fusion temperatures in Ar and H2atmospheres[J]. Energy & Fuels, 2009, 23(4): 1990-1997.

[20]KONG Lingxue, BAI Jin, BAI Zongqing,etal. Effects of CaCO3on slag flow properties at high temperatures[J]. Fuel, 2013, 109: 76-85.

[21]曹祥，李寒旭，劉嶠，等．三元配煤礦物因子對煤灰熔融特性影響及熔融機理[J]．煤炭學報，2013，38(2)：314-319．

CAO Xiang, LI Hanxu, LIU Qiao,etal. Study on mineral factor of ternary-component blended coal on coal ash fusibility and its fusion mechanism[J]. Journal of China Coal Society, 2013, 38(2): 314-319.

[22]李文，白進．煤的灰化學[M]．北京：科學出版社，2013．

[23]楊俊波，范浩杰，劉俊杰,等．XAFS法研究煤灰熔融過程中Fe元素形態(tài)的變化[J]．動力工程學報，2014，34(6)：432-437．

YANG Junbo, FAN Haojie, LIU Junjie,etal. Study on morphology changes of element Fe during coal ash fusion based on XAFS method[J]. Journal of Chinese Society of Power Engineering, 2014, 34(6): 432-437.

[24]陳肇友．化學熱力學與耐火材料[M]．北京：冶金工業(yè)出版社，2008．

[25]葉大倫，胡建華．實用無機物熱力學數(shù)據(jù)手冊[M]．北京：冶金工業(yè)出版社，2002．

[26]張德祥，龍永華，高晉生，等．煤灰中礦物的化學組成與灰熔融性的關系[J]．華東理工大學學報，2003，29(6)：590-594．

ZHANG Dexiang, LONG Yonghua, GAO Jinsheng,etal. Relationship between the coal ash fusibility and its chemical composition[J]. Journal of East China University of Science and Technology, 2003, 29(6): 590-594.

[27]張子利，李寒旭，曹祥，等．高效助熔劑對煤灰熔融特性的影響研究[J]．應用化工，2013，42(4)：679-682．

ZHANG Zili, LI Hanxu, CAO Xiang,etal. Effect of high efficiency flux on the melting characteristics of coal ash[J]. Applied Chemical Industry, 2013, 42(4): 679-682.

[28]馬志斌，白宗慶，白進，等．高溫弱還原氣氛下高硅鋁比煤灰變化行為的研究[J]．燃料化學學報，2012，40(3)：279-285．

MA Zhibin, BAI Zongqing, BAI Jin,etal. Evolution of coal ash with high Si/Al ratio under reducing atmosphere at high temperature[J]. Journal of Fuel Chemistry and Technology, 2012, 40(3): 279-285.

[29]SONG W J, TANG L H, ZHU X D,etal. Effect of coal ash composition on ash fusion temperatures[J]. Energy Fuels, 2010, 24(1): 182-189.

[30]袁海平，梁欽鋒，劉海峰，等. CaCO3對煤灰熔融特性和黏溫特性影響的研究[J]. 中國電機工程學報，2012，32(20)：49-55.

YUAN Haiping，LIANG Qinfeng，LIU Haifeng，etal.Effects of CaCO3on the fusion characteristic and viscosity-temperature behaviour of coal ashes[J].Proceedings of the CSEE，2012，32(20):49-55.

[31]WU Xiaojiang, ZHANG Zhongxiao, CHEN Yushuang,etal. Main mineral melting behavior and mineral reaction mechanism at molecular level of blended coal ash under gasification condition[J]. Fuel Processing Technology, 2010, 91(11): 1591-1600.

[32]李繼炳，沈本賢，趙基鋼，等．助熔劑對皖北劉橋二礦煤灰熔融特性的影響[J]．煤炭學報，2010，35(1)：140-144．

LI Jibing, SHEN Benxian, ZHAO Jigang,etal. Effect of flux on the melting characteristics of coal ash for the Liuqiao No.2 coalmine[J]. Journal of China Coal Society, 2010, 35(1): 140-144.

Prediction of Ash Fusion Temperatures Based on Melting Behavior of Mineral Components in Coal Ash

WANGChunbo,YANGChengjun,CHENLiang

(School of Energy, Power and Mechanical Engineering, North China Electric Power University,Baoding 071003, Hebei Province, China)

Abstract：To analyze the coal ash fusion properties and predict the ash fusion temperatures (AFTs), a mineral composition model of coal ash at high temperatures in weak reducing atmosphere was established by solving linear programming problems with mass balance equations as the constraint conditions and the minimum of total changes in the Gibbs free energy of chemical reactions as the objective function. Based on above mineral composition model, the fusion point of each mineral (fpi) was introduced to build the function relationship (f) between mineral compositions and AFTs, and the corrected values (φi) were thus obtained via linear-regression analysis, and subsequently the AFTs was predicted by iterative method. Results show that the mineral composition simulated by the model has a good similarity with the XRD patterns and Fact Sage phase spectrums, and the change of minerals also plays a significant role in reflecting ash fusion characteristics, explaining and predicting the changing trends of AFTs as well as determining major minerals in the coal ash. The absolute error of predicted values lies in the range from -80 K to 80 K.

Key words：mineral phase characteristic; ash fusion temperature; prediction; model; linear regression

文章編號：1674-7607(2016)01-0007-09

中圖分類號：TK227.3

文獻標志碼：A學科分類號：470.30

作者簡介：王春波(1973-), 男,河北唐山人, 教授, 博士, 主要從事潔凈煤高效燃燒方面的研究. 電話(Tel.): 13483764329;

基金項目：河北省自然科學基金資助項目(2013502292)；中央高校基本科研業(yè)務費資助項目(13MS92)

收稿日期：2015-03-26

E-mail:hdwchb@126.com.