高炉炉壁侵蚀状态预测的神经网络分析法

采用二雏简化的炉壁模型，用ANSYS软件进行热传导仿真计算；同时在MATLSAB环境中建立BP网络模型，并利用炉壳外部测点的温度值识别炉壁侵蚀线，从而证明了神经网络方法在高炉炉壁侵蚀状态预测中应用的可行性。     

鞍钢7号高炉炉缸侵蚀状态的预测

以鞍钢７号高炉自焙碳砖陶瓷砌体复合炉缸的热流强度、炉缸内各测温点和渣铁温度为依据，利用最小意味着回归分析方法提出了炉缸侵蚀状态的预测方法。此方法预测的等温线能形象和较真实地模拟炉缸温度分布和侵蚀状况，可为高炉操作提供重要参数并为判断炉缸的侵蚀状态提供重要依据。     

在线预测高炉炉底炉缸侵蚀模型的研究方法

采用有限元法、两点法和边界元法，分别建立了高炉炉底炉缸侵蚀的数学模型并分析了三种方法的特点。这些模型可离线或在线监测高炉炉底炉缸侵蚀状况。马钢2500m^3高炉炉底炉缸在线侵:高炉炉底炉缸1150℃侵蚀线处于第七层碳砖的中部位置，形如“象脚”。因此，认为高炉炉底炉缸侵蚀状况基本正常。     

长期稳定高炉内形的炉壁砖与冷却壁一体化的开发

1 绪言新日铁于1969年在名古屋3号高炉上首次采用了壁式冷却技术。壁式冷却技术有利于大幅度提高炉顶压力,但当初的寿命不长。为此,为延长高炉寿命,每次大修都对冷却壁冷却技术进行了改进。     

神经网络高炉炉况预测与判断专家系统

将神经网络与传统专家系统有机地结合,建立了用于高炉炉况预测与判断的神经网络专家系统。该系统命中率高、适应性强,且具有良好的自学习功能。     

高炉炉缸侵蚀状态监控关键技术

高炉炉缸炉底安全是高炉高效、长寿的限制性环节。在应用数学模型监控炉缸侵蚀状态时,前提需要采用数学方法建立导热系数与温度之间的数学表达式,采用数据预处理方法处理有缺陷数据,在有效识别炉缸异常现象特征后,提出正确边界条件,才能提高预判准确度。     

基于FEA和DNN的高炉炉缸侵蚀状态监测模型

现阶段,国内高炉的自动化程度已基本覆盖正常生产需求,对于高炉炉缸部位的监测手段大多采用热电偶温度监测技术实现,而由于高炉生产工艺的复杂性和生产环境的恶劣性,高炉炉缸内部直接监测手段几乎无法实现,因此采用智能模型对炉缸侵蚀状态进行监测成为高炉炼铁发展的新趋势。简述了高炉炉缸砌筑的结构,结合高炉生产特点确定炉缸区域的传热模型及求解条件。利用正交试验法实现高炉炉缸不同侵蚀状态的划分和组合,得到共59组炉缸侵蚀形状样本且边界形貌基本覆盖训练全域。将1 150℃等温线作为炉缸侵蚀线,利用有限元算法完成不同炉缸侵蚀状态下温度场的可视化并构建炉缸侵蚀样本数据库实现炉缸炉底侵蚀样本的采集。通过深度神经网络模型建立热电偶数据和炉缸侵蚀边界的对应关系,拟合优度R²达到0.802,相较于随机森林算法、BP神经网络算法、单独线性回归组合算法拟合优度分别提高56.64%、26.50%和84.37%,达到指导生产的精度要求。对比利用停炉前实际数据监测侵蚀形貌结果和停炉后的实际侵蚀状态,得出侵蚀监测结果符合实际炉缸侵蚀状态形貌的结论,验证了炉缸侵蚀状态监测模型的可靠性。利用高炉炼铁工业互联网平...     

基于有限元法的高炉炉缸炉底侵蚀模型的研究及应用

采用有限元法求解高炉炉缸炉底侵蚀模型,利用边界单元变形方式模拟侵蚀边界,采用最小二乘法将参考点温度计算值与实际测量值的离差平方和最小值作为优化判据,修正侵蚀边界的方向及幅度,从而快速逼近实际侵蚀线位置。该模型用于推定高炉炉缸炉底1 150℃等温线的位置和形状,以便了解和分析高炉炉缸炉底侵蚀情况。模型应用结果表明,采用有限元法计算高炉炉缸炉底温度场分布,具有计算速度快、计算结果精确可靠等优点。     

高炉炉底侵蚀监测的数学模型

本文建立了高炉炉底侵蚀监测的轴对称数字模型，即通过求解控制高炉炉底传热过程的热传导方程，解得在假想侵蚀边界条件下有限个边界点的温度值，再通过正交试验的方法确定满足实测边界温度分布的侵蚀边界。计算所采用的数值方法是边界元素法（ＢＥＭ），边界的离散采用常数元离散，代数方程组的求解采用主元素消去法，所得计算结果与通过水电模拟实验所得的实验结果相吻合。     

高炉炉衬侵蚀微观机理

对高炉上部中、低温区和下部高温区取砖样,应用热力学计算、扫描电镜和能谱分析等方法,从热力学和微观机理两方面研究了高炉衬砖侵蚀机理.结果表明:K对碳砖的侵蚀具有穿透力,Na则没有;K是通过K蒸气穿透到砖中,而Na是通过气体带着Na的化合物渗透到砖缝中.在高温区Zn对砖的侵蚀作用很小,中、低温区Zn对砖的侵蚀影响最大.     

高炉炉顶温度分布模式识别神经元网络的研究

高炉煤气流的控制是高炉操作的重要方面,本文开发了自动识别炉喉温度分布模式的自组织神经元网络,利用大量炉顶十字测温数据归纳整理出25种温度分布模式,并自动将当前的温度分布归类为其中的某一种模式。将模型识别的温度分布模式与炉体热负荷等检测信息进行综合分析,能够对高炉的煤气流分布做出更准确的判断,为工长调整装料制度提供有意义的指导。     

小波模糊神经网络在高炉炉温预测中的应用

在运用模糊神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪。根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于高炉炉温预测。仿真结果证明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高。     

石钢高炉铁水含硅量神经网络预报模型

按照现代控制理论,利用人工神经网络方法,把高炉视为多输入—单输出系统,结合高炉生产实际建立了石钢高炉铁水含硅量神经网络预报模型。通过引入动态步长和惯性项系数提高了网络收敛速度。采用不断更新学习样本集的方法提高了铁水含硅量预报的命中率。结果表明:在允许误差为0.1%时,命中率达到了86.67%,可以为高炉操作提供指导。     

高炉炉缸侵蚀机理的计算分析

通过对铁液在特定条件下的选择性氧化进行热力学分析计算,证实低硅铁水冶炼方式会加剧炉缸的渗碳侵蚀,为低硅冶炼时的护炉操作提供依据。     

高炉热风炉烟气余热回收技术的应用

为了提高风温水平，韶钢3号高炉热风炉采用整体式热管换热器对助燃空气进行预热，把风温提高到1100℃，工程投产后运行效果良好，经济效益与社会效益显著。     

高炉铁水硅含量的神经网络预报

通过神经网络对韶钢8号高炉的部分生产数据进行了铁水[Si]含量的预报,确定了w（Si）的主要影响因素,构建了较好的神经网络结构,并根据预报结果提出了判定炉热变化趋势的符合率的标准。     

高炉炉身下部结厚的处理

湘钢１＃高炉１９９８年１０月由于种种原因导致炉体下部结厚,虽经数次洗炉,收效甚微,后采用较长时间持续加萤石配合大批量加焦的热洗炉,才使炉体下部结厚问题得以解决。介绍了处理过程及方法,并对所取得的经验和教训进行了分析。     

处理高炉渣的先进方法--干式成粒法

介绍了先进的高炉渣处理技术——干式成粒法，结合湘潭钢铁公司炼铁工序的实际情况，分析采用干式成粒法所带来的显著的经济效益。