摘要：煤炭是我国能源资源安全的压舱石,“双碳”背景下实现煤炭清洁加工与高效利用意义重大,而灰分检测对煤炭清洁化和智能化发展尤为重要。针对现有灰分检测存在的检测精度有待提高的突出问题,以两淮矿区典型煤样为研究对象,通过慢灰和X射线荧光(X ray fluorescence,XRF)测试系统地探究了煤样的灰分和元素组成分布规律,并结合机器学习理论构建了灰分-元素特征数据集;结合灰色系统理论和新陈代谢算法,构建了自适应的GM(1,N)动态网络灰分拟合优化模型,并详细设计了动态网络算法流程;提出了GM(1,N)动态模型的关键超参数,并通过与常规拟合方法对比,全面地评价了模型拟合性能。结果表明:两淮矿区煤可视为由可燃元素和成灰元素共同构成,且成灰元素中质量分数占比最高为Si和Al,次之为S、Fe和Ca等,最少为P和Cl等,并且煤中成灰元素总含量与灰分呈正相关,而可燃元素与之相反;以灰分为标签值、以组成元素为特征值,形成了煤的灰分-元素特征数据集;以样本数据划分→动态网络灰分拟合→模型评价机制→动态拟合模型自适应优化→鲁棒性提升→多轮迭代优化为主线设计了GM(1,N)动态网络灰分拟合模型及其算法流程,有效提升了数据集稳定性和新鲜度,并且迭代收敛速度快,灰分误差阈值5%时其准确率达100%;对比经典GM(1,N)模型和常规多元线性回归模型,证明了新模型的灰分拟合性能得到显著提升,其相对误差为0.16%~4.96%、误差均值仅2.29%。