基于机器学习势能分子动力学(ML potential MD)方法,对不同变质程度煤燃烧反应产物及链反应过程进行进化分析
《Results in Engineering》:Evolutionary analysis of reaction products and chain reaction processes of coal combustion with different degrees of metamorphism based on ML potential MD
【字体:
大
中
小
】
时间:2025年12月11日
来源:Results in Engineering 7.9
编辑推荐:
煤炭自燃微观机理研究:基于热重-傅里叶红外光谱与机器学习分子动力学模拟,系统分析了低、中、高变质程度煤样(长焰煤、气肥煤、无烟煤)的氧化分解过程。结果表明,低变质煤因富含活性基团(如-OH、-COOH)更易发生自由基链式反应,而高变质煤因碳含量高产生更多小分子碳碎片和气体产物(CO?>H?O>CO),热值显著提升。揭示了煤分子结构中氧化脱氢效应驱动自由基链式反应的机理,建立了不同变质程度煤的典型燃烧反应路径。
该研究系统性地揭示了不同变质程度煤体自燃过程的分子机制,通过实验分析与分子动力学模拟相结合的创新方法,构建了从微观反应路径到宏观热力学特性的完整理论框架。研究团队选取长焰煤(CYM)、气肥煤(QFM)和太原无烟煤(WYM)三种典型煤样,运用XPS、13C NMR和热重-傅里叶红外联用技术进行煤体结构表征,结合机器学习势的分子动力学模拟方法,首次实现了从分子尺度解析煤自燃链式反应的全过程。
实验部分构建了包含氧含量梯度(1:0.75:0.5:0.25:0)的燃烧反应体系,通过对比分析发现:低变质煤(CYM)在300-500℃区间即表现出显著的氧化脱氢效应,其活性官能团(如-OH、-COOH)的氧化速率比高变质煤(WYM)快2-3倍。XPS谱学数据显示,低变质煤中含氧官能团占比达38.7%,而高变质煤仅12.4%,这直接导致自由基生成速率差异。13C NMR分析进一步证实,低变质煤的脂肪碳(aliphatic C)和羰基碳(carbonyl C)比例高达72.3%,而高变质煤的芳香碳占比达81.6%。
分子动力学模拟揭示了四个关键反应阶段:初始阶段(C40+)以烷基侧链氧化为主,长焰煤在此阶段即释放CO?和H?O;中期(C40-14)发生芳香环开环和侧链断裂,生成小分子自由基;深化阶段(C13-5)形成稳定芳香碎片,开始大规模CO生成;最终阶段(C4-)产生焦炭残余体。特别值得注意的是,低变质煤在C40+阶段就完成60%以上的活性官能团解离,而高变质煤需要达到C13-5阶段才能释放相同量的自由基。
自由基作用机制研究显示,·H和·HO自由基的生成量在低变质煤中比高变质煤高40%以上。模拟轨迹追踪发现,低变质煤的自由基寿命仅0.1-0.3ps,迅速参与链式反应,而高变质煤自由基寿命延长至0.5-0.8ps,形成更稳定的自由基簇结构。这种差异导致低变质煤在300℃即达到最大产气速率(8.2g/m3·h),而高变质煤需升温至500℃才能达到同等速率。
反应路径分析表明,低变质煤以单原子氧化路径为主(占比68%),而高变质煤多发生多原子协同氧化(占比45%)。机器学习势模型成功捕捉到三个典型反应网络:①烷基侧链脱氢生成乙烯自由基(R1→·CH?CH?);②羰基氧化形成·CO(R2→·CO+H?O);③酚羟基脱质子形成·HO(R3→·HO+H?)。值得注意的是,高变质煤中形成了独特的"芳香环裂解-多环键重构"路径(R4→C?H?+·CH?),该路径贡献了总反应热量的27%。
热力学参数显示,低变质煤的活化能(Ea)为187kJ/mol,而高变质煤因芳香环稳定性增强,活化能升至234kJ/mol。这解释了为何低变质煤在较低温度下(约320℃)即可自燃,而高变质煤需500℃以上才能启动自燃。但需指出,高变质煤在完全氧化阶段(>600℃)展现出更高的热值释放效率(达42.7MJ/kg),这与其芳香碳含量(81.6%)和侧链比例(仅4.3%)密切相关。
研究首次建立了"变质程度-反应路径-自由基谱系"的量化关系模型。通过计算得到不同煤样的自由基反应速率常数(k):CYM的k值(0.023s?1)是WYM的2.7倍,这直接导致低变质煤的产气速率高出38%。特别在C4-阶段,低变质煤产生的C?H?(0.15mmol/g)是高变质煤的3.2倍,表明其更易形成爆炸性气体前体体。
环境效益分析表明,低变质煤燃烧过程中CO选择性(18.7%)显著低于高变质煤(32.4%),而CO?选择性(76.3%)高于高变质煤(68.9%)。结合机器学习预测,采用WYM替代CYM可使CO排放降低42%,同时热值提升19%。这为煤炭清洁利用提供了理论支撑,预计可使燃煤电厂碳排放强度降低28-35%。
研究创新性地将机器学习势场(M3GNet-UP-2022)与实验数据融合,构建了包含12种活性官能团和8类自由基的动态反应网络。该模型成功预测了CO?生成路径中关键的C=O键断裂能垒(1.32eV),与实验测得值(1.25-1.40eV)高度吻合。特别在模拟氧含量0.5时,系统展现出最佳预测精度(R2=0.94),这为后续工程应用提供了可靠的数值模型。
在工程应用方面,研究团队开发出基于自由基谱系的早期预警算法。通过监测·HO和·CH?自由基浓度比值(R=·HO/·CH?),当R值超过0.35时,可提前8-12小时预测自燃风险。算法在山西某矿区实测中,成功预警了3起自燃事故,准确率达92.3%。
研究还存在若干待深化方向:首先,煤体孔隙结构对自由基扩散的影响尚未完全解析,建议结合分子动力学模拟与CT扫描技术;其次,机器学习势场在模拟含硫煤时存在15-20%的误差,需开发专用势函数;最后,关于煤体微结构(如层状排列、有机无机复合体)对反应路径的调控机制仍需深入研究。
该成果为煤炭工业的绿色转型提供了新的理论工具,特别是在煤自燃防治和热能高效利用方面具有重要应用价值。建议后续研究可结合原位表征技术,开发实时监测自由基浓度的在线检测装置,这对煤矿安全生产将具有革命性意义。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号