一种基于神经网络、利用烟气信息反推天然气成分的方法

《Fuel》：A method for inversing natural gas composition from flue gas information based on neural networks

【字体：大中小】 时间：2026年06月26日 来源：Fuel 7.8

编辑推荐：

哈尔滨工业大学能源科学与工程学院，中国哈尔滨市大直街92号，150001

摘要

随着天然气市场全球化程度的不断提高，天然气成分的区域差异和波动日益显著。这类成分变化会改变天然气的物理性质和燃烧特性，从而导致锅炉、燃气轮机等燃气设备出现燃烧不稳定的问题。然而，目前行业内还缺乏高效、高精度的天然气成分在线监测技术，而这类技术对于实现燃气设施的实时反馈和精准燃烧控制至关重要。在本研究中，我们设计并搭建了一个天然气燃烧实验系统，基于商业天然气和液化天然气的典型成分范围，通过系统改变气体混合比例，开展了237组燃烧实验。我们建立了包含四种主要烷烃成分（CH₄、C₂H₆、C₃H₈、C₄H₁₀）及相应烟气监测参数（CO、CO₂、NO_x等）的数据库。通过斯皮尔曼等级相关分析来消除冗余输入变量，并优化神经网络结构。我们利用反向传播神经网络构建了基于烟气数据反推天然气成分的数据驱动模型，并通过SHapley加性解释方法验证了该模型的可靠性及其特征贡献机制。所提出的方法能够利用常规的烟气监测数据实现天然气成分的实时在线反推。

引言

作为三大化石燃料之一，天然气在全球能源结构中占据重要地位。2024年全球天然气消费量达到149艾焦，占全球一次能源需求的25.17%，其增长速度在所有化石燃料中位居第一，为2.5%（能源研究所，《2025年世界能源统计回顾》）。预计到2050年，天然气的占比将上升至26%–28%，成为全球最主要的化石燃料（GECF，《2050年全球天然气展望》）。作为低碳常规化石燃料，天然气在中国实现煤炭替代和低碳转型方面具有最成熟的技术和经济可行性，且供应保障充足[1]；预计到2026年中国天然气的消费量将增至5569.3亿立方米[2]，它是中国能源安全与能源结构转型的核心支撑。

随着全球天然气管道网络的互联互通，天然气成分和质量的区域差异愈发明显[3]。在中国，多种来源的天然气接入管道网络后，导致天然气的热值及其他关键物理参数出现波动[4]。燃气锅炉和燃气轮机对这类波动的适应能力较弱，容易引发非设计工况运行、性能下降以及污染物排放增加等问题[5]。然而，目前行业内还缺乏准确、快速的天然气成分在线监测方法，而这正是减轻上述不良影响的关键。

目前，天然气成分的定量分析主要依靠气相色谱法，相关研究十分丰富[6]、[7]、[8]。Mazurova等人[7]研究了不同填充柱在多种色谱条件下的天然气成分分离性能；Veerakumar等人[9]则结合热导检测器和火焰离子化检测器，利用气相色谱法对天然气成分进行了定量分析。但气相色谱法存在固有缺陷：它需要通过多柱串联分离，操作繁琐、分析周期长、成本高，且难以实现实时在线检测。

激光拉曼光谱法通过光学散射信号分析样品成分，作为一种替代技术，具有响应速度快、操作简单的优点[10]、[11]、[12]。Petrov等人[13]证实，拉曼气体分析仪的重新校准频率远低于气相色谱仪；Zifarelli等人[14]和Khannanov等人[15]则利用拉曼光谱仪检测天然气混合物中的关键烃类成分。不过，由于气体分子本身的散射截面很小，激光拉曼光谱法的信号较弱、精度不高且重复性较差，因此大多仅能在实验室环境中使用。其他方法，如台式核磁共振结合化学计量学建模，同样局限于实验室环境[16]。

随着大数据和人工智能技术的发展，机器学习算法已被广泛应用于能源和燃烧领域[17]、[18]、[19]、[20]、[21]、[22]、[23]。作为核心的机器学习方法，人工神经网络擅长处理那些用传统数学方法难以解决的复杂、隐性的非线性关系，已被广泛用于能耗预测、故障诊断以及石油工程领域[24]、[25]、[26]、[27]。在油气行业，Gomaa等人[28]、[29]建立了高精度的神经网络模型，用于预测水驱波及效率；El-hoshoudy等人[30]开发了一种神经网络模型，用于预测天然气水合物的形成温度，其准确度优于传统经验公式；Gouda等人[31]则构建了可靠的神经网络模型，用于预测气凝液储层中的露点压力。这些研究充分证明了神经网络在能源和燃烧相关领域的非线性系统中具有很强的拟合和预测能力。

在燃烧研究领域，许多学者将神经网络用于燃烧状态和污染物排放的预测。García等人[32]提出了多权重神经网络框架，提升了排放预测的准确性，NO_x和CO的平均周期误差低于7%；Wang等人[33]构建了反向传播神经网络模型，用于预测煤矿温度；Wu等人[34]则通过结合SHapley加性解释方法的神经网络，验证了从燃烧特性预测煤质的可能性。不过，现有研究主要集中在从燃料属性和边界条件向燃烧产物进行正向映射，而通过神经网络进行燃烧逆向推断的研究相对较少[35]、[36]。

现有的相关逆向研究主要聚焦于缸内燃烧参数的重建。Xu等人[37]采用深度神经网络优化氨氢燃烧机制参数，有效提升了预测精度；Vladov等人[38]开发了自适应神经模糊推理系统，用于监测涡轮轴发动机燃烧室，并实现了高精度的状态反演；基于物理的神经网络也为燃烧动力学的不良逆问题提供了新的解决方案[39]。在石油和天然气工程领域，神经网络已被成功用于反推关键的流体和操作参数，证明了数据驱动方法在烃类系统非线性反演中的应用可行性。对于天然气而言，现有研究仅能通过神经网络预测沃贝指数和甲烷数等单一质量指标[28]、[31]，针对多组分天然气成分逆向确定的系统性研究仍然不足。

本文提出了一种基于烃类平衡和神经网络，从烟气参数逆向确定天然气成分的方法。该方法为锅炉、燃气轮机等燃气设备的能效和污染物排放的在线监测与智能诊断提供了新途径，同时也为开发天然气质量在线监测技术以及完善天然气规格和互换性标准提供了参考。

章节节选

实验系统

该实验系统由三个核心模块组成：气体混合系统、燃烧系统以及烟气监测系统。它能够精确调控燃料气体中CH₄、C₂H₆、C₃H₈和C₄H₁₀的体积分数，同时能够在不同成分比例下同步监测关键的烟气参数（包括湿度、CO、CO₂和NO_x）。实验系统的结构示意图见图1。

数据库构建

基于商业天然气的典型成分范围

模型

本研究构建的神经网络反演模型结构如图4所示。反向传播神经网络的详细数学公式见附录A.3。

模型训练与收敛

训练过程中，神经网络反演模型针对各输出组分的损失函数曲线如图5所示。

该反演模型对CH₄、C₂H₆、C₃H₈和C₄H₁₀的训练和测试性能如图6所示。这四种输出组分在训练集上的决定系数R²均大于0.9，其中CH₄的R²略低于其他三种组分（训练集为0.9007，测试集为0.8671）。

更高的

结论

本研究提出了一种基于神经网络、从烟气参数反推天然气成分的方法，构建了一套从烟气监测数据到天然气成分定量分析的快速、准确的反演流程。主要结论如下：

(1) 模型的整体性能与泛化能力。经过训练的反演模型对四种输出参数的性能均较为理想，其在训练集上的R²均高于0.9，其中CH₄的

CRediT作者贡献说明

Hanyang Gao：论文撰写——初稿。 Biao Huang：正式分析。 Jingchuan Cao：论文撰写——审阅与编辑。 Xiao Yang：方法设计。 Qian Du：项目监督。 Heming Dong：资源提供。 Yu Zhang：结果可视化。 Ximei Li：实验调研。 Min Xie：软件应用。 Jianmin Gao：资金筹集。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

资金支持：本研究得到了中国国家重点研发计划“燃气锅炉能效与排放在线监测及智能诊断平台研发”项目的资助（项目编号：2021YFF0600605）。

摘要

引言