Тестирование угольной золы в режиме реального времени играет жизненно важную роль в химической промышленности, энергетике, металлургии и разделении угля. Оперативное онлайн-тестирование угольной золы с использованием измерения радиации в качестве основной технологии сопряжено с такими проблемами, как жесткие требования к пробе угля, неудовлетворительная радиационная безопасность, низкая точность и сложность замены оборудования. В данном исследовании предлагается метод обнаружения, основанный на нейронных сетях прямой связи и улучшенной оптимизации скопления частиц (IPSO-FNN) для быстрого, точного, безопасного и удобного прогнозирования содержания золы. Набор данных был получен путем тестирования элементного содержания 198 образцов угля с помощью рентгенофлуоресценции (XRF). Типы исходных элементов для машинного обучения (Si, Al, Fe, K, Ca, Mg, Ti, Zn, Na, P) были определены путем объединения данных рентгеновской фотоэлектронной спектроскопии (XPS) с изменением физической фазы каждого элемента в образцах угля во время сгорания. В качестве показателей эффективности модели были выбраны среднеквадратичная ошибка и коэффициент детерминации. Результаты показывают, что алгоритм IPSO полезен для настройки оптимального количества узлов в скрытом слое. Модель IPSO-FNN обладает и высокой точностью прогнозирования угольной золы. Изучено влияние содержания исходных элементов в модели IPSO-FNN на зольность и обнаружено, что содержание калия является наиболее значительным фактором, влияющим на зольность. Исследование имеет важное значение для онлайн-прогнозирования в режиме реального времени, точного и быстрого определения количества угольной золы.
