您当前的位置:检测资讯 > 法规标准

生物质颗粒燃料特性主成分检测分析及热值预测

嘉峪检测网        2019-02-28 17:21

 

 

01  材料与方法

 

 

 

  1.1试验材料

  试验中涉及的36个生物质颗粒燃料样品呈圆柱状,直径5~8mm,长度30~40mm。将样品粉碎后装入密封袋中,贴上标签,放在干燥皿中保存备用。

  1.2试验仪器

  101-3AB型电热鼓风干燥箱(上海精宏仪器有限公司);SXL1000型马弗炉(上海精宏仪器公司);AUY220(UniBloc)型电子分析天平(最大量程:220g,精度:0.1mg,日本岛津公司);5E-C5508型氧弹量热仪(长沙开元仪器公司)。

  1.3测定方法

  样品的水分(M)、挥发分(V)、灰分(A)和固定碳(C)含量的测定采用GB/T28731—2012《固体生物质燃料工业分析方法》,每个样品做3组平行,取平均值。秸秆样品的热值按照GB/T30727—2014《固体生物质燃料发热量测定方法》,每个样品做3组平行,取平均值。

  1.4数据处理与分析方法

  主成分分析:用SPSS17.0软件对数据进行主成分分析,将数据进行标准化处理后,做因子分析,得到主成分的方差贡献表,选择主成分数,一般要求累计贡献率达到85%以上,保证综合变量能包括原始变量的绝大多数信息;根据软件给出的成分矩阵表,求出不同变量相应的主成分特征向量,特征向量和标准化数据的乘积即为变量的主成分负荷量,可得不同样品的主成分得分。

  本文采用不同的回归方法构建模型,以决定系数R2、预测标准差SEP和相对标准差RSD等评价指标对模型进行内部检验和外部验证,考察模型预测的准确度。

 

 

 

 02 结果与分析

 

 

  2.1主成分分析

  主成分相关矩阵的特征值﹑方差贡献率及累积贡献率如表1所示,第1成分方差贡献率最大,为62.207%,第2成分次之,为23.763%,这两个成分的累计贡献率达到85.97%,已经包含了绝大多数的信息量,因此取前两个特征值为主成分。4种工业分析成分的主成分载荷矩阵如表2所示,其中对第1主成分贡献由大到小依次为挥发分、含水率、灰分、固定碳,对第2主成分贡献率由大到小依次为灰分、固定碳、含水率、挥发分。工业分析各指标间的相关矩阵如表3所示,其中挥发分和其他3个指标含水率、灰分、固定碳均存在负相关关系,并且挥发分与灰分之间的负相关关系最大;含水率、灰分、固定碳之间存在正相关关系,含水率和固定碳之间的正相关关系最强。

生物质颗粒燃料特性主成分检测分析及热值预测

 

  2.2预测模型的建立

  将36个样品全部用于建模。根据表3可知挥发分与其他3个指标之间存在严重的负相关关系,共线性统计量中的容差几乎为0,所以剔除变量挥发分,采用基于含水率、灰分和固定碳3个指标建立二元线性回归方程。

  由表4可以得到回归方程的显著性差异为0.003<0.05,达到了极显著水平,所以可以进行拟合。表5显示了拟合结果中各指标的拟合系数及显著性检验,因为固定碳的显著性检验在0.1水平上不显著,所以在进行拟合时将其舍去,只保留常数项、含水率及灰分等3项,采用多元线性回归方法得到的预测模型如下。

生物质颗粒燃料特性主成分检测分析及热值预测

  为了检验多元回归模型的预测精度,采用10个样品对模型进行外部验证,验证评价指标结果如表6所示。由表6可知,预测模型的预测标准差为0.15kJ/g,相对标准差为1.02%,说明预测模型验证的精确度较高,满足在实际应用检测中的标准要求。结果表明,建立的热值(Q)模型可以用于生物质颗粒燃料热值的预测。

生物质颗粒燃料特性主成分检测分析及热值预测

 

 

 

03 结论

 

 

  (1)主成分分析发现,工业成分的4个指标之间存在着线性关系,挥发分与其他指标之间存在线性负相关关系;提取的两个主成分的方差累计贡献率高达85.97%,挥发分在第1主成分中所占的权重最大,并且与其他指标呈负相关关系,灰分在第2主成分中的权重最大,同样与其他指标之间呈负相关关系。

  (2)利用多元线性回归模型建立的生物质颗粒燃料的热值预测模型,外部验证的标准差SEP为0.15kJ/g,相对标准差RSD为1.02%,说明采用多元线性回归方法建立的热值预测模型具有可靠的预测性。

 

分享到:

来源:AnyTesting

周点击排行 月点击排行