La chaudière à lit fluidisé circulant (CFB) occupe une place importante dans l'industrie de la production d'électricité de notre pays. Cependant, le système de combustion de la chambre de combustion présente des caractéristiques fortement couplées telles que multiparamètres, multivariables, non linéaires et temporellement variables, ce qui rend la modélisation précise et la prévision du système difficiles. L'apprentissage automatique, grâce à sa forte capacité de traitement non linéaire et ses performances de prédiction, montre des perspectives prometteuses dans le domaine des CFB. Les applications des technologies d'apprentissage automatique dans ce domaine sont explorées, notamment la prédiction de la vitesse minimale de fluidisation, la prédiction des émissions polluantes, la prédiction de la pression du lit, la prédiction de la température/efficacité thermique du lit, la prédiction du taux de circulation des particules, le modèle réduit des champs de mécanique des fluides computationnelle (CFD), les modèles de systèmes de contrôle de sécurité de la chaudière, etc. Les avantages et les limites de ces technologies dans différents scénarios sont analysés, et les opportunités et défis auxquels sont confrontées les chaudières CFB à l'ère des big data sont envisagés, en mettant l'accent sur l'interprétabilité des modèles, l'amélioration de la capacité de généralisation, la diversité de la qualité des données, la combinaison des modèles avec les méthodes traditionnelles, la validation expérimentale et d'autres directions clés pour les recherches futures.

chaudière au charbon;chaudière CFB;apprentissage automatique;non linéaire;prédiction