高炉低硅冶炼实践

唐钢1#高炉2009年大修开炉后采用低硅冶炼技术,使铁水含硅量由0.53%逐步降低到0.35%,并长期稳定在0.38%左右,炉况稳定顺行。结合唐钢1#高炉生产操作实践,分析了原燃料条件、高炉基本操作以及冶炼特点对低硅冶炼的影响,为高炉稳定铁水中硅含量在较低水平和保证高炉长期稳定顺行总结了宝贵的经验。     

基于神经网络的高炉铁水硅含量预报模型的研究

根据RBF神经网络具有收敛速度快和全局优化的特点,建立了RBF网络模型,并将其应用对高炉铁水硅含量预报。监于铁水硅含量与炉缸温度之间的密切相关性,通过铁水硅含量来间接地反映炉内温度变化。采用MATLAB中的Newrbe函数进行函数逼近,对高炉一段连续时期内正常生产的数据的归一化处理后进行训练和仿真,提高了铁水硅含量预报的命中率。高炉冶炼运用先进的RBF人工神经网络预报模型,能预报铁水硅含量的高低,判断炉温走势,实现炉温调控,有利于节能降耗,并可监测多个主要控制对象,为高炉操作提供指导。     

铁水成分与炉缸堆积的关系

本文研究了高炉铁水成分碳、硅、钛、硫对铁水开始结晶温度和生铁石墨碳含量的影响,分析了包钢高炉炉缸堆积的原因,通过分析对比指出了包钢高炉适宜的铁水硅、硫的控制范围。     

用人工智能系统控制铁水硅含量

日本钢管公司福山厂在5号高炉上确定了低硅操作技术,完全使用人工智能系统控制铁水中的硅含量,可省去生产优质钢不可缺少的脱磷工序。福山厂5号高炉内容积为4664米~3,在世界上最早安装了人工智能系统,投资约170亿日元。在高炉里埋了1000多个传感器,用于迅速分析硅和连续测定铁水温度,靠高炉内的热控制硅分解量,用人工智能系统控制出铁温度。结果,铁水中的硅含量今年1月平均为0.18％,2月为0.16％,3月为0.18％,大大低     

高炉冶炼低硅低硫铁的炉渣性能研究

对唐钢一炼铁厂高炉冶炼低Si低S铁水的炉渣进行了实验室研究,分析了炉渣的物化性能。建立了炉渣粘度与温度关系的统计数模。唐钢一炼铁厂100m~3高炉围绕合理控制和稳定渣操作     

NKK公司福山厂创高炉低硅操作新记录

日本NKK公司福山厂于今年10月份全部高炉(3座运转)月均铁水硅含量为0.18％新记录而且创近12个月来全部高炉年均铁水硅含量0.22％的新记录。过去单座高炉月均硅含量达到0.1％级水平,但是一钢铁厂全部高炉达到该水平尚属世界首创。去年日本全国高炉年均铁水硅含量为0.43％,福山厂所有高炉则稳定在0.2％级水平。该厂采用的低硅操作技     

六西格玛技术在降低铁水硅含量方面的应用研究

通过收集某钢厂2 800 m3高炉的生产数据,结合六西格玛管理技术,对铁水硅含量及所选参数进行相关性分析、因果矩阵分析和回归分析,确定了铁水硅含量的主要影响因素有小焦比、冶炼强度、炉渣碱度和铁水温度,它们对硅含量的综合影响贡献率达81.5%。通过增加炼铁过程中小焦比的用量,提高炉渣碱度,并适当降低铁水温度和冶炼强度,铁水中硅含量最大值为0.497%,平均值为0.476%,下降0.05%。     

铁水成分对炉缸堆积的影响

本文研究了高炉铁水成份碳、硅、钛、硫、锰、磷对铁水开始结晶温度和生铁石墨碳含量的影响,从而找出了包钢高炉炉缸堆积的基本原因。经过分析对比指出了包钢高炉适宜的铁水硅、硫控制范围。     

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。     

低硅低硫铁水的生产

就现代高炉而言,对于铁水的要求在于提高其温度和降低其中除碳以外其它溶解元素的含量。对于某些元素,诸如锰、磷及铬,可以通过调节来自炉料和焦炭的这些元素的总输入量来控制它们的含量。铁水中其它元素,如硅和硫的溶解量,则主要取决于高炉的操作条件。但是对于一定的操作条件来说,并不