CN110610255B - 基于智能算法的炼铁过程配料优化方法 - Google Patents
基于智能算法的炼铁过程配料优化方法 Download PDFInfo
- Publication number
- CN110610255B CN110610255B CN201910698018.6A CN201910698018A CN110610255B CN 110610255 B CN110610255 B CN 110610255B CN 201910698018 A CN201910698018 A CN 201910698018A CN 110610255 B CN110610255 B CN 110610255B
- Authority
- CN
- China
- Prior art keywords
- sintering
- ore
- optimization
- iron
- intelligent
- 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.)
- Active
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 108
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 title claims abstract description 12
- 238000005245 sintering Methods 0.000 claims abstract description 57
- 239000004615 ingredient Substances 0.000 claims abstract description 26
- 238000002156 mixing Methods 0.000 claims abstract description 23
- 239000000446 fuel Substances 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 239000000126 substance Substances 0.000 claims abstract description 19
- 238000002474 experimental method Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000000843 powder Substances 0.000 claims description 15
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 12
- 239000011707 mineral Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 239000002893 slag Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 229910001608 iron mineral Inorganic materials 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000008188 pellet Substances 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 229910052710 silicon Inorganic materials 0.000 claims description 3
- 239000010703 silicon Substances 0.000 claims description 3
- 230000001089 mineralizing effect Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 9
- 239000000203 mixture Substances 0.000 abstract description 7
- 238000009628 steelmaking Methods 0.000 abstract description 4
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 230000033558 biomineral tissue development Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明公开了基于智能算法的炼铁过程配料优化方法，步骤（1）烧结矿配矿实验与分析；步骤（2）编制炼铁原燃料数据库；步骤（3）智能算法的选择：选择改进的遗传算法；步骤（4）烧结配料智能优化；步骤（5）高炉炉料结构优化；步骤（6）铁水成分预测。该方法解决如何智能优化配矿问题，从而最大限度降低铁水成本、满足炼铁和炼钢的化学成分要求、保证生产顺行、减少有害元素危害，为企业生产顺行提供可行可靠的科学理论支撑，提高企业经济效益和社会效益。
Description
技术领域
本发明涉及炼铁配料，确切地说是一种基于智能算法的炼铁过程配料优化方法。
背景技术
烧结配矿方案和高炉配料方案在钢铁企业生产经营中非常重要。配料不合理轻则造成经济损失，重则造成生产事故和人员伤亡。
影响配矿结果的因素众多，计算量庞大，人工配矿偏差大，不能实现最优解。
替代人工配矿的现有的智能优化方法受众多约束条件影响，不易实现，主要体现在：
1)当前，炼铁炉料结构优化多局限于烧结、高炉某单一过程的优化，缺少站在配矿、烧结、高炉、炼钢全过程的整体性系统性的角度来考虑；
2)钢铁冶金行业中随着富矿资源逐渐减少，钢铁企业存在着烧结和高炉必须配加贫矿的需求，配加贫矿量也会越来越多。贫矿种类繁多，冶金性能参差不齐，有害元素含量不一。贫矿配加不当不仅会影响烧结性能、高炉顺行，还会造成整个钢铁流程有害元素失控，严重影响铁水质量、钢材质量和生产成本；
3)计算机技术的飞速发展和智能算法的逐步更迭为工业数值计算提供了崭新思路和途径，目前配矿优化过程中常用的线性规划法约束条件受限，计算容易陷入局部最小，精确度差，BP神经网络预测准确率低。
如何在保证高炉生产顺行、铁水质量和炼钢成分要求的前提下配加贫矿，最大限度降低铁水成本，减少有害元素危害，并通过计算机智能配矿实现，是目前各钢铁企业配矿工作者和研究人员面临的极大热点和难点。
本研究主要应用炼铁原理、科学实验、专家知识与数学优化算法相结合的方法，建立炼铁炉料结构智能优化系统，经过科学计算最终得到最佳的炼铁系统炉料结构优化方案。
发明内容
本发明要解决的技术问题是提供一种基于智能算法的炼铁过程配料优化方法，该方法解决如何智能优化配矿问题，从而最大限度降低铁水成本、满足炼铁和炼钢的化学成分要求、保证生产顺行、减少有害元素危害，为企业生产顺行提供可行可靠的科学理论支撑，提高企业经济效益和社会效益。
为解决上述技术问题，本发明采用如下技术手段：
一种基于智能算法的炼铁过程配料优化方法，包括以下步骤：
步骤(1)烧结矿配矿实验与分析：当生产中引入一种新型矿粉时，为确保生产稳定顺行，先在实验室按不同比例加入该矿粉，进行一系列烧结杯和冶金性能测试实验，初步形成较合理的烧结配矿方案，确定该矿粉的适合配加比例；
步骤(2)编制炼铁原燃料数据库：对生产涉及到的多种新矿粉做实验，总结概括不同铁矿粉的化学成分、烧结基础特性和根据烧结杯实验得到的烧结配比适合范围，以此为基础建立铁矿粉数据库；对高炉所需烧结矿、球团矿、块矿和燃料的化学成分和冶金性能进行测试并编入数据库；
步骤(3)智能算法的选择：比较线性规划法和遗传算法；选择遗传算法，并对遗传算法惩罚函数加权方式进行改进；
步骤(4)烧结配料智能优化：开展烧结配料优化计算，即将烧结矿原燃料的配料计算问题转换为求解最优解数学模型问题，以烧结配料成本为目标函数，以烧结矿化学成分、原燃料加入量和加入比例以及有害元素控制负荷为约束条件，应用改进的遗传算法进行智能优化，计算出相应约束条件下满足烧结矿产量和质量两方面要求的烧结矿成本最低的烧结配料方案，得出烧结配料智能优化结果；
步骤(5)高炉炉料结构优化：应用高炉炼铁原理，采用改进的遗传算法优化方法，以吨铁成本为目标函数，构建铁水成分、有害元素负荷、炉渣成分、原燃料加入量的约束条件和惩罚函数，计算相应配料方案，以在保证铁水产量和质量的前提下最大限度的降低铁水成本，合理使用贫矿，同时保证各种有害元素限制在合理范围之内，为提高企业的竞争力提供可靠保证；
步骤(6)铁水成分预测：运用灰色关联分析与超限学习机算法模型，对高炉铁水硅含量进行预测。在高炉炉料结构优化模型中，超限学习机预测模型与高炉配料计算模型配合使用，可对配料计算模型进行验证，提高整体模型的控制精度。
采用上述技术方案的本发明，与现有技术相比，其突出的特点是：
烧结矿配矿实验与分析、编制炼铁原燃料数据库、智能算法的选择、烧结配料智能优化、高炉炉料结构优化、铁水成分预测、智能配矿操作系统的基于智能算法的炼铁过程配料优化研究的方法，为钢铁企业选择出最优化的烧结和高炉配矿结构，不仅最大限度降低铁水成本、同时满足烧结矿、铁水化学成分要求、提高铁水质量、减少有害元素危害、保证生产顺行，提高企业经济效益和社会效益。
具体实施方式
下面结合实施例，进一步说明本发明。
一种基于智能算法的炼铁过程配料优化方法，包括以下步骤：
步骤(1)烧结矿配矿实验与分析：当生产中引入一种新型矿粉时，为确保生产稳定顺行，先在实验室按不同比例加入该矿粉，进行一系列烧结杯和冶金性能测试实验，初步形成较合理的烧结配矿方案，确定该矿粉的适合配加比例；
步骤(2)编制炼铁原燃料数据库：对生产涉及到的多种新矿粉做实验，总结概括不同铁矿粉的化学成分、烧结基础特性和根据烧结杯实验得到的烧结配比适合范围，以此为基础建立铁矿粉数据库；对高炉所需烧结矿、球团矿、块矿和燃料的化学成分和冶金性能进行测试并编入数据库；
步骤(3)智能算法的选择：选择遗传算法，并对其进行改进；
步骤(4)烧结配料智能优化：开展烧结配料优化计算，即将烧结矿原燃料的配料计算问题转换为求解最优解数学模型问题，以烧结配料成本为目标函数，以烧结矿化学成分、原燃料加入量和加入比例以及有害元素控制负荷为约束条件，分别应用线性规划法和改进的遗传算法进行智能优化，计算出相应约束条件下满足烧结矿产量和质量两方面要求的烧结矿成本最低的烧结配料方案，对比得出烧结配料智能优化结果；
步骤(5)高炉炉料结构优化：应用高炉炼铁原理，采用改进的遗传算法优化方法，以吨铁成本为目标函数，构建铁水成分、有害元素负荷、炉渣成分、原燃料加入量的约束条件和惩罚函数，计算相应配料方案，以在保证铁水产量和质量的前提下最大限度的降低铁水成本，合理使用贫矿，同时保证各种有害元素限制在合理范围之内，为提高企业的竞争力提供可靠保证；
步骤(6)铁水成分预测：运用灰色关联分析与超限学习机算法模型，对高炉铁水硅含量进行预测。在高炉炉料结构优化模型中，超限学习机预测模型与高炉配料计算模型配合使用，可对配料计算模型进行验证，提高整体模型的控制精度。
本实施例通过通过烧结矿配矿实验与分析、编制炼铁原燃料数据库、智能算法的选择、烧结配料智能优化、高炉炉料结构优化、铁水成分预测、智能配矿操作系统的基于智能算法的炼铁过程配料优化研究的方法，为钢铁企业选择出最优化的烧结和高炉配矿结构，不仅最大限度降低铁水成本、同时满足烧结矿、铁水化学成分要求、提高铁水质量、减少有害元素危害、保证生产顺行，提高企业经济效益和社会效益。
智能算法的炼铁过程配料优化方法，所述的配料优化方法应用MATLAB平台及其语言为基础编制系统软件，形成智能优化系统。
通过将配料优化方法利用计算机程序转化为智能优化系统，使本方法应用更快捷方便，便于工业化、自动化应用。
实施例1
表1显示了烧结配料优化后配料数据与原厂采用配料数据的比较。表2显示了烧结厂成分对比。
表1烧结结果对比
表2烧结矿成分对比
表3为应用优化后的烧结矿开展的高炉配料优化，计算得到的高炉原燃料结构及成本对比；表4为铁水成分对比；表5是炉渣成分对比；表6是原燃料负荷对比。
表3高炉原燃料结构及成本对比
表4铁水成分对比
表5炉渣成分对比
表6负荷对比
计算可知，经过本系统优化，烧结矿成本由原厂640.73元/吨降低到637.92元/吨，每吨烧结矿成本降低了2.81元；品位由55.96提高到56.05，提高了0.09；单品位成本11.45元降低到11.38元，降低了0.07元；烧结矿成分和碱度和原厂条件相比基本一致，完全符合要求。
应用优化后的烧结矿开展高炉炉料结构优化，吨铁成本由原来的2283元，降低到2271元，降低了12元/吨，入炉品位由57.3提高到57.5，提高了0.2。铁水成分、铁水中有害元素含量、炉渣成分、有害元素入炉符合完全满足要求，经济效益和社会效益显著。
本实施例以炼铁原理、实验测试分析、专家知识及智能算法为依托，紧密联系生产实践，最大程度降低铁水成本，提高铁水质量和产量。
本领域技术人员不脱离本发明的实质和精神，可以有多种变形方案实现本发明，以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效结构变化，均包含于本发明的权利范围之内。
Claims (1)
1.一种基于智能算法的炼铁过程配料优化方法，其特征在于，所述的配料优化方法应用MATLAB平台 及其 语言为基础编制系统软件，形成智能优化系统；
包括以下步骤：
步骤（1）烧结矿配矿实验与分析：当生产中引入一种新型矿粉时，为确保生产稳定顺行，先在实验室按不同比例加入该矿粉，进行一系列烧结杯和冶金性能测试实验，初步形成较合理的烧结配矿方案，确定该矿粉的适合配加比例；
步骤（2）编制炼铁原燃料数据库：对生产涉及到的多种新矿粉做实验，总结概括不同铁矿粉的化学成分、烧结基础特性和根据烧结杯实验得到的烧结配比适合范围，以此为基础建立铁矿粉数据库；对高炉所需烧结矿、球团矿、块矿和燃料的化学成分和冶金性能进行测试并编入数据库；
步骤（3）智能算法的选择：比较线性规划法和遗传算法，选择遗传算法并对遗传算法惩罚函数加权方式进行改进；
步骤（4）烧结配料智能优化：开展烧结配料优化计算，即将烧结矿原燃料的配料计算问题转换为求解最优解数学模型问题，以烧结配料成本为目标函数，以烧结矿化学成分、原燃料加入量和加入比例以及有害元素控制负荷为约束条件，应用改进的遗传算法进行智能优化，计算出相应约束条件下满足烧结矿产量和质量两方面要求的烧结矿成本最低的烧结配料方案，对比得出烧结配料智能优化结果；
步骤（5）应用高炉炼铁原理，采用改进的遗传算法优化方法，以吨铁成本为目标函数，构建铁水成分、有害元素负荷、炉渣成分、原燃料加入量的约束条件和惩罚函数，计算相应配料方案，以在保证铁水产量和质量的前提下最大限度的降低铁水成本，合理使用贫矿，同时保证各种有害元素限制在合理范围之内，为提高企业的竞争力提供可靠保证；
步骤（6）铁水成分预测：运用灰色关联分析与超限学习机算法模型，对高炉铁水硅含量进行预测；在高炉炉料结构优化模型中，超限学习机预测模型与高炉配料计算模型配合使用，可对配料计算模型进行验证，提高整体模型的控制精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910698018.6A CN110610255B (zh) | 2019-07-31 | 2019-07-31 | 基于智能算法的炼铁过程配料优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910698018.6A CN110610255B (zh) | 2019-07-31 | 2019-07-31 | 基于智能算法的炼铁过程配料优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110610255A CN110610255A (zh) | 2019-12-24 |
| CN110610255B true CN110610255B (zh) | 2023-08-18 |
Family
ID=68890265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910698018.6A Active CN110610255B (zh) | 2019-07-31 | 2019-07-31 | 基于智能算法的炼铁过程配料优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110610255B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111286569B (zh) * | 2020-03-18 | 2021-08-03 | 马鞍山钢铁股份有限公司 | 一种基于高炉炉渣成分指导制备低铝高铁烧结矿的方法 |
| CN112430695A (zh) * | 2020-11-23 | 2021-03-02 | 福建三宝钢铁有限公司 | 提高块矿比例的高炉炼铁方法 |
| CN113160899A (zh) * | 2020-12-31 | 2021-07-23 | 无锡东研信科科技研发有限公司 | 一种基于nsga-ii算法的烧结配料多目标优化方法 |
| CN112699613B (zh) * | 2021-01-08 | 2022-08-09 | 中冶赛迪工程技术股份有限公司 | 炼铁多目标一体化配料优化方法、系统、设备及介质 |
| CN113136487B (zh) * | 2021-04-07 | 2021-12-31 | 内蒙古金辉稀矿股份有限公司 | 一种基于球团矿生产的膨润土添加剂制备工艺 |
| CN113722914B (zh) * | 2021-08-31 | 2024-04-16 | 云南昆钢电子信息科技有限公司 | 一种烧结铁矿石矿优化系统和方法 |
| CN113817884A (zh) * | 2021-09-17 | 2021-12-21 | 广东韶钢松山股份有限公司 | 一种铁前有害元素的控制方法 |
| CN115935720B (zh) * | 2023-03-03 | 2023-06-02 | 凌霄(天津)工业互联网有限公司 | 一种基于大数据处理的配矿方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006009156A (ja) * | 2005-08-08 | 2006-01-12 | Jfe Steel Kk | 焼結鉱および高炉操業方法 |
| JP2007052739A (ja) * | 2005-08-19 | 2007-03-01 | Sumitomo Metal Ind Ltd | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム |
| CN102722652A (zh) * | 2012-06-01 | 2012-10-10 | 攀钢集团攀枝花钢钒有限公司 | 一种高炉冶炼成本计算及优化方法 |
| JP2012219298A (ja) * | 2011-04-06 | 2012-11-12 | Jfe Steel Corp | 製鋼スラグからの鉄及び燐の回収方法 |
| CN103276125A (zh) * | 2013-06-20 | 2013-09-04 | 经文波 | 炼铁炉料总成本综合优化 |
| CN104593532A (zh) * | 2015-01-19 | 2015-05-06 | 河北联合大学 | 一种炼铁系统炉料优化方法 |
| CN104899463A (zh) * | 2015-06-18 | 2015-09-09 | 中南大学 | 高炉铁水硅含量四分类趋势预报模型的建立方法及应用 |
| CN108121689A (zh) * | 2018-01-10 | 2018-06-05 | 上海慧安科技股份有限公司 | 一种铁矿粉炼铁成本测算方法 |
| CN108154295A (zh) * | 2017-12-22 | 2018-06-12 | 柳州钢铁股份有限公司 | 一种基于烧结-球团-炼铁联动的优化配矿方法 |
-
2019
- 2019-07-31 CN CN201910698018.6A patent/CN110610255B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006009156A (ja) * | 2005-08-08 | 2006-01-12 | Jfe Steel Kk | 焼結鉱および高炉操業方法 |
| JP2007052739A (ja) * | 2005-08-19 | 2007-03-01 | Sumitomo Metal Ind Ltd | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム |
| JP2012219298A (ja) * | 2011-04-06 | 2012-11-12 | Jfe Steel Corp | 製鋼スラグからの鉄及び燐の回収方法 |
| CN102722652A (zh) * | 2012-06-01 | 2012-10-10 | 攀钢集团攀枝花钢钒有限公司 | 一种高炉冶炼成本计算及优化方法 |
| CN103276125A (zh) * | 2013-06-20 | 2013-09-04 | 经文波 | 炼铁炉料总成本综合优化 |
| CN104593532A (zh) * | 2015-01-19 | 2015-05-06 | 河北联合大学 | 一种炼铁系统炉料优化方法 |
| CN104899463A (zh) * | 2015-06-18 | 2015-09-09 | 中南大学 | 高炉铁水硅含量四分类趋势预报模型的建立方法及应用 |
| CN108154295A (zh) * | 2017-12-22 | 2018-06-12 | 柳州钢铁股份有限公司 | 一种基于烧结-球团-炼铁联动的优化配矿方法 |
| CN108121689A (zh) * | 2018-01-10 | 2018-06-05 | 上海慧安科技股份有限公司 | 一种铁矿粉炼铁成本测算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110610255A (zh) | 2019-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610255B (zh) | 基于智能算法的炼铁过程配料优化方法 | |
| CN109583118B (zh) | 一种烧结配比计算及烧结矿成本优化方法 | |
| CN102722652B (zh) | 一种高炉冶炼成本计算及优化方法 | |
| CN104593532B (zh) | 一种炼铁系统炉料优化方法 | |
| CN102925672B (zh) | 利用单烧铁水成本评价铁矿石经济价值的方法 | |
| CN103468843B (zh) | 用低品位高有害元素贫杂矿生产合格生铁的方法 | |
| WO2008031177A1 (en) | Process using artificial neural network for predictive control in sinter machine | |
| CN104975118A (zh) | 铁前原料配比优化方法 | |
| Lin et al. | Consideration of green intelligent steel processes and narrow window stability control technology on steel quality | |
| CN104726635A (zh) | 一种电炉冶炼优化配料计算方法 | |
| CN107385201A (zh) | 一种含铁固废物智能处置系统及其控制方法 | |
| CN109112240A (zh) | 一种高炉合理富氧率的确定方法 | |
| CN107967625B (zh) | 一种铁矿粉性价比评价方法 | |
| CN110619931B (zh) | 一种基于多时间尺度优化的烧结过程碳效优化方法 | |
| CN107502698A (zh) | 一种适用于少渣冶炼的自动化炼钢方法 | |
| CN106755711A (zh) | 一键式智能炼钢方法 | |
| CN113836746B (zh) | 一种稳定高炉内加料优化用流程仿真方法 | |
| CN114292974B (zh) | 一种捣固焦冶炼条件下降低高炉燃料比的方法 | |
| CN114357792A (zh) | 一种氢冶金反应器的物质能量耦合优化分析方法 | |
| CN112981017A (zh) | 一种考虑因素变化影响的铁前优化配料方法 | |
| CN103667591A (zh) | 一种高铁比电炉炼钢终点碳控制方法 | |
| CN113536517A (zh) | 一种考虑碱度变化影响的优化配料方法 | |
| CN1706974A (zh) | 一种提钒工艺 | |
| Wang et al. | Research and application of optimization method for iron and steel sintering ingredients | |
| CN103911507B (zh) | 一种烧结配料优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |