CN102867220A - 一种实时预测钢包精炼炉精炼钢水温度的方法 - Google Patents
一种实时预测钢包精炼炉精炼钢水温度的方法 Download PDFInfo
- Publication number
- CN102867220A CN102867220A CN2012102092441A CN201210209244A CN102867220A CN 102867220 A CN102867220 A CN 102867220A CN 2012102092441 A CN2012102092441 A CN 2012102092441A CN 201210209244 A CN201210209244 A CN 201210209244A CN 102867220 A CN102867220 A CN 102867220A
- Authority
- CN
- China
- Prior art keywords
- temperature
- molten steel
- ladle
- packing
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 201
- 239000010959 steel Substances 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000007670 refining Methods 0.000 title claims abstract description 65
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims abstract description 66
- 238000012856 packing Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 62
- 229910052786 argon Inorganic materials 0.000 claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 230000017525 heat dissipation Effects 0.000 claims abstract description 13
- 230000008878 coupling Effects 0.000 claims abstract description 3
- 238000010168 coupling process Methods 0.000 claims abstract description 3
- 238000005859 coupling reaction Methods 0.000 claims abstract description 3
- 239000002893 slag Substances 0.000 claims description 84
- 230000005855 radiation Effects 0.000 claims description 57
- 239000007788 liquid Substances 0.000 claims description 47
- 229910045601 alloy Inorganic materials 0.000 claims description 22
- 239000000956 alloy Substances 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000002699 waste material Substances 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 10
- 238000012937 correction Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000007664 blowing Methods 0.000 abstract description 4
- 238000012546 transfer Methods 0.000 description 21
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 10
- 239000000463 material Substances 0.000 description 9
- 238000010438 heat treatment Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010079 rubber tapping Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000003723 Smelting Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000005266 casting Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000010891 electric arc Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000007306 turnover Effects 0.000 description 3
- 229910001021 Ferroalloy Inorganic materials 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005275 alloying Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000006477 desulfuration reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000005272 metallurgy Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910000967 As alloy Inorganic materials 0.000 description 1
- JASONGFGOLHLGB-UHFFFAOYSA-N Atranol Chemical compound CC1=CC(O)=C(C=O)C(O)=C1 JASONGFGOLHLGB-UHFFFAOYSA-N 0.000 description 1
- 230000005457 Black-body radiation Effects 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000010310 metallurgical process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000005382 thermal cycling Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明公开了一种实时预测钢包精炼炉精炼钢水温度的方法。在基于包衬散热对钢水温度的影响方面,本发明采用数值模拟方法,考虑了盛钢过程中大包内衬为温度800~1400℃,耦合钢水流动对包衬散热的影响,建立了包衬散热对钢水温降的拟合方程。在包衬类别精确判断方面,本发明建立了一种基于模糊推理大包内衬自动选择的模型。在精炼过程钢水裸露面的确定方面,本发明基于数值模拟研究,建立了不同吹氩量下钢水的裸露面积拟合方程。基于上述三种模型的预测结果,本发明将精炼过程中钢水的流动特性与散热情况相结合,建立了LF精炼过程钢水温度实时预报模型。为减少现场不稳定性因素的影响,本模型开发了温度自动校正功能。
Description
技术领域
本发明涉及冶金过程的生产与控制领域,更具体地讲,涉及一种针对LF炉精炼过程的钢水温度进行实时在线预测的方法。
背景技术
钢包精炼炉(即,LF炉)作为钢厂的一种常见精炼设备,在转炉-连铸流程中调节转炉与连铸的生产节奏实现多炉连浇的同时,主要通过四个独特的精炼手段实现钢水调温、强化脱氧、脱硫、合金微调等冶金功能,参见图1所示。LF炉精炼阶段温度控制是整个流程是否顺利进行的关键因素,合理的温度无疑是提高产品质量、降低生产成本的有效手段。因此为了制定合理的温度有效地控制钢水温度,LF炉精炼阶段温度预报是冶金工作者首先要做的工作。
目前实际生产中,操作人员常使用一次性热电偶测温来获取LF炉钢水的温度信息。由于LF炉冶炼周期长,影响终点钢水温度因素复杂,终点钢水温度要求精度高,增加了测温次数和不准确性,提高了生产成本和劳动强度,同时无法连续在线掌握钢水温度,存在操作盲点并且导致资源浪费。
在以往的研究中,LF炉钢水温度预报模型采用的研究方法主要有以下三种:机理模型、统计回归模型、神经网络模型。
机理模型是指利用尽可能准确表述过程机理的一些数学控制方程建立的模型。在LF炉精炼过程中,主要采用能量守恒方程、传热基本方程、质量守恒方程等来建立相关的机理模型,然后通过控制不同的边界条件和初始条件,采用有限差分法或者有限元法等方法求解模型,从而得到钢包内的温度分布 状况。主要文献包括:钢包精炼过程中钢水成分微调及温度预报[J],钢铁研究学报,1999,11(2):6-8;LF炉精炼过程钢水温度预报技术[J],东北大学学报,2002,23(3):247-250;一种双工位LF炉钢水温度预报控制系统[P],中国专利:101592964,2009-12-02;等。
统计回归模型是基于统计分析方法,如线性回归分析,通过大量数据找到预报量与各种过程变量间的关系。主要文献包括:LF炉钢水温度预报[J],冶金自动化,1998,(1):46-48;宝钢炼钢厂300t整体钢包热循环实测研究[J],北京科技大学学报,2001,23(5):418-459;宝钢一炼钢厂300t钢包钢水温度预报模型[D],镇江江苏大学,2005;等。
神经网络模型方法主要是将与终点温度变化有关的参数作为输入,采用神经网络等智能算法通过对大量生产数据分析,进行反复学习和训练,得到一个逼近函数,用这个函数来预报终点温度。主要参考文献包括:基于AdaBoost混合模型的LF炉钢水终点温度软测量[J],仪器仪表学报,2008,29(3):662-667;基于ELM新方法的LF终点温度软测量混合模型[J],东北大学学报,2008,29(1):33-36;等。
上述三类模型均能够达到一定的预报精度,但存在一定缺陷。机理模型水平高,但由于LF炉精炼过程复杂,因素多变且伴随有多种物理化学反应,这严重影响机理模型的预测精度;统计回归模型算法简单且很容易在线检测,但由于此模型只能反映线性关系,而钢水温度与电量、包衬散热、合金加料、时间等因素间的关系错综复杂,使得统计回归模型的精度通常不高;神经网络学习迭代次数较多,时间较长,制约着系统的实际应用。另外目前大部分对钢水温降的研究是离线的,要达到模型的在线应用要求还有一定的困难。
发明内容
针对现有技术存在的不足,本发明的目的之一在于提供一种能够用于对LF炉精炼钢水的温度进行实时预报的方法。
为了实现上述目的,本发明提供了一种实时预测钢包精炼炉精炼钢水温度的方法,所述方法通过式(a)对钢包精炼炉精炼过程中的钢水温度进行实时预测,式(a)为Tst=T0+ΔTab-ΔTg-ΔTlining-ΔTsur-ΔTalloy-ΔTslag,其中,Tst为钢水实时温度,℃;T0为钢水初始温度,℃;ΔTab、ΔTg、ΔTlining、ΔTsur、ΔTalloy、ΔTslag分别为电能输入、吹氩热损、包衬散热、渣面散热、合金热效应、渣料热效应引起的钢水温度变化量,℃。其中,所述包衬散热引起的钢水温度变化量ΔTlining通过式(b)得到,式(b)为:ΔTlining=a+bt+ct2+dt3+et4,其中,0≤t≤120min,a,b,c,d,e为根据钢包包衬的热状态级别来确定的常数,当钢包包衬的热状态为A级时,式(b)变为:ΔTlining=6.554+2.4864t-3.525×10-2t2+3.1165×10-4t3-1.0555×10-6t4;当钢包包衬的热状态为热状态为B级时,式(b)变为:ΔTlining=4.9464+2.0383t-2.742×10-2t2+2.40895×10-4t3-8.1983×10-7t4;当钢包包衬的热状态为热状态为C级时,式(b)变为:ΔTlining=3.3747+1.5852t-1.943×10-2t2+1.6708×10-4t3-5.6514×10-7t4;当钢包包衬的热状态为热状态为D级时,式(b)变为:ΔTlining=1.7883+1.13t-1.14×10-2t2+9.2983×10-5t3-3.095×10-7t4。
在本发明的一个示例性实施例中,所述钢包包衬的热状态为A级是指钢包内衬初始温度为800℃且包衬稳态散热时间为95~99min,达到稳态后钢水平均温降为0.52~0.54℃/min;所述钢包包衬的热状态为B级是指钢包内衬初始温度为1000℃且包衬稳态散热时间为86~88min,达到稳态后钢水平均温降为0.49~0.51℃/min;所述钢包包衬的热状态为C级是指钢包内衬初始温度为1200℃且包衬稳态散热时间为78~82min,钢水平均温降为0.46~0.48℃/min;所述钢包包衬的热状态为D级是指钢包内衬初始温度为1400℃且包衬稳态散热时间为70~74min,达到稳态后钢水平均温降为0.40~ 0.42℃/min。
在本发明的一个示例性实施例中,所述钢包包衬的热状态级别根据模糊推理模型中的Z0得出。
在本发明的一个示例性实施例中,所述方法还包括对预测得到的钢水温度进行校正的步骤。
本发明的另一方面提供了一种实时预测钢包精炼炉精炼钢水温度的方法,该方法由流场及温度场耦合进行理论探究,充分考虑过程中可能出现的所有包衬情况,建立包衬散热模型,充分考虑其他因素对钢水温度的影响,最终建立温度预报模型,所述温度预报模型包括模糊推理,温度自动校正以及温度预报三大模块,采用理论分析和数值模拟的方式,结合相应的算法最终实现LF炉精炼钢水温度的实时预报。
在本发明的一个示例性实施例中,在包衬散热模型中,将钢包周转过程中包衬散热对钢水的温降速度和温降速率进行归一化处理;采用模糊推理的方法建立精炼过程中钢包内衬类别的自动判别模型。
在本发明的一个示例性实施例中,在温度预报模型中,由于现场的一些不稳定性因素的影响,建立温度预报过程中温度自动校正功能。
与现有技术相比,本发明的有益效果包括:提供了一种用于LF精炼炉钢水温度实时预报的方法,该方法能够实时、准确地预报LF精炼过程钢水温度,从而能够减少测温次数、指导实际生产、节约成本、减轻劳动强度、提高测量温度命中率。
附图说明
通过下面结合附图进行的描述,本发明的上述和其他目的和特点将会变得更加清楚,其中:
图1示出了现有技术的LF炉的示意图;
图2示出了LF炉精炼过程中能量平衡示意图;
图3示出了利用GAMBIT软件构建钢包物理模型时计算区域的网格系统示意图,其中,(a)为钢包三维截面视图,(b)为包壁截面视图;
图4示出了计算中监控面显示的钢水的热量通过渣层、钢包包壁、包底进行散热的示意图;
图5示出了钢包热状态对盛钢过程钢包包衬散热的影响;
图6示出了钢水温降随时间变化的拟合曲线图;
图7示出了LF炉精炼过程中吹氩曲线;
图8示出了钢水的裸露面积拟合曲线;
图9示出了不同电压档位下电极加热系数;
图10示出了包衬类型的在线判别流程图;
图11示出了模糊控制规则示意图;
图12示出了LF炉精炼过程钢水温度预报模型的流程图;
图13示出了温度校正模块的程序框图;
图14示出了周转过程钢水温降及包衬类型的模糊判别精度,其中,A-小平台出站温度,B-LF炉进站温度,C-实际温降,D-模型温降,E-模型温降范围;
图15示出了不采用温度校正功能情况下精炼结束实测温度与预报温度的对比图;
图16示出了采用温度校正功能情况下精炼过程实测温度与预报温度的对比图;
图17示出了通过钢渣界面的热流量的示意图。
具体实施方式
在下文中,参照附图来详细说明本发明的示例性实施例。
本发明的目的是提供一种用于LF精炼炉钢水温度实时预报的方法,以达到实时、准确地预报LF精炼过程钢水温度的目的,从而减少测温次数,指导实际生产,以节约成本,减轻劳动强度,提高温度命中率。
通常,影响LF钢液温度的因素归结为两大类:第一类是基于冶金学机理模型可以计算的,例如合金加入、吹氩等,我们将其称之为定常因素;第二类为由于现场条件和本身的复杂性往往具有很复杂的非线性特征,难以用统一的物理模型或热力学模型以及生产数据进行准确地描述,例如电极加入和包衬散热等,我们将其称之为非定常因素。
对于定常因素,可采用基于公知的冶金学机理模型或者生产数据统计计算便可以获得;而对于非定常因素,本发明则在对其进行详细的统计归纳后采用模糊推理算法将其程序化以对其进行合理的优化,并最终准确找到最优的计算模型(模型程序化后具有一定的自学习功能)。
能量守恒原理,LF炉精练过程中能量平衡关系如图2所示,其中,Qab表示进入渣钢熔池中的电弧热量,Qar表示吹氩损失的热量,Qsa表示渣面损失的热量,Qmo表示合金元素的氧化放热,Qmf表示合金溶解热,Qln表示包衬的蓄热,Qshell表示包壳与大气换热,Qslag表示渣料热效应,Qalloy表示,合金熔化升温热Qsteel表示钢水升温热。可见,能量输入主要包括电弧加热的能量(Qab)和合金反应的化学热(Qmo、Qmf)。进入熔池的热量又可分为三大去向。第一部分用于钢液升温(Qsteel)和渣料及合金的升温熔化所需的热量(Qalloy、Qslag),两者之和即为加热熔池的热量;第二部分为通过包衬损失的热量,其中又分为两部分,一部分热量成为包衬耐火材料的蓄热(Qln)而使包衬温度升高,另一部分是由包壳与周围大气的热交换而损失的热量(Qshell);第三部分是通过渣面损失的热量,包括由渣面的辐射和对流传热的热损失(Qsa)以及由熔池内产生的高温气体通过渣面带走的热量(Qar)。
通过上述分析,由能量守恒原理和系统能量的输入、输出关系,可以得出在Δt时间段内钢液的热量损失(或输入)为:
系统的能量增量=输入系统的能量-系统损失的能量
Qsteel=Qab+Qmo+Qmf-Qalloy-Qslag-Qln-Qshell-Qsa-Qar 1
由于在炼钢生产过程中,相对钢水重量而言,精炼过程中加入的炉渣量msl和合金量mi要小的多,钢水的重量在加入合金及渣料后无明显变化。上式系统中的能量以对钢水温度产生的变化量为依据,见式3,
则由上式可得钢水实时温度为:
Tst=T0+ΔTab-ΔTg-ΔTlining-ΔTsur-ΔTalloy-ΔTslag 4
式中:
Tst为钢水实时温度,℃;
T0为钢水初始温度,℃;
ΔTab,ΔTg,ΔTlining,ΔTsur,ΔTalloy,ΔTslag分别为电能输入、吹氩热损、包衬散热、渣面散热、合金热效应、渣料热效应引起的钢水温度变化量,℃。
国内学者的研究结果表明,当渣层厚度小于50mm时,渣层厚度对渣层上表面的散热损失影响显著,渣层越薄,表面散热量越大;渣层厚度大于50mm时,渣层厚度对渣层表面的影响不再显著。
考虑到在120吨以上的LF炉在精炼过程中其渣厚一般均大于60mm,135吨的LF炉渣厚一般在80~100mm。例如,发明人利用数值模拟的方法研究了80mm厚的渣层在精炼过程中的散热情况,结果如图17所示。
从模拟结果可以看出,初始阶段由于钢渣温差大,通过钢渣界面的散热量比较大,20min内渣层内温降较快,20min以后温降逐渐减少,曲线趋于平缓,表明此时渣层散热达到稳定状态且此时钢水的温降为0.088℃/min,这时渣就像屏障一样,阻碍钢水大量热量损失,渣表面散热造成的钢水温降很低。因此,本发明中将渣层散热对钢水热量的影响拟合到包衬散热中一并考虑。
根据上述分析,影响钢水温度变化的因素众多,其中电极加热、辐射散热、加渣热效应、包衬散热是主要影响因素,而前人研究表明在钢包周转过程中有80%左右的热量是由于包衬散热损失的。因此,准确获得包衬散热对于预报钢水温度有着重要的意义。本发明正是基于这一原则,建立了一种基于模糊推理确定钢包内衬类型的LF炉钢水温度实时预报的方法。本发明可以具有以下主要步骤:
(1)钢包热状态对钢水温度的影响规律;
(2)其它因素对钢水温度的影响规律;
(3)包衬类别模糊推理模型;
(4)LF精炼过程温度预报模型;
(5)LF温度的自动校正。
根据本发明的一个示例性实施例,可包括以下内容:
(一)建立钢包热状态对钢水温度的影响规律
所谓钢包热状态即盛钢钢包在一炉浇铸结束至本炉出钢开始时的空包钢包内衬的温度级别,从浇铸结束至下一次盛钢开始的时间间隔越长,在LF炉冶炼初期钢包吸收的热量就越多,因此钢水的温降也就越大,反之越小。LF炉精炼过程中钢水的温降有80%左右都是由于包衬散热引起的。由此可知,钢包的热状态对钢水温度影响很大,且钢包的热状态不同,对钢水的温降影响亦不同。本发明是通过机理分析+数值模拟的基础上建立钢包热状态对钢水温度的影响规律。
采用流体仿真软件Fluent对精炼过程的流场以及温度场进行耦合模拟,根据现场的实际生产经验,认为包衬的温度范围为(800~1400℃),因此模型中将包衬温度分为800、1000、1200、1400℃四个温度档次,模型的建立过程如下所述:
(1)利用GAMBIT软件构建目标物理模型及划分网格,如图3所示:
(2)边界条件
(a)熔池表面:在熔池表面,钢水与渣接触,表面切应力忽略不计。
(b)固体壁面:在钢包侧壁和底部的固体壁面,对速度、压力使用无滑移边界条件,将k和ε设为零。
(c)入口:本模型中吹氩为偏心双底吹,底部喷嘴为速度入口边界。钢包内湍流计算采用标准的k-ε模型(k=0.015u2,ε=94×k1.5/Dh确定,其中,u为气体速度,Dh为喷口水力直径)。
(d)钢包内衬按导热固体边界条件进行处理,近壁面采用壁面函数法加以求解,包衬内无热源,温度变化由包衬材料的导热系数确定,包衬材料和钢水的一些参数见表1。
表1钢包包衬及钢水的一些参数
(e)盛钢阶段,钢包壳(包括包壁和包底)和渣层的散热包括辐射和对流两部分。包底、包壁和钢渣都是固体边界,给定钢包外部大气温度T=30℃,盛钢钢包与环境空气之间以对流形式进行热交换,散热量为:
式中:
λ为包壳的导热系数,W/(m·℃);
α为钢壳与大气之间的对流换热系数,W/(m2·℃);
Tsh为钢壳温度,℃。
钢渣上表面主要通过辐射散热,散热通量为:
q=εsσb[(Tsl'+273)4-(Ta'+273)4] 6
式中:
T'sl为钢渣上表面温度,℃;
T'a为钢渣上表面净空部分气体温度,℃。
温度较高的钢包壳、渣层与周围大空间的空气之间存在温度差,使得空气的密度发生变化,产生浮升力,从而导致钢包壳和渣层与空气之间的自然对流传热。本文从大空间自然对流的理论方面分析和计算模型中所用到的对 流换热系数。
自然对流给热的准数关系式
其中,努塞尔准数
普朗特准数
格拉斯霍夫准数
α-对流换热系数 l-特征尺寸m;
g-重力加速度m/s2; β-流体的容积膨胀力1/K;
Δt-特性温度差℃
式中C和n是由实验确定的常数,下标m表示定性温度取边界层平均温度tm=(tw+tf)/2。通过准则关系可知,如果已知Gr和Pr,就可以确定Num,那么对流换热系数就可以求出。
●对于钢包壁面的对流换热,可视为垂直圆筒的散热。其定性温度为包壁外表面温度和空气温度,定性尺寸为钢包高度。本文研究中包壁外表面温度为322℃,空气温度为30℃,钢包高度为3.945m。
由热力学手册查得空气的热物性参数为
●对于钢包底部的对流换热,视为热面朝下的水平壁对流换热。其定性温度为包底外表面温度和空气温度,定性尺寸为钢包底面外径。本文研究中包壁外表面温度为258℃,钢包底面外径为3.254m。计算可得包底的 对流换热系数为
●对于渣层的对流换热,视为热面朝上的水平壁对流换热。其定性温度为渣层上表面温度和空气温度,定性尺寸为渣层上表面外径。本文研究中渣层上表面温度为1200℃,上表面渣层外径为2.65m。定性温度为585℃,此时,空气的热物性参数为:
计算可得渣层上表面的对流换热系数为
(3)钢包温度初始条件
在数值计算中,初始条件和边界条件是计算结果准确性的先决条件。这里的初始条件为精炼开始时钢包侧壁和包底的温度分布,它是计算钢包非稳态传热的基础。本文以武拥军,丁占元提出的方法对钢包温度进行初始化:
钢包包壁,视为圆柱坐标下的一维非稳态导热,初始化公式为:
钢包包底,视为无限大平板一维非稳态导热,初始化公式为:
式中:
Tst,0为钢水初始温度,℃;
Tls,0为钢包外壁温度,℃;
r1,r4分别为钢包内径、外径直径,m;
z1为包底厚度,m。
(a)数值模拟输出
对钢渣面和钢固面的热量Q1,Q2,Q3进行计算分析,进而可得钢水通过 渣层,钢包包壁,包底的散热通量,如图4所示。
(b)数值模拟结果
运用数值模拟软件fluent,以各工序的平均耗时作为模型计算中各工序的运算时间,以不同工位的标准氩量为模型计算中各阶段对应的氩量,对热循环过程中钢包的热行为进行模拟,并根据模拟结果分析盛钢时不同钢包内衬温度对盛钢过程中钢水温度的影响。
由图5可以看出,高温钢水进入钢包后,不同内衬温度的钢包初始阶段包衬散热量都比较大,随着时间的延长,包衬蓄热升温,钢水与包衬间的温差变小,散热量变小,大约需要30min左右,包衬的吸热基本达到平衡。
由图6可以看出:①出钢前钢包不同热状态对盛钢过程钢水温降有显著影响,出钢前钢包温度越高,对钢水造成的温降越小。②钢水温降速率随处理时间而减小,当达到一定时间后包衬散热对钢水温度的影响趋于稳态。A级钢包包衬稳态散热时间约为95~99min,钢水平均温降约为0.52~0.54℃/min;B级钢包包衬稳态散热时间约为86~88min,钢水平均温降约为0.49~0.51℃/min;C级钢包包衬稳态散热时间约为78~82min,钢水平均温降约为0.46~0.48℃/min;D级钢包包衬稳态散热时间约为70~74min,钢水平均温降约为0.40~0.42℃/min。③D级钢包在整个钢包周转过程中散热量最小,对钢水的温降影响也最小,该热状态下包衬散热引起钢水平均温降约为0.58℃/min。而A级与D级相比在LF工位43min内钢水温降相差约35℃,平均钢水温降速率相差0.55℃/min。稳态散热时间是指自钢包盛钢后至由于包衬散热造成钢水温降的温降速度为定值所需要的时间。钢水平均温降是指包衬散热达到稳态后,由于包衬散热对钢水的温降速度。
由以上分析可以看出,钢包在出钢前应进行充分烘烤,以减少出钢以及盛钢过程钢水温降,减少精炼过程投入的电量,降低成本。
根据上述研究结果,利用数据分析软件origin对不同热状态下的钢包盛钢过程中钢水的温降分别进行拟合,相关系数R值最大时,得到钢水温降随 精炼时间的四次方程,见图6,0≤t≤120min,方程形式为:
ΔTlining=a+bt+ct2+dt3+et4 10
式中:
a,b,c,d,e为与钢包包衬的热状态相关的常数。
热状态为A级:
ΔTlining=6.554+2.4864t-3.525×10-2t2+3.1165×10-4t3-1.0555×10-6t4 11
相关系数R=0.99938
热状态为B级:
ΔTlining=4.9464+2.0383t-2.742×10-2t2+2.40895×10-4t3-8.1983×10-7t4 12
相关系数R=0.99953
热状态为C级:
ΔTlining=3.3747+1.5852t-1.943×10-2t2+1.6708×10-4t3-5.6514×10-7t4 13
相关系数R=0.9997
热状态为D级:
ΔTlining=1.7883+1.13t-1.14×10-2t2+9.2983×10-5t3-3.095×10-7t4 14
相关系数R=0.99988
(二)建立其它因素对钢水温度的影响规律
(1)合金及渣料对钢水温度的影响
LF精炼阶段为了调整钢水中目标元素的含量,会加入少量合金,同时为了达到钢水强化脱氧、强化脱硫以及埋弧加热的目的,向钢包中加入一定量的渣料;另外,如果来钢温度过高,则需要加一定量的废钢以达到钢水降温的目的。物料加入之后与钢水发生一系列的物理化学反应,吸收或放出一定的热量,对钢水温度产生一定的影响。这些物料引起的热效应原理上可以通过热力学计算,但实际计算过程繁琐复杂,许多热力学数据缺乏,因此计算过程中作了一定的处理,各种物料引起的钢水温降=物料加入量×物料温降系 数,见式15和式16,其中物料温降系数指的是每加100kg的料引起每吨钢水的温降量。可知加合金和渣料产生的热效应按此法处理,可以看作与钢水温降成线性关系,大大简化了计算工作量。表2列出了某钢厂135tLF精炼过程中常用铁合金和渣料的温降系数。
ΔTslag=mslagΔT'slag 16
式中:
N2为加料数目;
mi,alloy为第i种合金的量,kg;
ΔT'ialloy为第i种合金的温降系数,单位为10-2℃/(kg·t);mslag为加渣量,kg;
ΔT'slag为渣的温降系数,单位为10-2℃/(kg·t)。
表2 135t LF中铁合金和渣料的热效应
(2)吹氩对钢水温度的影响
在LF精炼工位中采用全程吹氩,而吹氩的温降又分为:未吹开渣层温降和吹开渣层温降。
(a)未吹开渣层温降
由图7,吹氩强度比率100%的定义为能够吹开渣层,使钢水成分、温度均匀的供气强度;I阶段吹开渣层1-2min,II阶段化渣及主加热,III阶段均匀化3-5min,IV阶段软吹、关气、等待出站。由此可以看出LF精炼过程中未吹开时间较长,而该阶段的氩气吸热是对钢液造成温降的主要因素。可由传热方程式3计算出对钢水的温降。
QAr=cVAr(Tst-TAr) 17
式中:
c为氩气比热容,J/(kg·℃);
VAr为吹氩量,Nm3/s;
TAr为吹入氩气的初始温度,℃。
(b)吹开渣层温降(辐射散热)
辐射散热量Qrd为:
Qrd=εσ[(Tst+273)4-(Ta+273)4]A 18
式中:
ε为钢水黑度,取0.4;
σ为黑体辐射常数,取5.67×10-8W/(m2·K4);
Ta为环境温度,℃;
A为裸露面积,m2。
钢水裸露的面积,可以根据数值模拟结果对吹开渣层的研究结果进行计算如图8,对不同吹氩量下钢水的裸露面积进行拟合,得到在喷吹时钢水的裸露面积随吹氩量的拟合方程,拟合方程为:
由于现场生产中各包次透气砖情况的复杂性,导致很难直接采用理论计算值进行氩量的控制与吹开面积的计算。目前国内主要钢厂通过渣面的波动情况来控制氩量,对不同处理阶段钢包制定不同的吹氩补偿值,为底吹氩量 提供指导。因此,为了更精确的得到底吹氩下钢水裸露造成的散热,对式19进行修正。
式中:
QAr为精炼过程中实际氩量,NL/min;
QM为本炉次基础氩量,即钢渣界面有明显波动的氩气流量,NL/min。
ΔTg=Qrd/(mst·cst)
式中:
mst为钢水的质量,kg;
cst为钢水的比热容,837J/(kg·℃)。
(3)电极加热对钢水温度的影响
LF炉精炼过程中,不同档位渣的埋弧状态亦不同,现场生产过程中综合考虑渣的精炼效果与埋弧情况,精炼渣的厚度通常不能满足所有档次埋弧良好。因此本发明假设除1、2档次埋弧情况不好,其他档次埋弧良好。由图9可见电弧传热效率随电极档次的降低而升高至3档后,电极传热系数随电极档位的降低而下降。
通过电弧加热进入钢水的热量Qab可以由下式计算:
Qab=Parcηarc=3IUarcηarc 21
Parc=PηE=S·cosφ·ηE=3UφI·cosφ·ηE 22
ΔTab=v·t 24
(三)建立包衬类别模糊推理模型
本发明实现了一种合理的算法如图10所示,可以更加合理准确的确定周转钢包的内衬类型,从而更精确的预报钢水的温度,具体内容为:
a)模型需要的已知量:
小平台出站钢水温度T1,LF进站钢水温度T2,测温之间的时间差tT;
b)由此可以得出钢水由小平台至LF进站的温度损失为:ΔT=T1-T2;
c)可以计算得到LF处理过程单位时间内由包衬散热引起的钢水温降速度VT=ΔT/tT;
由包衬散热数学模拟结果(图6所示),钢水温降速度是判定钢包热状态的重要变量,在相同测温间隔时间内,钢液温降速度越快,表征钢包蓄热能力越强,钢包吸热作用明显。此外,由于钢液温降速率先大后小,并逐渐趋于平稳,且各钢包温降速率温度值不同,因此由于LF测温间隔时间不一致而导致不同热状态钢包温降速率相同。如图6所示,B类钢包在测温间隔18min时钢液温度降低33.8℃左右,温降速率1.88℃/min,而A类钢包在测温间隔30min时测得的温降速率也为1.88℃/min。因此,仅考察温降速率不足以反应钢液降温的正式状态,为此采用温降速率VT和温降速率变化率VT’=VT/T作为模型输入,建立包衬热状态模糊推理模型。本模型中,根据钢包温降速率的不同,A、B、C、D四类包衬基本状态分别以4、3、2、1表述,而模型输出的钢包内衬级别为1~4之间的实数。
根据现场实际,从小平台处理结束到LF入站测温的时间间隔均大于5分钟而小于60分钟。进一步根据数值模拟结果,VT取值范围,即的VT论域为{0.745,3.806},相应的VT’的论域为{0.0124,0.7612},输出Z的论域为{1,4}。对输入和输出变量的论域进行线性归一化,即将VT、VT’、Z的论域进行划分,线性归一化到标准论域上,如式25~27所示:
VT∈{-6,-5,-4,-3,-2,-1,-0,+0,+1,+2,+3,+4,+5,+6} 25
V'T∈{-6,-5,-4,-3,-2,-1,-0,+0,+1,+2,+3,+4,+5,+6} 26
Z∈{-6,-5,-4,-3,-2,-1,-0,+0,+1,+2,+3,+4,+5,+6} 27
设VT的模糊集E为:{NB,NM,NS,NZ,PZ,PS,PM,PB};VT’的模糊集EC为{NB,NM,NS,ZO,PS,PM,PB};Z的模糊集U为:{NB,NM,NS,NZ, PZ,PS,PM,PB}。
本文采用高斯函数形式的隶属函数划分论域内VT和VT’的隶属度,采用式28形式的模糊规则。
if VT=Ei and VT’=ECj then Z=Uij,i=1,2,….8,j=1,2,….7 28
共建立了56条模糊控制规则,如图11所示。
根据输入的VT和VT’确定其对应的模糊子集Ei和ECj;采用Mamdani法进行模糊推理,求得对应的控制量Uij,如式29;采用重心法对模糊子集Uij解模糊,得出论域U内的输出量Zo,如式30。
Uij=(Ei×ECj)·R 29
式中,R为基于Mamdani方法的模糊规则。
式中,un为模糊子集Uij内单点,即论域u的第n个论域元素;u'(un)为un对应的隶属度。
清晰化后的Z0表征钢包包衬状态,当Z0为整数时对应A、B、C、D四类基本钢包状态,降温值可按前文模拟的温降拟合方程直接计算;而当Z0为非整数时,分别计算相邻最近的两类基本钢包的温降值,并采用线性插值计算该类包衬下的温降值,如下式。
式中,Int是取整函数;ΔTi(t)是第i类包衬条件下时间间隔为t时的温降值。
(四)建立LF精炼过程温度预报模型
在对钢包精炼过程的热行为进行仿真模拟和离线测试的基础上,进一步分析LF精炼过程中钢水的流动状况、传热行为、钢水温度变化,系统分析各 主要因素对包内钢水温度的影响规律,并结合生产数据统计结果优化了模型参数,最终建立了LF精炼过程钢水温度在线预报模型,如图12所示。在图12中,A表示数据管理与跟踪模块,B表示包衬散热模块,C表示吹氩热损模块,D表示电极加热升温模块;E表示合金渣料热效应模块,F表示温度预报模块,G表示模型修正模块。
(A)数据管理与跟踪模块
该模块记录来钢信息和冶炼要求,如钢种、炉号、钢水重量、处理目标等;同时记录初始取样测温分析结果、渣层厚度,为其它工艺控制模块提供相应的信息。
(B)包衬散热模块
根据钢包由小平台出站至LF进站的过程温降,利用前文所述的钢包周转过程内衬类型的模糊判别方法,找出本炉次的钢包内衬级别,并调用于该级别内衬散热拟合方程,对精炼过程中包衬散热进行计算。如果由于生产原因导致模型无法获取或者没有准确获取小平台的相应信息,则操作人员根据本炉次的钢包周转情况,给定钢包的内衬级别,则模型会调用输入内衬级别进行包衬散热计算。
(C)吹氩热损模块
根据进站渣面波动情况,输入基础氩量(即钢渣界面有明显波动的氩量),依据各处理阶段的实际吹压强度,通过数学模拟对吹开面积的研究,计算吹氩(主要为钢水裸露辐射散热)对钢水温度的变化,为钢水温度预报模块提供相应的信息。
(D)电极加热升温模块
在保证渣层厚度满足的情况下(渣层厚度可将电弧基本埋住),计算电加热效率值,在此基础上计算电加热过程中所投入的电能对钢水温度的变化,为钢水温度预报模块提供相应的信息。
(E)加料热效应模块
利用热力学及生产数据统计结果计算各处理阶段所投入的合金及渣料量对钢水温度的变化,为钢水温度预报模块提供相应的信息。
(F)温度预报模块
依据钢水的初始温度及(2)(3)(4)(5)模块提供的信息,根据热平衡机理预报钢水温度。
(G)模型修正模块
精炼过程中影响钢水温度的因素众多,将预报值与实测值进行比对分析,进而对模型进行修正。
(五)LF温度的自动校正
由于现场生产节奏的影响,LF进站后首次测温可能只测一次,而作为模型的起始温度,其准确性直接影响到后续温度预报的精度,但是现场测温不准的情况也是客观存在的。因此,对模型进行后续的校正显然非常有必要,在线温度校正流程图见图13,具体校正的标准如下:
A.首次测温Ttest(0)3min以内,有新的测温则模型进行校正。
B.3min以内连续两次过程测温值Tpro(i)(i为测温次数,i>1)相差±5℃以内,认为测温准确,此时模型预报值与最后一次测温差的绝对值大于5℃,对模型温度进行校正Tfor=Tpro(i),T for: 模型当前的温度值。
C.连续两次过程测温超过3min,第一次测温值与对应时刻的模型预报值差为ΔTdif(1),第二次的温差为ΔTdif(2),如果|ΔTdif(1)-ΔTdif(2)|≤±5℃,则将第二次测温值校正为模型当前温度值;否则继续测温,直至|ΔTdif(i)-ΔTdif(i-1)|≤±5℃,将最后一次测温值校正为模型当前温度值。
(六)模型的开发系统
LF炉钢水温度预报控制系统,采用VS2005进行开发,以Orcal数据库进行数据储存,分为客户端和后台系统两部分,后台系统包括数据库、通讯进程、计算模块,以此为依托实现了LF炉钢水温度控制的自动化。
以下,以本发明上述示例性实施例在135t LF炉精炼过程中的使用为例,来说明本发明的方法及其效果。
图14示出了周转过程钢水温降及包衬类型的模糊判别精度示意图。由图14可看出,盛钢钢包在小平台出站后至LF进站前,钢水的实际温降值介于由模型计算的不同包衬状态下的最大值与最小值之间,这说明包衬级别的划分基本合理,边界条件的设置也基本正确。模型与实测的温差最大值-1.79℃,平均温差为-0.025℃,由此可以发现模型可以结合现场的大包周转情况,准确预报包衬散热对钢水温度的影响,为LF温度预报具有更好的精度提供保障,同时也为大包的烘烤制度及包衬寿命提供理论参考。
图15为模型不采用温度校正功能的实测温度与模型预报温度的对比结果,从这50炉次终点温度预报结果可以看出:出站温度预报精度在±5℃以内的温度预报精度为80%;预报精度在±10℃以内的预报精度为92%。
图16示出了采用温度校正功能情况下精炼过程实测温度与预报温度的对比图。对现场20炉次测温数据进行分析,如图16所示。出站温度预报精度在±5℃以内的有18炉次,温度预报精度为90%;预报精度在±10℃以内的有19炉次,预报精度为95%。
尽管上面已经结合附图和示例性实施例描述了本发明,但是本领域普通技术人员应该清楚,在不脱离权利要求的精神和范围的情况下,可以对上述实施例进行各种修改。
Claims (7)
1.一种实时预测钢包精炼炉精炼钢水温度的方法,所述方法通过式(a)对钢包精炼炉精炼过程中的钢水温度进行实时预测,
式(a)为Tst=T0+ΔTab-ΔTg-ΔTlining-ΔTsur-ΔTalloy-ΔTslag,其中,
Tst为钢水实时温度,℃;
T0为钢水初始温度,℃;
ΔTab、ΔTg、ΔTlining、ΔTsur、ΔTalloy、ΔTslag分别为电能输入、吹氩热损、包衬散热、渣面散热、合金热效应、渣料热效应引起的钢水温度变化量,℃,其特征在于,
其中,所述包衬散热引起的钢水温度变化量ΔTlining通过式(b)得到,
式(b)为:ΔTlining=a+bt+ct2+dt3+et4,其中,
0≤t≤120min,a,b,c,d,e为根据钢包包衬的热状态级别来确定的常数,
当钢包包衬的热状态为A级时,式(b)变为:
ΔTlining=6.554+2.4864t-3.525×10-2t2+3.1165×10-4t3-1.0555×10-6t4;
当钢包包衬的热状态为热状态为B级时,式(b)变为:
ΔTlining=4.9464+2.0383t-2.742×10-2t2+2.40895×10-4t3-8.1983×10-7t4
当钢包包衬的热状态为热状态为C级时,式(b)变为:
ΔTlining=3.3747+1.5852t-1.943×10-2t2+1.6708×10-4t3-5.6514×10-7t4
当钢包包衬的热状态为热状态为D级时,式(b)变为:
ΔTlining=1.7883+1.13t-1.14×10-2t2+9.2983×10-5t3-3.095×10-7t4。
2.根据权利要求1所述的实时预测钢包精炼炉精炼钢水温度的方法,其特征在于,
所述钢包包衬的热状态为A级是指钢包内衬初始温度为800℃且达到稳态散热时间为95~99min,达到稳态后钢水平均温降为0.52~0.54℃/min;
所述钢包包衬的热状态为B级是指钢包内衬初始温度为1000℃且达到稳态散热时间为86~88min,达到稳态后钢水平均温降为0.49~0.51℃/min;
所述钢包包衬的热状态为C级是指钢包内衬初始温度为1200℃且达到稳态散热时间为78~82min,达到稳态后钢水平均温降为0.46~0.48℃/min;
所述钢包包衬的热状态为D级是指钢包内衬初始温度为1400℃且达到稳态散热时间为70~74min,达到稳态后钢水平均温降为0.40~0.42℃/min。
3.根据权利要求1所述的实时预测钢包精炼炉精炼钢水温度的方法,其特征在于,所述钢包包衬的热状态级别根据模糊推理模型中的Z0得出。
4.根据权利要求1所述的实时预测钢包精炼炉精炼钢水温度的方法,其特征在于,所述方法还包括对预测得到的钢水温度进行校正的步骤。
5.一种实时预测钢包精炼炉精炼钢水温度的方法,其特征在于,由流场及温度场耦合进行理论探究,充分考虑过程中可能出现的所有包衬情况,建立包衬散热模型,充分考虑其他因素对钢水温度的影响,最终建立温度预报模型,所述温度预报模型包括模糊推理,温度自动校正以及温度预报三大模块,采用理论分析和数值模拟的方式,结合相应的算法最终实现LF炉精炼钢水温度的实时预报。
6.根据权利要求5所述的实时预测钢包精炼炉精炼钢水温度的方法,其特征在于,在包衬散热模型中,将钢包周转过程中包衬散热对钢水的温降速度和温降速率进行归一化处理;采用模糊推理的方法建立精炼过程中钢包内衬类别的自动判别模型。
7.根据权利要求5或6所述的实时预测钢包精炼炉精炼钢水温度的方法,其特征在于,在温度预报模型中,由于现场的一些不稳定性因素的影响,建立温度预报过程中温度自动校正功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210209244.1A CN102867220B (zh) | 2012-06-25 | 2012-06-25 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210209244.1A CN102867220B (zh) | 2012-06-25 | 2012-06-25 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102867220A true CN102867220A (zh) | 2013-01-09 |
CN102867220B CN102867220B (zh) | 2016-09-21 |
Family
ID=47446083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210209244.1A Expired - Fee Related CN102867220B (zh) | 2012-06-25 | 2012-06-25 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102867220B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103045798A (zh) * | 2013-01-16 | 2013-04-17 | 山西太钢不锈钢股份有限公司 | 一种钢包精炼炉精炼过程实时温度预测方法 |
CN103205537A (zh) * | 2013-03-21 | 2013-07-17 | 河北钢铁股份有限公司邯郸分公司 | 一种在lf精炼炉生产过程中连续检测钢水温度的方法 |
CN103276147A (zh) * | 2013-06-06 | 2013-09-04 | 鞍钢股份有限公司 | 一种lf精炼过程钢水温度的预报方法 |
CN103382514A (zh) * | 2013-07-19 | 2013-11-06 | 东北大学 | 一种在线预测rh精炼过程中钢水成分的系统及方法 |
CN103382515A (zh) * | 2013-07-19 | 2013-11-06 | 东北大学 | 一种在线实时监测rh精炼过程钢水温度的系统及方法 |
CN103388054A (zh) * | 2013-07-19 | 2013-11-13 | 东北大学 | 一种在线控制lf精炼过程钢水温度的系统及方法 |
CN103397140A (zh) * | 2013-07-19 | 2013-11-20 | 东北大学 | 一种在线预测lf精炼脱硫时所需精炼渣量的系统及方法 |
CN103642972A (zh) * | 2013-12-16 | 2014-03-19 | 新余钢铁集团有限公司 | 转炉出钢温度智能优化控制系统 |
CN106197762A (zh) * | 2016-06-20 | 2016-12-07 | 东北大学 | 一种确定连铸钢包辐射热流的方法 |
CN106363149A (zh) * | 2015-07-24 | 2017-02-01 | 上海梅山钢铁股份有限公司 | 炼钢连铸钢水过程温度动态控制系统及控制方法 |
CN107557535A (zh) * | 2017-07-31 | 2018-01-09 | 唐山钢铁集团有限责任公司 | 一种提高精炼工精准控制钢水温度的方法 |
CN109425439A (zh) * | 2017-08-25 | 2019-03-05 | 宝山钢铁股份有限公司 | 一种钢铸界面钢液温降在线预测系统及其预测方法 |
CN110245372A (zh) * | 2018-03-09 | 2019-09-17 | 塔塔咨询服务有限公司 | 用于确定钢水包中的空气截留的系统和方法 |
CN110598958A (zh) * | 2019-10-10 | 2019-12-20 | 武汉科技大学 | 一种钢包分级管理分析方法及系统 |
CN111304406A (zh) * | 2019-12-06 | 2020-06-19 | 衡阳镭目科技有限责任公司 | 一种钢包底吹氩控制方法及装置 |
CN111737927A (zh) * | 2020-06-24 | 2020-10-02 | 中国恩菲工程技术有限公司 | 用于钢包精炼过程的熔体成分分析方法与装置 |
CN112475248A (zh) * | 2020-12-01 | 2021-03-12 | 内蒙古科技大学 | 连铸多流中间包钢水出口温度预测方法、装置和终端设备 |
CN113192568A (zh) * | 2021-03-15 | 2021-07-30 | 山东钢铁股份有限公司 | 一种精炼炉脱硫终点预报方法和系统 |
CN113449766A (zh) * | 2021-04-15 | 2021-09-28 | 厦门合立道工程设计集团股份有限公司 | 一种短时空调负荷预测方法和装置以及设备 |
CN114593664A (zh) * | 2022-02-23 | 2022-06-07 | 本钢板材股份有限公司 | 一种基于石墨电极的精炼lf炉净空测量方法 |
CN114672610A (zh) * | 2022-04-11 | 2022-06-28 | 广东韶钢松山股份有限公司 | Hrb400e钢洗包的处理方法 |
CN115323110A (zh) * | 2022-08-30 | 2022-11-11 | 洛阳豫新工程技术股份有限公司 | 一种非接触式测量钢包炉内钢水温度的方法及测量系统 |
CN115659709A (zh) * | 2022-12-28 | 2023-01-31 | 湖南华联云创信息科技有限公司 | 一种lf精炼炉精炼过程钢水温度预测的方法及系统 |
CN117572914A (zh) * | 2023-11-17 | 2024-02-20 | 北京科技大学 | 基于可解释性机器学习的lf精炼钢水温度控制方法及装置 |
CN117742409A (zh) * | 2023-12-21 | 2024-03-22 | 九江物瑞网络科技有限公司 | 基于工业互联网的数据处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1603026A (zh) * | 2003-09-29 | 2005-04-06 | 宝山钢铁股份有限公司 | 一种rh精炼炉钢液温度实时预测方法 |
JP2007186734A (ja) * | 2006-01-11 | 2007-07-26 | Kobe Steel Ltd | 溶鋼温度予測方法及び溶鋼温度予測装置 |
CN101592964A (zh) * | 2009-06-26 | 2009-12-02 | 北京首钢自动化信息技术有限公司 | 一种双工位lf炉钢水温度预报控制系统 |
CN102163261A (zh) * | 2011-04-08 | 2011-08-24 | 汪红兵 | 一种基于案例推理的钢水温度预测方法 |
CN102277468A (zh) * | 2010-06-12 | 2011-12-14 | 上海梅山钢铁股份有限公司 | Lf精炼炉钢水温度实时测报方法 |
-
2012
- 2012-06-25 CN CN201210209244.1A patent/CN102867220B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1603026A (zh) * | 2003-09-29 | 2005-04-06 | 宝山钢铁股份有限公司 | 一种rh精炼炉钢液温度实时预测方法 |
JP2007186734A (ja) * | 2006-01-11 | 2007-07-26 | Kobe Steel Ltd | 溶鋼温度予測方法及び溶鋼温度予測装置 |
CN101592964A (zh) * | 2009-06-26 | 2009-12-02 | 北京首钢自动化信息技术有限公司 | 一种双工位lf炉钢水温度预报控制系统 |
CN102277468A (zh) * | 2010-06-12 | 2011-12-14 | 上海梅山钢铁股份有限公司 | Lf精炼炉钢水温度实时测报方法 |
CN102163261A (zh) * | 2011-04-08 | 2011-08-24 | 汪红兵 | 一种基于案例推理的钢水温度预测方法 |
Non-Patent Citations (1)
Title |
---|
陈跃峰: "LF炉精炼过程钢水温度预测模型", 《中国优秀硕士学位论文全文数据库(工程科技I辑)》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103045798A (zh) * | 2013-01-16 | 2013-04-17 | 山西太钢不锈钢股份有限公司 | 一种钢包精炼炉精炼过程实时温度预测方法 |
CN103205537A (zh) * | 2013-03-21 | 2013-07-17 | 河北钢铁股份有限公司邯郸分公司 | 一种在lf精炼炉生产过程中连续检测钢水温度的方法 |
CN103276147A (zh) * | 2013-06-06 | 2013-09-04 | 鞍钢股份有限公司 | 一种lf精炼过程钢水温度的预报方法 |
CN103397140B (zh) * | 2013-07-19 | 2015-08-19 | 东北大学 | 一种在线预测lf精炼脱硫时所需精炼渣量的系统及方法 |
CN103382514A (zh) * | 2013-07-19 | 2013-11-06 | 东北大学 | 一种在线预测rh精炼过程中钢水成分的系统及方法 |
CN103382515A (zh) * | 2013-07-19 | 2013-11-06 | 东北大学 | 一种在线实时监测rh精炼过程钢水温度的系统及方法 |
CN103388054A (zh) * | 2013-07-19 | 2013-11-13 | 东北大学 | 一种在线控制lf精炼过程钢水温度的系统及方法 |
CN103397140A (zh) * | 2013-07-19 | 2013-11-20 | 东北大学 | 一种在线预测lf精炼脱硫时所需精炼渣量的系统及方法 |
CN103382514B (zh) * | 2013-07-19 | 2015-11-04 | 东北大学 | 一种在线预测rh精炼过程中钢水成分的系统及方法 |
CN103382515B (zh) * | 2013-07-19 | 2015-06-17 | 东北大学 | 一种在线实时监测rh精炼过程钢水温度的系统及方法 |
CN103642972B (zh) * | 2013-12-16 | 2015-06-10 | 新余钢铁集团有限公司 | 转炉出钢温度智能优化控制系统 |
CN103642972A (zh) * | 2013-12-16 | 2014-03-19 | 新余钢铁集团有限公司 | 转炉出钢温度智能优化控制系统 |
CN106363149A (zh) * | 2015-07-24 | 2017-02-01 | 上海梅山钢铁股份有限公司 | 炼钢连铸钢水过程温度动态控制系统及控制方法 |
CN106363149B (zh) * | 2015-07-24 | 2019-01-08 | 上海梅山钢铁股份有限公司 | 炼钢连铸钢水过程温度动态控制系统及控制方法 |
CN106197762A (zh) * | 2016-06-20 | 2016-12-07 | 东北大学 | 一种确定连铸钢包辐射热流的方法 |
CN106197762B (zh) * | 2016-06-20 | 2018-10-23 | 东北大学 | 一种确定连铸钢包辐射热流的方法 |
CN107557535A (zh) * | 2017-07-31 | 2018-01-09 | 唐山钢铁集团有限责任公司 | 一种提高精炼工精准控制钢水温度的方法 |
CN109425439B (zh) * | 2017-08-25 | 2020-11-17 | 宝山钢铁股份有限公司 | 一种钢铸界面钢液温降在线预测系统及其预测方法 |
CN109425439A (zh) * | 2017-08-25 | 2019-03-05 | 宝山钢铁股份有限公司 | 一种钢铸界面钢液温降在线预测系统及其预测方法 |
CN110245372A (zh) * | 2018-03-09 | 2019-09-17 | 塔塔咨询服务有限公司 | 用于确定钢水包中的空气截留的系统和方法 |
CN110245372B (zh) * | 2018-03-09 | 2022-10-21 | 塔塔咨询服务有限公司 | 用于确定钢水包中的空气截留的系统和方法 |
CN110598958A (zh) * | 2019-10-10 | 2019-12-20 | 武汉科技大学 | 一种钢包分级管理分析方法及系统 |
CN111304406B (zh) * | 2019-12-06 | 2021-10-22 | 衡阳镭目科技有限责任公司 | 一种钢包底吹氩控制方法及装置 |
CN111304406A (zh) * | 2019-12-06 | 2020-06-19 | 衡阳镭目科技有限责任公司 | 一种钢包底吹氩控制方法及装置 |
CN111737927A (zh) * | 2020-06-24 | 2020-10-02 | 中国恩菲工程技术有限公司 | 用于钢包精炼过程的熔体成分分析方法与装置 |
CN112475248A (zh) * | 2020-12-01 | 2021-03-12 | 内蒙古科技大学 | 连铸多流中间包钢水出口温度预测方法、装置和终端设备 |
CN112475248B (zh) * | 2020-12-01 | 2022-01-25 | 内蒙古科技大学 | 连铸多流中间包钢水出口温度预测方法、装置和终端设备 |
CN113192568A (zh) * | 2021-03-15 | 2021-07-30 | 山东钢铁股份有限公司 | 一种精炼炉脱硫终点预报方法和系统 |
CN113449766A (zh) * | 2021-04-15 | 2021-09-28 | 厦门合立道工程设计集团股份有限公司 | 一种短时空调负荷预测方法和装置以及设备 |
CN114593664A (zh) * | 2022-02-23 | 2022-06-07 | 本钢板材股份有限公司 | 一种基于石墨电极的精炼lf炉净空测量方法 |
CN114593664B (zh) * | 2022-02-23 | 2023-05-26 | 本钢板材股份有限公司 | 一种基于石墨电极的精炼lf炉净空测量方法 |
CN114672610A (zh) * | 2022-04-11 | 2022-06-28 | 广东韶钢松山股份有限公司 | Hrb400e钢洗包的处理方法 |
CN115323110A (zh) * | 2022-08-30 | 2022-11-11 | 洛阳豫新工程技术股份有限公司 | 一种非接触式测量钢包炉内钢水温度的方法及测量系统 |
CN115659709A (zh) * | 2022-12-28 | 2023-01-31 | 湖南华联云创信息科技有限公司 | 一种lf精炼炉精炼过程钢水温度预测的方法及系统 |
CN117572914A (zh) * | 2023-11-17 | 2024-02-20 | 北京科技大学 | 基于可解释性机器学习的lf精炼钢水温度控制方法及装置 |
CN117572914B (zh) * | 2023-11-17 | 2024-04-16 | 北京科技大学 | 基于可解释性机器学习的lf精炼钢水温度控制方法及装置 |
CN117742409A (zh) * | 2023-12-21 | 2024-03-22 | 九江物瑞网络科技有限公司 | 基于工业互联网的数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102867220B (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102867220A (zh) | 一种实时预测钢包精炼炉精炼钢水温度的方法 | |
CN103388054A (zh) | 一种在线控制lf精炼过程钢水温度的系统及方法 | |
CN101592964B (zh) | 一种双工位lf炉钢水温度预报控制方法 | |
CN103645694B (zh) | Ps铜转炉吹炼过程智能决策与终点预报方法及装置 | |
CN103397140B (zh) | 一种在线预测lf精炼脱硫时所需精炼渣量的系统及方法 | |
Rout et al. | Dynamic model of basic oxygen steelmaking process based on multi-zone reaction kinetics: Model derivation and validation | |
Wang et al. | Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction | |
Rosa et al. | Cellular/dendritic transition and microstructure evolution during transient directional solidification of Pb-Sb alloys | |
CN102776303B (zh) | 一种估计高炉内表面温度的方法 | |
CN103382515B (zh) | 一种在线实时监测rh精炼过程钢水温度的系统及方法 | |
CN103019103B (zh) | 定向凝固过程模糊控制变加热温度的仿真优化方法 | |
CN101881981A (zh) | 一种rh钢水温度、成分闭环控制系统 | |
Yuan et al. | Development of an improved CBR model for predicting steel temperature in ladle furnace refining | |
CN107038307A (zh) | 机理与数据相结合的辊道窑温度预测集成建模方法 | |
CN102277468B (zh) | Lf精炼炉钢水温度实时测报方法 | |
CN115270654B (zh) | 一种转炉炼钢出钢过程的数值模拟方法 | |
CN103276147A (zh) | 一种lf精炼过程钢水温度的预报方法 | |
CN105803153A (zh) | 转炉炉衬耐火材料安全性的实时在线监测系统与方法 | |
Fredman | Heat transfer in steelmaking ladle refractories and steel temperature | |
Singh et al. | Mathematical model and plant investigation to characterize effect of casting speed on thermal and solidification behavior of an industrial slab caster | |
Song et al. | Numerical and experimental study on the properties of laser cladding of 6061Al alloy | |
CN101638717A (zh) | 热轧加热炉主从控制比例系数的确定方法 | |
Wendelstorf | Analysis of the EAF operation by process modeling | |
Yang et al. | Modeling of Temperature Drop Prediction of Hot Metal Based on Heat-Transfer Mechanism and Machine Learning | |
Gao et al. | Constitutive modeling and activation energy maps for a continuously cast hyperperitectic steel |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160921 Termination date: 20170625 |