铁水预脱硫过程镁粉耗量预报模型

针对铁水预脱硫过程的实际情况,采用Visual Basic 6.0进行编程,建立了网络结构为4-12-1,模型数据归一化范围均为[0,1]区间的BP神经网络铁水预脱硫镁粉耗量预报模型。模型确定铁水质量、铁水温度、初始硫含量、终点硫含量为输入参数。采用210炉数据进行模型训练,经46炉数据现场验证表明,模型预报结果误差有65.2%的炉次绝对值误差在0.04 kg/t以内,有91.3%的炉次绝对值误差在0.06 kg/t以内,平均绝对值误差为0.033 kg/t。本模型的预测结果较好地符合了实际生产情况。     

基于改进BP神经网络的铁水预处理终点硫含量预报模型

铁水预处理脱硫是纯净钢生产中的一项重要任务,其中铁水终点硫含量是反映脱硫站能力和生产效果的重要指标.对梅山钢铁股份有限公司铁水包喷吹CaO Mg粉剂复合脱硫过程,通过采用自适应调整学习率和最大误差学习法对标准BP算法进行了改进,建立了基于改进BP神经网络的铁水预处理终点硫含量预报模型.用梅钢的1154炉数据进行模型训练,经100炉数据现场验证表明,改进的BP算法比标准BP算法预报误差≤0.003%的精度提高28%,有19%的炉次预报值与实际值完全一致,有90%的炉次误差≤0.003%,平均误差为0.0017%.改进的BP算法在铁水预脱硫终点硫含量预报模型应用中获得了更好的使用效果.     

喷吹镁粉和石灰粉铁水脱硫的统计模型研究

镁粉和石灰粉喷吹脱硫是目前铁水预处理脱硫的重要方法之一。利用某厂大量现场生产数据应用冶金学和统计学基本原理进行多元回归分析,得出了几种主要的操作参数(铁水温度、铁水初始硫含量以及脱硫剂喷吹速度和镁粉吨钢耗量)与铁水脱硫率相关的数学模型。同时,应用该方程讨论了镁粉和CaO粉剂喷吹铁水脱硫时各操作工艺参数对脱硫率的影响,提出提高铁水脱硫率的基本措施。     

神经网络在高炉铁水硫含量预报中的应用

采用3层BP神经网络来预报高炉铁水硫含量,根据高炉冶炼的实际生产数据,选取风温、风量、炉顶温度、焦炭负荷、喷煤量、矿石硫含量、焦炭硫含量、煤粉硫含量和上一炉铁水硅含量9个因素作为输入变量,为提高神经网络预报的准确率,对输入参数进行时滞处理.采取附加动量项和自适应学习步长的措施,解决了BP神经网络局部收敛和学习时间过长的问题.模型预报结果表明:当允许绝对误差不大于0.001时,预报命中率为70.7%;当允许绝对误差不大于0.005时,命中率为90%,证明了模型的有效性.     

鞍钢铁水终点硫含量神经网络预报模型

针对鞍钢铁水罐喷吹CaO＋Mg粉剂复合脱硫过程,建立了基于BP神经网络的铁水预处理终点硫含量预报模型。用鞍钢的1000炉数据进行模型训练,经60炉数据验证表明,有5％的炉次预报值与实际值完全一致,有76．67％的炉次误差≤0．003％。平均误差为0．0025％。     

铁水预处理脱硫过程氮含量预测

根据铁水预处理的实际生产工艺,利用BP神经网络建立了铁水预处理脱硫时铁水中氮含量的预报模型.利用生产数据对网络进行训练后,可以用于预测铁水预处理脱硫后铁水中氮含量,预报相对误差可以控制在22%以下,w[N]的绝对误差值控制在8×10-4%以内.给各输入参量增加扰动后,模型计算表明,初始温度和初始[N],[C],[P]含量,四因素影响最大,且温度和[C]含量为负扰动,[N]为正扰动,说明增加温度和碳含量有利于脱氮.     

颗粒镁铁水脱硫率与镁利用率研究

通过对宣钢脱硫站77组生产数据进行多元线性回归得到了在单吹颗粒镁铁水脱硫时吨铁镁的消耗xMg(kg/t)、喷吹时间t(s)、铁水初始硫含量[%S]0、脱硫量xS、铁水温度T(K)和吨铁镁粒的喷吹速率VMg与脱硫率和镁的利用率的数学模型.通过对数学模型的研究发现:脱硫率随吨铁镁耗量、初始硫含量的增加而增加,随喷吹时间、温度和镁喷吹速率的增大而降低.镁利用率随吨铁镁耗量、喷吹时间及喷吹速率的增加而减少,随喷吹时间的延长、镁喷吹速率、铁液中初始硫含量及温度的升高而升高.在合适的吨铁镁消耗量的情况下,要提高脱硫率和镁利用率,应该在保障脱硫时间的前提下,降低吨铁镁喷吹速率,减少喷吹时间.     

鱼雷罐底吹辅助铁水喷粉脱硫过程仿真分析

根据实际鱼雷罐的脱硫操作工艺参数,采用欧拉两流体模型、多孔介质模型、耦合镁粉脱硫动力学模型,对采用底部吹气搅拌辅助鱼雷罐顶吹镁粉脱硫过程进行了仿真分析,探讨了底吹辅助工艺的影响。结果表明:底吹辅助工艺能明显提高粉剂利用率和脱硫效率;随着底吹气量的增加脱硫效果越好,30 m3/h的吹气量即能满足要求;鱼雷罐入口与边端的中部底吹对内铁水脱硫效果较好,尤其2 650 mm位置最佳;脱硫时喷粉后进行280 s内的续吹可以防止回硫和进一步降低硫含量。     

攀钢喷吹法铁水预脱硫数学模型的研究

喷吹法是近年来广泛使用的铁水预脱硫方式,针对攀钢喷吹法铁水预脱硫工艺过程,建立了基于神经网络的脱硫剂加入量预报模型,利用攀钢铁水预脱硫的现场生产数据对模型进行了训练和仿真测试,并在炼钢厂进行了模型的现场应用试验.试验结果表明:应用预报模型进行脱硫生产的试验炉次,脱硫后铁水中硫含量可以满足实际生产过程对终点硫的要求,模型...     

CaO在镁基铁水炉外脱硫工艺中的作用

在镁基铁水炉外脱硫工艺中,单喷镁粉时镁的利用率较低,特别是脱硫目标值较低时,Mg的溶解损失较大,且扒渣比较困难。根据对CaO在镁基铁水炉外脱硫工艺中作用的分析,采用CaO-Mg复合喷吹工艺,特别是铁水目标硫含量较低时,可以减少铁水脱硫所需的镁粉量,降低运行成本。铁水脱硫过程中加入CaO,还有利于改善脱硫粉剂的喷吹效果,并利于扒渣。在CaO-Mg复合喷吹法铁水脱硫工艺中,应根据不同反应阶段的特点,改变CaO和镁粉的喷吹速率。     

80 t转炉终点预报TSVR模型精度

 转炉炼钢是一个复杂的高温物理化学反应过程。在冶炼过程中不能连续检测钢的成分。所以,准确地预报终点的碳质量分数和温度对于提高终点命中率是非常有意义的。基于广西某钢厂80 t转炉炼钢实际生产数据,建立了终点碳质量分数和终点温度的孪生支持向量回归机(TSVR)预测模型,对100个炉次的实际生产数据进行了模型的训练,另外30个炉次的数据用于验证模型的精度。结果表明,预测误差Δω([C])≤ 0.01%的命中率为93.3%,Δt≤15 ℃的命中率为96.7%,双命中率为90%。与BP神经网络模型相比,TSVR模型的终点碳质量分数和终点温度命中率均比BP神经网络模型高。     

基于神经网络的脱硫剂加入量预报模型的研究及应用

针对攀枝花新钢钒股份有限公司提钒炼钢厂铁水脱硫预处理生产工艺过程,建立基于增加动量项和采用最大误差学习法的改进BP算法脱硫剂加入量预报模型。利用攀钢铁水脱硫现场生产数据对模型进行训练和莉试,并在炼钢厂进行模型的现场应用试验。结果表明,模型的脱硫命中率达到96．8％,同时模型应用后也降低了脱硫剂的消耗量。     

基于神经网络的转炉冶炼终点硫含量预报模型

通过研究转炉冶炼终点硫含量的影响因素,确定了预报模型的控制变量,对常用的BP算法进行改进,建立了基于神经网络的终点硫含量预报模型.模型的预报结果接近动态控制模型的预报精度.     

GA-BP的铁钢界面铁水温度预测

铁钢界面铁水温度对炼钢生产的控制与优化具有重要意义.因此,为了更加准确地获取铁钢界面铁水温度,本文采用较大样本构建了基于遗传算法(GA)优化的BP神经网络铁水温度预测模型.对影响铁钢界面铁水温度的因素分析,选取了出铁时间、预处理时间、重罐时间、空罐时间、出铁铁水温度、预处理后铁水温度、铁水质量7个关键因素作为模型的输入...     

Desulfurization of Hot Metal by the Injection of High-Quality Lime Powder

The desulfurization of hot metal by the injection of fluidized lime (≥94% CaO) is analyzed, when the lime consumption is 0.5–19 kg/t of hot metal. That results in 95% desulfurization; the lowest sulfur content in the hot metal is 0.003%. Decrease in sulfur content in the hot metal to 0.005, 0.010, 0.015, 0.020, and 0.025% with different initial sulfur content is observed, with the injection of different quantities of lime. Sulfur content below 0.001% is not observed and not guaranteed. Recommendations are made for optimal desulfurization of hot metal by lime. Their adoption increases the desulfurization, decreases the losses of hot metal and the temperature, and decreases the consumption of materials and the cost of the process.     

基于FA-ELM的转炉终点磷含量预测模型

 转炉终点磷含量的预测对实现转炉自动出钢、缩短冶炼周期具有重要意义,为了实现转炉终点磷含量的窄窗口控制,为操作工艺提供指导,需要建立更高精度的终点磷含量预测模型。通过对冶炼工艺以及脱磷热力学的分析,选取12项影响脱磷过程的可观测指标,构建了终点磷含量预测指标体系,然后借助因子分析法(FA)对数据进行降维处理,得到6个派生变量,将其作为模型输入,终点磷含量作为模型输出,建立基于超限学习机(ELM)的终点磷含量预测模型。并将ELM模型预测结果与BP神经网络的进行对比,研究发现,ELM模型拟合度更高,回归系数R2=0.778 7,平均误差MAPE=0.106 0,并且预测误差在±0.003 0%内的炉次所占比例为86.67%。因此,相比于BP神经网络模型,ELM模型具有较高的精度和较好的泛化能力。     

高炉铁水温度的多元时间序列建模和预测

针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度。