本文描述的工作旨在通过开发一套基于实验室的粘连参数和预测模型来解决常规技术的局限性,以预测预测粉煤燃烧锅炉中的熔化风险的风险,并且可以容易地扩大满量程锅炉应用。预测模型基于人工神经网络(ANNS),其以其鲁棒性和学习复杂数据关系的能力而闻名。在目前的研究中,通过使用遗传算法(GA)来进一步优化ANN模型,该遗传算法(GA)搜索最佳的训练数据,以便最小化数据的过度选择。该基于GA的方法也与选择ANN培训和结果SUGG的数据的其他几种其他更多传统方法进行了比较所强制的基于GA的数据选择优于本练习中的所有其他方法。在本文的最后一部分中,基于ANN的预测模型与简单的传热计算相结合,并在全刻度锅炉上实施。该验证练习的结果表明,该方法是有用的,并提供植物运营商能够快速评估脱渣风险的工具。