煤气化是一种将固体燃料转化为富含CO和H2的合成气的热化学过程[1]。它适用于各种原料，包括煤炭、石油焦和生物质。所得合成气可用于生产各种化学产品和能源产品。对于化学和燃料生产，合成气可以进一步加工成氢气、氨、运输燃料和用于塑料的乙炔[1]、[2]。集成煤气化联合循环（IGCC）系统常用于发电，其中预燃烧CO2捕集是一种可行的工艺选项[3]。
大多数商用煤气化炉采用气流床技术[4]。这些系统通常将氧气或富氧空气作为煤气化剂注入煤粉中，并在高压下运行，从而实现高温、高强度的反应，实现高碳转化率。这一过程产生的合成气不含焦油，并使灰分熔化，在煤气化炉壁上形成一层渣层。这层渣层不仅保护了煤气化炉的耐火衬里，还能以液态形式向下流动，便于通过底部排渣口排出。
由于反应剧烈且反应器内部流动复杂，煤气化炉的性能对操作参数（如氧化剂流量（即反应化学计量比）和灰分组成（即渣层流动性）的微小变化非常敏感。因此，经常会出现耐火材料和燃烧器损坏[5]、[6]等运行问题，以及较少见但严重的渣层排渣口堵塞[7]等问题，从而导致维护成本增加和可用性降低。在引入新的煤种时，确定每种负载条件下的适当氧化剂流量并保持目标当量比（ER）在狭窄范围内至关重要。此外，根据灰分组成，必须提前确定所需的熔剂（例如石灰石）量，以确保渣层具有足够的流动性。
然而，煤气化炉的运行受到多种不确定性的影响，包括煤质的变化和操作参数的波动。因此，持续监测关键性能指标（如合成气组成、出口气体温度（Tg,exit）、热负荷（Qwall）和渣层排渣口处的渣层厚度（δtap）是必要的。但由于煤气化炉内部环境恶劣（高温高压、熔融渣粒和易燃气体），直接实时测量非常有限。
数值模拟技术，如计算流体动力学（CFD）和降阶模型（ROM），已被广泛用于理解煤气化炉的内部现象和行为。CFD通过将各种子模型应用于详细的三维反应器几何形状，能够全面分析燃料颗粒行为、化学反应和流动特性[8]、[9]。然而，这种方法计算成本高且耗时。相比之下，ROM将反应器简化为一维或二维表示，并模拟主导的物理和化学过程以预测关键性能指标[10]、[11]。这种方法允许进行动态模拟[12]、[13]，并已应用于煤气化炉运行的自动控制[14]。然而，在探索目标煤种的最佳操作参数组合时，基于ROM的模拟也可能耗时较长。
为了解决这些限制，最近的研究使用了基于机器学习（ML）的技术，通过实验数据集或模型生成的数据集来预测煤气化性能与燃料性质和操作参数之间的关系。Wang等人[15]使用来自一个中试规模气流床煤气化炉的ROM生成的8000个数据集训练了一个人工神经网络（ANN）模型。该模型根据操作参数（燃料、O2、N2和蒸汽流量）、燃料温度以及近似组成预测了碳转化率、气体组成和温度分布。确定了最大化碳转化率和H2产量的最佳操作条件。Yang等人[16]开发了一个结合了ANN和遗传算法的混合模型，并使用了来自Aspen Plus模拟的流化床煤气化炉的1885个数据集。该模型根据煤和生物质的元素（C、H、O）和近似组成预测了合成气产量、低位热值（LHV）和气体温度。Ascher等人[17]汇编了来自文献的312个数据集，并开发了一个ANN模型，根据多达22个输入特征（包括煤气化炉类型、规模和燃料性质）预测合成气性质和焦炭产量。类似的研究也在流化床[18]、[19]、[20]、[21]、固定床[22]和水热反应器[23]的煤气化过程中进行过。此外，还研究了在不同操作条件下煤气化炉性能的时间序列预测，适用于中试规模[24]和商用煤气化炉[25]。
本研究旨在为使用Shell煤气化炉（300兆瓦IGCC电厂）的大型商业电厂开发一个基于ML的性能预测和最佳操作条件确定框架。在这方面，总体方法与以往的研究[15]、[16]类似，这些研究使用基于模拟的数据集训练了ANN。然而，这些研究没有纳入商业规模煤气化炉决策所需的几个操作参数和性能指标。从操作参数的角度来看，除了煤质和氧化剂流量等基本因素外，Shell煤气化炉的实际运行还需要考虑熔剂引起的无机成分变化、操作负荷、氧气纯度和系统压力。这些变量直接影响渣层行为、反应强度和整体热平衡，因此必须纳入适用于实际工厂应用的框架中。
从性能指标的角度来看，Shell煤气化炉不仅需要传统的指标（如合成气组成、冷气效率、碳转化率和温度），还需要特定于工厂的指标（如Qwall和δtap）。Qwall几乎是唯一可以直接测量的指标，反映了煤气化炉的内部热状态，因此是操作员进行实时操作调整的关键参数。δtap虽然无法直接测量，但可以通过数值方法预测，是防止渣层排渣口堵塞和确保长期稳定运行的关键指标。这些指标在之前的基于ML的研究中很少被明确包括。
为了解决这两个问题，本研究采用了我们之前工作[12]、[27]中开发的伪二维ROM来构建全面的虚拟训练数据集，涵盖了相关的操作参数和性能指标。该ROM已经通过300兆瓦IGCC电厂的稳态和瞬态数据进行了验证，并在包括Qwall在内的关键性能指标上展示了高预测准确性。由于当前框架需要跨大量输入特征（操作参数）和输出特征（性能指标）进行预测，因此使用ROM生成了足够大且物理上一致的合成数据集。
总之，本研究旨在开发一个ML框架，以便在引入新的煤种时快速预测商用煤气化炉的性能并确定最佳设置。为此，使用经过验证的ROM生成了一个涵盖广泛操作条件和性能指标的足够大的合成数据集。通过结合不同的辅助模块测试了各种ANN架构，并选择了在实际操作条件下表现最佳的模型。该模型用于对关键输入特征进行敏感性分析。最后，将训练好的ANN模型应用于预测和可视化给定煤种在各种负荷下的煤气化炉性能，并使用基于评分的多指标评估方法确定了最佳操作条件。
