Суу - көмүр суспензиясын өндүрүүнүн цифралык трансформациясы: алгоритмдер жана инновациялар
Ачкыч сөздөр:
водоугольное топливо (ВУТ), искусственный интеллект, трансформер для обработки изображений(VisionTransformer -ViT), глубокое обучение с подкреплением (DRL), генеративно-состязательные сети (GAN), квантовая оптимизация, коллоидная стабильность, цифровой двойникАннотация
Жасалма интеллекттин (ЖИ) Суу-көмүротунун (СКО) өндүрүшүнө интеграцияланышы көмүрдүн концентрациясы (0–30%) сыяктуу негизги параметрлерди көзөмөл дөөнү түп-тамырынан бери өзгөртүп, СКОнун туруктуулугун жана энергия натыйжалуулугун камсыз кылууда. СКОну синтездөөнүн салттуу ыкмаларытактыктын жетишсиздигинен жана чийки заттын өзгөрүүлөрүнө ыңгайлашууу бактысынын узактыгынан улам азапчегип, алардын өнөр жайда колдонулушун чектейт. Бул макалада көмүр бөлүкчөлөрүнүн концентрациясын жана дисперстүүлүгүн жогорку тактыкта башкаруу үчүн иштелип чыккан, трансформердик нейротүйүндөрдү, кванттык оптималдаштырууну жана гибриддик физикалык-химиялык моделдерди айкалыштырган өркүндөтүлгөн алгоритм сунушталат. Бөлүкчөлөрдүн морфологиясын талдоо үчүн визуалдык маалыматтарды иштетүүчү трансформер (Vision Transformer - ViT), так аралаштыруу үчүн тереңдетилген бекемдөөчү окутуу (DRL) жана гранулометрияны оптималдаштыруу үчүн генеративдик-атаандаштык түйүндөрдү (GAN) камтыган ЖИ-көзөмөлдөөнүн көп деңгээлдүү архитектурасы кеңири баяндалган. Бул системаны колдонуу энергия керектөөнү 29% га, ал эми СКОнун өздүк наркын 31% га төмөндөтүүгө мүмкүндүк берип, өнөр жайга киргизүү жана көмүртектик-нейтралдуу энергетикалык секторго өтүү үчүн жогорку актуалдуулугун көрсөтөт.
Шилтемелер
Chai, Y., &Li, Q. (2022). Artificial intelligence in optimization and control of coal-water slurry: A review. Fuel Processing Technology, 229, 107172.
Cheng J., Li Y., Zhou J., Liu J., CenK. (2010)Maximum concentrations of solids in coal-water slurries predicted using neural network models Fuel Processing Technology, 91(12), pp. 1832-1838.
Duan, Y., et al. (2023). Vision Transformer for micro-morphological analysis of coal particles and its application in grinding control. Powder Technology, 418, 118258.
Gao, W., & Zhang, H. (2021). Deep Reinforcement Learning for real-time rheology control of high-concentration coal-water slurries. Energy & Fuels, 35(12), 10103-10115.
Verwey, E. J. W., &Overbeek, J. T. G. (1948). Theory of the Stability of Lyophobic Colloids. Elsevier.
Yang, Z., et al. (2024). Generative Adversarial Networks for optimizing particle size distribution and enhancing the stability of coal-water slurry. Chemical Engineering Journal, 479, 147570.
Kim, J., & Lee, S. (2023). Digital Twin implementation for predictive maintenance and quality control in coal-water fuel production. Applied Energy, 345, 121175.
Wang, L., & Liu, G. (2022). Quantum optimization algorithms for complex colloidal systems: A perspective on DLVO calculations. Journal of Colloid and Interface Science, 607, 1870-1880.
