Silicon Sensors for use in Hot Metal Processing

An overview of solid state sensors specifically designed for determination of silicon levels in blast furnace hot metal was provided with a particular emphasis on the application in hot metal processing.     

高硅铁水转炉吹炼实践

介绍了鞍钢股份有限公司鲅鱼圈钢铁分公司在铁水预处理工序对高硅铁水进行脱硅处理,在转炉工序使用高硅铁水进行转炉生产的实践。实践表明,在铁水预处理工序采用脱硅剂进行脱硅能有效降低铁水硅含量,在转炉工序通过调整操作制度,可以采用高硅铁水入转炉冶炼,实现了转炉和高炉生产同步。     

Fuzzy Prediction of Silicon Content for BF Hot Metal

Therearemanyfactorsinfluencingthequality ofhotmetalinBFprocess.Themostimportant threefactorsarehotmetaltemperature,hotmetal siliconcontentandslagbasicity[1].Siliconcontentis animportantfactorreflectingthestateofthelower partofblastfurnaceforblastfurnaceop…     

炼钢铁水中硅的来源

在前人研究的基础上,用实验模拟高炉滴落带的方法,对硅的还原过程中目前尚未清楚的[Si]的主要来源问题进行了研究,确定了焦炭灰分中SiO₂是炼钢生铁中[Si]的主要来源,并在实验条件下,定量得出灰分中SiO₂对铁水中[Si]的贡献大约占70%左右。     

低硅铁水冶炼工艺实践

简介了川威炼钢厂低硅铁水冶炼工艺。生产实践表明,采取加入一定的钢包余渣和留渣操作等技术措施,可有效解决低硅铁水冶炼成渣困难、热量少、易粘枪、不利于脱磷及炉况维护等难题。     

低硅铁水冶炼工艺实践

简介了川威炼钢厂低硅铁水冶炼工艺。生产实践表明,采取加入一定的钢包余渣和留渣操作等技术措施,可有效解决低硅铁水冶炼成渣困难、热量少、易粘枪、不利于脱磷及炉况维护等难题。     

基于数据的高炉铁水硅含量预测

针对铁水硅含量无法直接在线检测的问题,提出了一种基于优化极限学习机的高炉铁水硅含量数据驱动预测模型,该模型利用差分进化算法的全局寻优能力来优化极限学习机的输入权值和隐元偏差,在此基础上建立了基于差分进化算法优化极限学习机(DE-ELM)的高炉铁水硅含量预测模型。所建模型对高炉炉温的实际调控具有较好的指导意义。     

Chaotic Identification and Prediction of Silicon Content in Hot Metal

For smooth operation of blast furnace,predic-ting and controlling silicon content in hot metal asone of the most i mportant indices to represent thethermal state of the blast furnace is regarded as oneof the most i mportant measures[1].In past years,effor…     

酒钢炼钢铁水适宜硅含量确定

铁水中的硅在转炉内氧化并产生大量的热量,其中仅有 19. 84%的热量用于加热金属。根据脱磷计算出所需的渣量,结合石灰条件,计算出铁水适宜的含硅量。     

济钢低硅铁水吹炼工艺实践

介绍了低硅铁水的吹炼工艺实践。通过对少渣炼钢过程的理论分析,采用倒锥度氧枪、优化供氧及造渣制度、控制终渣碱度等措施,解决了低硅铁水炼钢的造渣、脱磷、脱硫、粘枪等技术难题,实现了低硅铁水条件下的少渣炼钢,降低了石灰消耗、提高了金属收得率。     

贝叶斯网络在高炉铁水硅含量预测中的应用

应用贝叶斯网络对高炉铁水硅含量进行预测。首先阐述了贝叶斯网络的数学描述,在此基础上给出贝叶斯网络预测公式的一种简化形式。然后建立高炉铁水硅含量的贝叶斯网络预测模型,对山东莱钢1 号高炉在线采集的2 000炉数据进行网络学习,离线预测取得了较好的效果。与神经网络等其他方法相比,它更适合解析高炉过程,而且透明的推理过程对高炉工长判断炉温变化趋势具有指导意义。     

高炉铁水硅含量的神经网络时间序列预报

利用ＢＰ网络实现了高炉铁水硅含量的时间序列预报，并以高炉铁水硅含量的历史数据对下一炉铁水的硅含量进行离线预报。结果表明，本模型具有较好的预报效果。     

电化学法快速测定铁水中的硅量

采用以ZrO₂(MgO)固体电解质,配以一新辅助电极SiO₂+CaF₂的方法,对Fe+C_(sat)+Si体系进行了测量。结果表明:当硅测头插入铁水5s以后电动势值即可达到稳定值;电动势与硅量的关系符合理论公式;T=1694~1749K,电动势随温度的变很小。本研究所开发的硅测头具有响应迅速、准确,可望在现场得到应用推广。     

大型转炉低硅铁水炼钢研究

针对转炉低硅铁水炼钢成渣困难,渣量少不利于脱磷,容易产生粘枪、粘烟罩等问题,在吹炼过程中加入适量熔剂,枪位稍高于正常含硅铁水炼钢,设计化渣效果好、喷溅少的多孔喷头。低硅铁水炼钢化学热减少,可减少矿石、废钢用量,保证熔池金属正常的升温速度。低硅铁水炼钢可以实现少渣炼钢,有利于减少石灰消耗和提高金属收得率。     

基于WA SVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WA SVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

应用优化BP神经网络建立铁水硅含量的预测模型

 高炉铁水的硅含量是描述铁水质量的一个重要指标。为了在出铁之前了解铁水中硅含量的高低,建立预测模型是必要的。结合遗传算法(GA)和BP神经网络,建立了优化的GA BP预测分析模型,从某高炉选取生产数据进行学习和预测。运行结果表明,模型具有较高的预测精度,当要求绝对误差为±005时,命中率可达70%;绝对误差为±008时,命中率可达923%。同时,应用该模型分析回归了高炉风量、热风压力、富氧量与铁间料批数等参数与铁水硅含量之间的相关关系,其结果与高炉冶炼理论基本吻合,可为高炉生产提供一定的指导。     

BP神经网络在高炉铁水硅预报中的应用

随着现代科技的发展和计算机技术的不断提高,高炉自动化操作显得越来越重要。高炉铁水硅预报能很好地反映高炉内热状态和高炉的成分,对高炉运行状态的判断起到至关重要的作用。在总结前人预报模型的基础上,综合考虑了各种影响因素,建立了BP神经网络模型,并结合现场数据进行计算,模拟结果和实际相符。     

应用小波分析方法改进铁水硅含量预测

应用小波分析方法对高炉铁水硅含量进行预测。通过小波变换将铁水硅含量的时间序列依三重尺度分解成不同的层次,并对不同层次上的序列分别运用合适的自回归模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为实际预测案例,与原始时间序列的自回归模型预测结果比较,小波预测方法显著提高了预测命中率。     

低硅铁水冶炼中的选择性氧化新模式

 针对低硅铁水的冶炼问题,计算了不同硅含量的铁水在转炉炼钢吹氧时, 硅、碳氧化反应的?妓棺杂赡堞Si和ΔGC的变化规律,提出了以“氧化转化浓度”为界点的硅、碳选择性氧化的新模式。用此模式分析了低硅铁水对转炉炼钢造渣工艺的影响,确定了适用于转炉炼钢的铁水中［Si］的最佳含量。同时计算了不同碳含量对该“氧化转化浓度”的影响,提出了不同条件下界点浓度的计算公式,便于实际生产过程中的灵活操作。