湘鄂西地区五峰-龙马溪组泥页岩黄铁矿粒径特征

湘鄂西地区位于中扬子板块,该地区五峰-龙马溪组富有机质页岩有机质类型以Ⅱ1型为主,Ⅱ2型次之,具有高TOC含量(0.55%~4.28%)、高成熟度(2.4%~3.2%)的特征;且富有机质页岩中黄铁矿普遍发育。通过岩心样品及扫描电镜观察发现,龙马溪组黑色页岩常发育自形-半自形黄铁矿,扫描电镜下常见草莓状黄铁矿;五峰组黑色页岩岩心观察无明显晶形,扫描电镜下常现呈微晶黄铁矿颗粒,以细小颗粒状分布在有机质中。草莓状黄铁矿通常由微晶颗粒聚集而来,其草莓状直径大小由硫复铁矿的形成和沉积水动力控制。根据草莓状黄铁矿直径D与深度关系分析出湘鄂西地区黑色页岩的沉积环境表现为五峰组闭塞环境、龙马溪组闭塞环境、龙马溪组贫氧-缺氧环境三种。由草莓状黄铁矿直径D与微晶黄铁矿直径d建立D/d的关系表明:从沉积期到成岩期,五峰组闭塞环境的还原性比龙马溪组闭塞环境的还原性强;且五峰组闭塞环境的沉积水动力要比龙马溪组闭塞环境的沉积水动力要弱,水体更稳定。此外,D与d之间的关系能侧面反映该地区五峰-龙马溪组富有机质页岩孔隙度的变化趋势。D/d值与页岩解吸气量也有良好的对应关系,龙马溪组D/d值越大,解吸气量越少。五峰组D/d值较龙马溪组普遍偏小,解吸气量远大于龙马溪组。上述结果表明水体还原环境的强弱是湘鄂西烃源岩有机质形成和保存的重要因素,从而影响页岩气的富集。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法.聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测.结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较.结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%.     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%。