PSA制氧设备在有色冶炼应用中的展望

从有色冶炼工艺用氧的特点,研究分析了PSA制氧设备的应用前景。     

浙江省农村能源的基本分析

一、农村能源在国民经济中的重要地位我省农村能源在国民经济中占有特殊重要地位,1980年全省人口3826.58万人中,农业人口占87.45％;农业产值占全省工农业产值30.9％;全省国民收入的37.8％来自农业,根据调查1979年全省轻工业以农业为原料的比重占70％;外贸中农产品及其加工品出口额占总出口额80％,我省是全国商品粮基地之一,茶叶、黄麻、棉花、油菜子产量在全国占有重要地位,随着经济发展,本     

添加剂对含钛高炉渣黏度的影响

根据承钢高炉冶炼条件,以现场含钛高炉渣为基准,利用熔体物性测定仪研究CaF2、MnO、MgO、Li2O和Cr2O3添加到终渣后对炉渣熔化性能的影响。结果表明这5种添加剂均对炉渣有稀释作用,并且CaF2在0.5%~1.0%,MnO在1.0%,MgO在3%,Li2O在1.0%,Cr2O3在0.5%时分别达到最好的稀释效果。通过对比得到加入合适量添加剂后炉渣TS由低到高的顺序为:氧化锂、氟化钙、氧化镁、氧化铬、氧化锰。     

淤泥固结过程中孔隙特征与压缩系数的关系

为了分析固结过程中,淤泥的孔隙特征和压缩系数之间的联系,以某工程海相淤泥为例,利用扫描电镜（SEM）和计算机图像处理技术,采用分形理论,结合土工试验,分析在堆载预压过程中孔隙分布分维数和压缩系数之间联系,发现二者呈相反的变化趋势,说明宏观的力学性质与土体孔隙分布存在本质的联系,这对分析淤泥的固结沉降特性具有一定的参考价值。     

澳矿粉配比对含钒烧结过程和烧结矿冶金性能的影响

基于承钢烧结现场条件,研究了澳矿粉配比对含钒烧结过程和烧结矿冶金性能的影响.结果表明:在试验条件下,适当增加原料中澳矿粉的配比,烧结矿中的w(FeO)和w(TiO2)降低,而w(SiO2)和w(Al2O3)则升高,赤铁矿和玻璃质含量增加,烧结料层的透气性得到了改善.当澳矿粉配比在33%以内增加时,烧结成品率、烧结矿冷态转鼓指数和低温还原粉化性能以及烧结矿的产量都有所改善.综合考虑澳矿粉配比对烧结矿产量、质量及高炉冶炼过程的影响,应将澳矿粉在烧结原料中的配比提高到33%左右.     

高炉喷吹煤气后固体炉料的还原与变化

模拟高炉喷吹含氢煤气条件下炉料的变化过程,结果表明,炉料的低温还原粉化率随氢含量增加而增加.随着温度的升高炉料的低温还原粉化率降低.氢含量升高有利于铁氧化物的还原、CO的析碳,温度为900 ℃时氢对还原矿的碳含量无影响.氢含量升高,焦炭的反应后强度大幅度降低.     

基于EEMD和机器学习的烧结矿FeO成分长短期综合预报

炼铁讲“七分原料，三分操作”,烧结矿是高炉炼铁的主要原料，FeO成分是影响烧结矿还原性、强度和粒度的重要指标，也是影响高炉铁水产量和燃料比的重要因素。因此，及时精确地掌握烧结矿FeO含量对于指导高炉炼铁的顺利生产具有显著作用。针对烧结矿FeO成分检测结果延时、精度差的问题，提出并建立一种集合经验模式分解EEMD和机器学习的FeO成分长短期综合预报模型。针对烧结数据进行探索性分析，挖掘了烧结数据存在的特性，有根据地采用箱线图和滑动窗口处理数据，保证了数据价值，为建模夯实了数据基础。综合模型包含2个模块。长期预报模型应用EEMD分解波动型FeO成分数据，降低输入数据的复杂性，以双向长短期记忆神经网络Bi-LSTM进行3 h内FeO成分的提前预报；短期预报模块融合EEMD、特征选择和提取方法构造衍生特征，增强模型对于输入和目标数据的学习能力，以极限树ET对下1 h的FeO成分进行预报。在未知烧结数据测试集的验证下发现，EEMD辅助机器学习建模能够大幅提升FeO成分预报精度和稳定性，EEMD-Bi-LSTM和EEMD-ET模型的平均绝对百分比误差M_APE为1%左右、均方误...     

高炉炼铁智能化的研究现状与展望

在环保与去产能化的双重影响下，中国钢铁开始向高质、智能、绿色的生产模式转变，传统的高能耗、高污染的高炉冶炼理念已不再适用于“十四五”规划的发展方向。随着大数据与人工智能技术的兴起，新一代钢铁工业在智能制造的推动下向着绿色制造迈进，通过分析钢铁企业多年积累的数据而建立各种预测模型已成为一种大趋势。本文首先以高炉智能化转型作为研究背景，通过由简入繁的方式介绍了当前高炉冶炼指标预测模型及冶炼过程监测系统。然后，分析了数据处理与专家决策优化策略的重要性，并简要阐述了当前各企业高炉大数据云平台的搭建情况。最后，对高炉智能化转型作出了相应的结论与展望。     

基于深度学习的烧结返矿量组合预报模型研究

返矿量是影响烧结矿质量和炼铁成本的重要因素。针对该数据难以在短时间内获得且相关预测研究较少的问题，本文提出了一种应用深度学习算法构建的烧结返矿量组合预报模型。该模型首先将烧结实际生产流程大数据与数据预处理技术相结合，建立模型基础数据集；然后将烧结流程中存在的滞后性与时域神经网络相结合，实现模型的提前预报功能；同时将皮尔逊相关性分析和PCA技术制定的烧结配料规则与深度森林相结合，实现模型的实时监测功能。预测结果分析表明：该模型整体误差范围(返矿量在15 t/h内)命中率能够达到90%以上，并展示出良好的提前预报和实时监测效果，能够达到预测返矿趋势与数量的目标。     

基于RFE-DNN的烧结矿性能预警模型

针对某钢厂铁前数据库中烧结物料的预警空值与预警模型不完善问题，提出了一种烧结矿性能预警模型。将传统烧结工艺理论与大数据技术相结合，对原厂烧结生产数据进行预处理并搭建相应的烧结数据仓库，运用RFE(递归特征消除)对生产参数进行特征选择、重要性排序与相关性分析，然后运用DNN算法构建烧结矿化学成分与质量指标的预测模型，预测V₂O₅、CaO/SiO₂、TFe和FeO的R²分别达到0.965 8、0.824 7、0.846 2和0.871 1,预测筛分指数和转鼓指数的R²分别达到0.899和0.875,满足预测精度需求，并将预测结果结合预警区间对烧结矿性能进行预警。