用于褐煤H?O/O?部分气化的合成气演化和成分预测：结合WGAN-GP数据增强方法的实验研究

《Journal of Environmental Chemical Engineering》：Syngas Evolution and Composition Prediction for H 2O/O 2 Partial Gasification of Lignite: An Experimental Study with WGAN-GP Data Augmentation

　　•自热H2O/O2部分气化从褐煤中产出了高质量的合成气。
•阐明了??????2和??????2???调节产物生成的机制。
•通过数据增强，物理约束的WGAN-GP预测误差降低了45%以上。
•最终模型的合成气产量测试R2值为0.894-0.985。

引言
中国拥有丰富的低阶煤炭资源，包括褐煤。由于其高含水量和低热值，直接燃烧的能源效率和环境效益较低[1]。然而，它们的高反应性[2]使其成为气化的合适原料。与传统需要连续供热的气化过程不同，部分气化限制了碳的转化，并利用部分氧化释放的热量来驱动热解和气化过程。这可以减少对外部热源的依赖，同时实现煤炭的高效利用[3]、[4]、[5]。
气化剂的组成和供给速率决定了部分气化过程中的热平衡、反应路径和产物气体组成，常见的气化剂包括空气、O2、CO2和蒸汽。空气成本低廉，但会引入氮气（N2），从而稀释可燃气体比例[6]。CO2通过Boudouard反应促进CO的形成，该反应在低温下是强吸热的且动力学速率较慢[6]、[7]。纯O2可以提高碳转化率，但过量使用时会加剧焦炭消耗以及CO、H2和CH4的氧化[5]。蒸汽通过焦炭-蒸汽反应、蒸汽重整和水-气变换反应（WGSR）促进H2的形成，但这些反应会增加系统的热负荷[8]、[9]。H2O/O2共气化结合了部分氧化提供的热量和蒸汽的化学促进作用。与外部加热的纯蒸汽气化相比，添加O2可以减少对外部热源的依赖，并简化相关的热供应设备，从而降低成本。同时，限制O2的供给可以防止完全氧化，使部分碳以焦炭的形式保留下来以供后续利用。此外，这种方法避免了由空气引入的氮气稀释问题，并为生产富含氢的合成气提供了有前景的途径。
在H2O/O2气化过程中，O2控制着热量的释放，从而影响反应温度（RT）和碳转化率。蒸汽促进H2的形成并调整H2/CO的比例。过量的蒸汽可能会由于增加的热负荷、气体稀释以及相关的RT降低而降低碳转化率和冷气体效率。先前的研究已经探讨了氧气供应、蒸汽/煤比例和气化剂组成对气化产物和性能的影响[6]、[9]、[10]。通常，增加空气/煤比例、蒸汽/煤比例或RT可以提高气体产量和碳转化率[11]，但随着空气供应或温度的升高，可燃成分的浓度和气体热值可能会下降，这指出了自热操作下气化剂供应的适当范围。Karimipour等人[12]使用响应表面方法确定了蒸汽/O2比例是控制H2/CO和CH4/H2的主要参数。中试规模的流化床测试表明，适当的??????2范围为0.19-0.28，并且当蒸汽供应超过某个阈值后，气化性能不再改善[10]。因此，O2和蒸汽的影响受到热平衡和气化反应的限制，增加气化剂供应并不会持续提高性能。目前关于煤炭H2O/O2气化动力学和部分气化的研究主要集中在高温条件下[13]、[14]，这增加了结渣的风险和O2供应的成本。尽管低温H2O/O2气化能够保留更多的三相产物[4]，但相关系统研究相对较少。现有的低温煤炭气化研究主要涉及超临界水气化、地下气化模拟、催化蒸汽气化或加压气化[15]、[16]、[17]，这些方法可能会降低产品质量或引入设备成本和安全问题。这些研究也主要考察了各个操作变量的影响。??????2、??????2???、反应温度和气体产量之间的耦合关系在低温部分气化中的量化仍然不足。这一限制阻碍了通过H2O/O2部分气化生产富氢合成气的操作控制。另一个不足之处是在有限的实验数据条件下，缺乏预测合成气成分产量的模型。机器学习方法，包括人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）和梯度提升模型，越来越多地被用于预测气体组成和产物产量[18]、[19]、[20]、[21]、[22]。然而，对于采样稀疏的实验，过拟合和操作范围覆盖不完整可能会限制预测准确性。生成对抗网络（GAN）可以学习操作变量和产物响应的联合分布，以生成用于模型训练的虚拟样本[23]。基于GAN的增强方法已被用于气化预测[24]、[25]、[26]、[27]，为补充有限的训练数据提供了一种方式。统计相似性本身并不能保证生成的数据符合基本的物理和过程约束[28]、[29]，例如非负的产物产量、组分总和关系的一致性以及操作条件与反应温度的兼容性。为了解决这些问题，采用了带有梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）[30]进行数据增强。梯度正则化用于提高训练稳定性，而独立的生成和筛选约束则规定了操作范围的界限、温度一致性、非负产量和组分总和关系。此外，本研究中的实验矩阵结合了单因子分析与中心复合设计（FCCCD）[31]，以改善操作范围的覆盖性，并为数据生成提供更可靠的基础。然后使用真实数据和生成的数据来训练机器学习（ML）模型，从而在数据稀缺的情况下提高模型的泛化能力。通过排除模型开发过程中的额外实验进一步评估了预测准确性，并将SHAP属性与反应 chemistry 进行比较，以评估其物理一致性。

在这项研究中，采用气泡流化床进行了自热低温H2O/O2部分气化试验。量化了??????2和??????2???对产物分布、合成气组成和气化性能的影响。进一步开发了基于WGAN-GP数据增强的ML模型，以在有限的实验数据下预测合成气成分产量。结果为低温H2O/O2部分气化中合成气组成预测和操作条件优化提供了实验基础和预测工具。

材料与实验程序
使用来自中国新疆的高挥发性褐煤Shaerhu褐煤（SC）作为原料。原煤被粉碎并筛分至0.9-2.0毫米的粒度，然后在105°C下干燥6小时。SC的近似分析和最终分析总结在表1中。使用粒径为0.25-0.45毫米的石英砂作为固体热载体。H2O/O2部分气化实验在气泡流化床系统中进行，如图1所示。

反应温度和产物分布
煤炭部分气化涉及气固相和气相的耦合反应，这些反应共同决定了反应温度（RT）以及碳在固态、液态和气态产物之间的分配。具体的反应方程式见方程式R1-R14[50]、[51]：
气固反应：
?? + ??·??·O2 = ??·??, Δ?? = ???????·??·kJ/mol
?? + ??2 = ??·??2, Δ?? = ?393.6·kJ/mol
?? + ??2·?? = ??2 + ??·??, Δ?? = 131.3·kJ/mol
?? + C·??2 = 2·??·??, Δ?? = 172.5·kJ/mol
?? + 2·H2 = ??·H4, Δ?? = ?74.9·kJ/mol
气气反应：
H2 + 0.5·O2 = H2·O, Δ?? = ?241.9·kJ/mol
??·O + 0.5·??2 = ??·??2, Δ?? = ?283·kJ/mol
??·?? + ??2·?? = ??2 + m

结论
在气泡流化床中进行了SC的H2O/O2部分气化实验，以确定??????2和??????2???对气化的影响，并通过WGAN-GP数据增强建立了合成气预测的混合集成ML模型。主要结论如下：
(1) ??????2是控制反应温度（RT）和产物分布的主导变量。当??????2??? = 0.25时，增加??????2会提高RT，气体产量从11.34%上升到27.87%，而焦炭产量则下降。

利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

致谢
感谢中国国家重点研发计划（2024YFB4105300）的财政支持。

张斌 | 陈英奇 | 田志华 | 王金辉 | 谢桂林 | 余春江 | 杨建国