CN112561182B - 一种基于熔体结构解析的熔渣黏度预测方法 - Google Patents
一种基于熔体结构解析的熔渣黏度预测方法 Download PDFInfo
- Publication number
- CN112561182B CN112561182B CN202011522530.4A CN202011522530A CN112561182B CN 112561182 B CN112561182 B CN 112561182B CN 202011522530 A CN202011522530 A CN 202011522530A CN 112561182 B CN112561182 B CN 112561182B
- Authority
- CN
- China
- Prior art keywords
- slag
- oxygen bond
- oxygen
- viscosity
- mole fraction
- 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
- 239000002893 slag Substances 0.000 title claims abstract description 264
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 title claims abstract description 9
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 166
- 239000001301 oxygen Substances 0.000 claims abstract description 165
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- BPQQTUXANYXVAA-UHFFFAOYSA-N Orthosilicate Chemical compound [O-][Si]([O-])([O-])[O-] BPQQTUXANYXVAA-UHFFFAOYSA-N 0.000 claims abstract description 8
- 229910004298 SiO 2 Inorganic materials 0.000 claims description 36
- 229910018072 Al 2 O 3 Inorganic materials 0.000 claims description 20
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 18
- 238000000547 structure data Methods 0.000 claims description 17
- 238000001237 Raman spectrum Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 15
- 239000000155 melt Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 7
- 229910052742 iron Inorganic materials 0.000 claims description 6
- OBNDGIHQAIXEAO-UHFFFAOYSA-N [O].[Si] Chemical compound [O].[Si] OBNDGIHQAIXEAO-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 150000001768 cations Chemical class 0.000 claims description 4
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 claims description 4
- 229910000859 α-Fe Inorganic materials 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- AFCIMSXHQSIHQW-UHFFFAOYSA-N [O].[P] Chemical compound [O].[P] AFCIMSXHQSIHQW-UHFFFAOYSA-N 0.000 claims description 2
- 229910001392 phosphorus oxide Inorganic materials 0.000 claims description 2
- VSAISIQCTGDGPU-UHFFFAOYSA-N tetraphosphorus hexaoxide Chemical compound O1P(O2)OP3OP1OP2O3 VSAISIQCTGDGPU-UHFFFAOYSA-N 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 24
- 238000012360 testing method Methods 0.000 description 13
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 12
- 239000003153 chemical reaction reagent Substances 0.000 description 10
- 238000010791 quenching Methods 0.000 description 9
- 230000000171 quenching effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 6
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 6
- 238000003723 Smelting Methods 0.000 description 6
- 229910052750 molybdenum Inorganic materials 0.000 description 6
- 239000011733 molybdenum Substances 0.000 description 6
- 229910052697 platinum Inorganic materials 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000000704 physical effect Effects 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000001069 Raman spectroscopy Methods 0.000 description 3
- 229910052786 argon Inorganic materials 0.000 description 3
- 238000001354 calcination Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000227 grinding Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000011068 loading method Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000003238 silicate melt Substances 0.000 description 2
- 238000012916 structural analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003776 cleavage reaction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003009 desulfurizing effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000012768 molten material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- -1 that is Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明提供一种基于熔体结构解析的熔渣黏度预测方法,包括:S1、获取待测熔渣的氧键类型和氧键摩尔分数;S2、将氧键类型和氧键摩尔分数输入预先训练的熔渣黏度预测模型,并对熔渣黏度预测模型进行求解,获得待测熔渣黏度的预测值;其中熔渣黏度预测模型包括根据Arrhenius方程,考虑硅酸盐网络结构的流动机理,结合熔渣的氧键类型和氧键摩尔分数构建的熔渣黏度预测方程。适用性广,并提高了熔渣黏度的预测精度和稳定性。
Description
技术领域
本发明涉及熔渣物理性质与熔体结构技术领域,尤其涉及一种基于熔体结构解析的熔渣黏度预测方法。
背景技术
现代钢铁冶炼过程中,熔渣在吸收非金属夹杂物、脱氧、脱硅、脱硫、脱磷等方面发挥着不可代替的冶金功能。黏度作为衡量熔渣发挥冶金性能的重要参数,反映了熔渣中相邻流体层相对运动时的内摩擦力,与元素扩散、渣-钢间化学反应、气体逸出、热量传递等密切相关,影响着渣-钢间的反应速率、流动传热能力、铁损及炉衬寿命。如果熔渣黏度过大,造成熔池不活跃、渣-金间反应缓慢、恶化冶炼的动力学条件,降低金属收得率;如果熔渣黏度过小会加速炉渣向耐火材料的渗透能力,造成炉衬侵蚀过快,降低冶炼炉的使用寿命,还会不断引入外来夹杂物,影响冶炼效果。因此,设计黏度适宜的熔渣才能保证铁水或钢水的冶炼质量。
目前,主要采用实验研究和模型计算获取黏度数据。在实验研究的基础上,冶金熔渣的黏度预测模型一直备受科研工作者青睐。针对不同体系,科研工作者开发建立了一系列黏度预测模型,如基于经验公式和半经验公式的Urbain模型、Riboud模型、Iida模型,基于Enrying方程的Seetharaman模型、KTH模型,基于Weymann-Frenkel理论的Weymann模型,基于共存理论的黏度计算模型以及几何模型。这些计算模型仅在有限的实验数据基础上进行优化,适用范围有较大限制,同时模型参数仅通过大量实验数据拟合,缺乏实际的物理意义。
在微观上,黏度是熔体内部结构基团间作用力的量度,也就是说,炉渣黏度在本质上决定于熔渣的微观结构。冶金熔渣属于硅酸盐熔体,熔渣中的SiO2会提供Si4+阳离子通过桥氧(BO)形成网状结构,CaO、MgO、FeO、Na2O等不仅提供Ca2+、Mg2+、Fe2+、Na+阳离子作网络结构的补偿电荷,还引入自由O2-切断桥氧键,形成非桥氧(NBO)或自由氧(FO),P2O5在熔体中发挥形成网状结构的作用,而Al2O3、Fe2O3在熔体中既发挥形成网状结构的作用,又发挥切断桥氧的作用。由硅酸盐熔体的流动机理可知,熔体中氧键的种类决定了熔渣整体的流动性能。NBO和FO在熔体中的流动性明显强于BO,NBO和FO数量的增多会明显降低熔渣黏度。由此,日本学者Nakamoto等人将氧键引入Arrhenius方程,建立了适用于CaO–SiO2–Al2O3基渣系的黏度预测方程。但该方程中氧键的数值仅由Susa等人通过计算玻璃渣折射率拟合得到的公式来获取,其可靠性尚待验证,且模型并未考虑Fe2O3、FeO、P2O5对熔渣黏度的影响,不具备广泛的适用性。
因此,从熔渣黏度的本质出发,寻求一种适用范围较广的黏度预测模型对于优化熔渣物理性能具有较大的应用价值。
发明内容
(一)要解决的技术问题
鉴于上述技术中存在的问题,本发明至少从一定程度上进行解决。为此,本发明的提出了一种基于熔体结构解析的熔渣黏度预测方法,适用性广,并提高了熔渣黏度的预测精度和稳定性。
(二)技术方案
为了达到上述目的,本发明提供一种基于熔体结构解析的熔渣黏度预测方法,包括以下步骤:
S1、获取待测熔渣的氧键类型和氧键摩尔分数,其中熔渣含有0-60masss%CaO、0-30mass%MgO、0-30mass%Na2O、0-60mass%FeO、0-60mass%SiO2、0-20mass%P2O5、0-50mass%Al2O3、0-60mass%Fe2O3;
S2、将氧键类型和氧键摩尔分数输入预先训练的熔渣黏度预测模型,并对熔渣黏度预测模型进行求解,获得待测熔渣黏度的预测值;
熔渣黏度预测模型包括根据Arrhenius方程,考虑硅酸盐网络结构的流动机理,结合熔渣的氧键类型和氧键摩尔分数构建的熔渣黏度预测方程。
进一步地,S1包括:从预先建立的熔渣的氧键数据库中获取待测熔渣的氧键类型和氧键摩尔分数。
进一步地,在S1之前,还包括:
获取多种成分实验熔渣的熔体结构数据;
分析实验熔渣的熔体结构数据,获得实验熔渣的氧键类型和氧键摩尔分数;
采用插值法对实验熔渣的氧键摩尔分数进行插值,获得实验熔渣范围内连续成分变化的氧键摩尔分数,根据实验熔渣范围内连续成分变化的氧键摩尔分数,建立熔渣的氧键数据库。
进一步地,熔体结构数据包括实验熔渣的拉曼光谱。
进一步地,分析实验熔渣的熔体结构数据,获得实验熔渣的氧键类型和氧键摩尔分数,包括:
采用高斯解谱法对所述拉曼光谱进行解谱,确定结构单元的种类和相对面积分数;
根据结构单元的种类和相对面积分数,确定实验熔渣的氧键类型和氧键摩尔分数。
进一步地,根据结构单元的种类和相对面积分数,确定实验熔渣的氧键类型和氧键摩尔分数,包括:
其中,NSi-BO、NAl-BO、NFe-BO、N(NBO+FO)的计算公式如下:
N(NBO+FO)=NO-NSi-BO-NAl-BO-NFe-BO-NP-BO (5)
其中,N为摩尔分数,i为熔渣组成中除SiO2外的氧化物,j为熔渣中除Si4+、Al3+、Fe3 +、P5+外的金属阳离子,BO、NBO、FO分别表示桥氧、非桥氧和自由氧,Al-BO、Fe-BO、P-BO、Si-BO分别表示铝氧四面体、铁氧四面体、磷氧四面体、硅氧四面体中的桥氧,Q4(Si)、Q3(Si)、Q2(Si)、Q1(Si)分别表示桥氧数为4、3、2、1的硅氧四面体,Q4(Al)、Q3(Al)、Q2(Al)分别表示桥氧数为4、3、2的铝氧四面体,FeO4表示铁氧四面体,Q3(P)、Q2(P)、Q1(P)分别表示桥氧数为3、2、1的磷氧四面体。
进一步地,采用插值法对实验熔渣的氧键摩尔分数进行插值,包括:采用Lagrange函数插值法对实验熔渣的氧键摩尔分数进行插值。
进一步地,熔渣黏度预测方程,包括:
η=A·exp(Eη/RT) (9)
lnA=a+bEη (10)
其中,A为指前因子,Eη为冶金熔渣的活化能(J/mol),Ev为纯SiO2的活化能且Ev=5.21×105J/mol,R为气体常数且R=8.314J/(mol·K),T为温度K,a、b为模型参数,α为键强的参数且αi值在1.0~3.8内,αj值在1.4~3.2内。
进一步地,模型参数a是根据熔渣中氧化物与SiO2组成的二元渣系的ai获得的,
模型参数b是根据熔渣中氧化物与SiO2组成的二元渣系的bi获得的,
其中,xi表示除SiO2以外的氧化物i的摩尔分数。
进一步地,在S1之前,还包括:根据熔渣的氧键类型、氧键摩尔分数和熔渣黏度的实测值,对熔渣黏度预测模型进行训练,获得训练后的熔渣黏度预测模型。
(三)有益效果
本发明的有益效果是:
本发明对不同成分熔渣的熔体结构进行了定量分析,确定了氧键的类型及摩尔分数,然后利用Lagrange函数对氧键的摩尔分数进行插值,得到了实验范围内连续成分变化的氧键数据库。再基于Arrhenius方程,根据硅酸盐网络结构的流动机理,结合熔体结构中氧键的类型,建立了依赖于氧键变化的黏度预测方程,最后运用MATLAB软件的非线性方程求解功能,调用氧键数据库,实现了黏度预测方程的求解。由此,本发明首次提出了一种基于熔体结构解析的熔渣黏度预测方法,通过有限测试条件下熔渣的结构实现更为广阔测试条件下熔渣黏度的预测,能够为设计合理冶炼性能的熔渣提供参考。
本发明针对冶金熔渣提出了一种黏度预测方法,根据Arrhenius方程,基于硅酸盐网络结构的流动机理,结合氧键的类型,建立了依赖于氧键变化的黏度预测方程。所得黏度预测方程能够免去熔渣的复杂的测试环节,直接计算特定条件下的特定值。经验证,本发明的黏度预测方法能够较为准确地实现不同测试条件的黏度预测,具备极大的适用价值。
附图说明
本发明借助于以下附图进行描述:
图1为根据本发明实施例1的基于熔体结构解析的熔渣黏度预测方法的流程图;
图2为根据本发明实施例1的黏度预测值和黏度实测值的关系曲线图;
图3为根据本发明实施例2的黏度预测值和黏度实测值的关系曲线图;
图4为根据本发明实施例3的黏度预测值和黏度实测值的关系曲线图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
实施例1
制样:选择CaO、SiO2、Al2O3、MgO化学纯试剂,通过改变CaO/SiO2比率和Al2O3含量分别制备待测试样,分别记为CSAM1~CSAM5,实验渣的具体成分如表1所示,具体制备方法如下:
表1 CaO-SiO2-Al2O3-MgO系实验熔渣的组成成分(质量分数,%)
101、将CaO、SiO2、Al2O3、MgO纯试剂在600℃下煅烧,备用。
102,按表1所示分别称取3g混匀的化学试剂,装入铂坩埚,并用钼丝悬挂于高温淬火炉内,然后通入0.8L/min的高纯氩气,升温至目标温度后保温2h,待保温结束,松开钼丝,完成水淬。
103,取出水淬渣,研磨至0.0074mm以下,获得实验熔渣。
根据上述提供的实验熔渣,本实施例提出的基于熔体结构解析的CaO-SiO2-Al2O3-MgO系熔渣黏度预测方法,如图1所示,包括以下步骤:
201、获取上述实验熔渣的熔体结构数据。
具体的,熔体结构数据包括实验熔渣的拉曼光谱。进一步地,该拉曼光谱是采用HR800型激光共聚焦拉曼光谱仪对实验熔渣进行熔体结构测试获得的。
202、分析实验熔渣的熔体结构数据,获得实验熔渣的氧键类型和氧键摩尔分数。
具体地,采用高斯解谱法对拉曼光谱进行解谱,确定结构单元的种类和相对面积分数;根据结构单元的种类和相对面积分数,确定实验熔渣的氧键类型和氧键摩尔分数。其中,采用高斯解谱法对拉曼光谱进行解谱,确定实验熔渣中存在Q4(Si)、Q3(Si)、Q2(Si)、Q1(Si)、Q0(Si)、Q4(Al)、Q3(Al)、Q2(Al)结构单元,并根据各结构单元特征峰的积分面积,计算其氧键的摩尔分数。
具体地,根据各结构单元特征峰的积分面积,计算其氧键的摩尔分数,包括:基于各结构单元特征峰的积分面积,根据公式(1)、(2)、(5)、(6)、(8),计算氧键的摩尔分数。进一步地,针对本实施例提出的熔渣体系,式(1)、(2)、(5)可具体写为(15)-(17),如下:
N(NBO+FO)=NO-NSi-BO-NAl-BO (16)
203、采用插值法对实验熔渣的氧键摩尔分数进行插值,获得实验熔渣范围内连续成分变化的氧键摩尔分数,根据实验熔渣范围内连续成分变化的氧键摩尔分数,建立熔渣的氧键数据库。
具体地,采用Lagrange函数插值法对5组实验熔渣的氧键摩尔分数进行插值。
204、获取待测熔渣的氧键类型和氧键摩尔分数。
具体地,从熔渣的氧键数据库中获取待测熔渣的氧键类型和氧键摩尔分数。
205、将待测熔渣的氧键类型和氧键摩尔分数输入预先训练的熔渣黏度预测模型,并对熔渣黏度预测模型进行求解,获得待测熔渣黏度的预测值。
具体地,熔渣黏度预测模型包括根据Arrhenius方程,考虑硅酸盐网络结构的流动机理,结合熔渣的氧键类型和氧键摩尔分数构建的熔渣黏度预测方程。进一步地,熔渣黏度预测方程如公式(9)至(11)所示。
具体地,熔渣黏度预测方程中的模型参数a是根据CaO-SiO2、MgO-SiO2及Al2O3-SiO2三种二元渣系的ai获得的,包括:
模型参数b是根据CaO-SiO2、MgO-SiO2及Al2O3-SiO2三种二元渣系的bi获得的,包括:
其中,ai值在-4.0~-2.0内,bi值在-2.1×10-5~-1.9×10-5内,计算得到的四元渣系中a值在-6.0~-5.5内,b值在-2.00×10-5~-1.90×10-5内。
具体地,熔渣黏度预测方程中的公式(11)考虑氧键类型后可具体写为(20),如下。
其中,αi值在1.0~3.0内,αj值在1.5~3.0内。
具体地,利用MATLAB软件对公式(9)、(10)、(18)~(20)进行求解。其中,N值可从熔渣的氧键数据库中获取。
在步骤203之后,步骤204之前,还包括:
203-1、根据熔渣的氧键类型、氧键摩尔分数和熔渣黏度的实测值,对熔渣黏度预测模型进行训练,获得训练后的熔渣黏度预测模型。
具体地,利用旋转柱体法测试熔渣的黏度值。进一步地,采用RTW-10型熔体物性综合测定仪直接测定实验熔渣的黏度,并记录黏度实测值,为消除测试过程中人为因素引起的误差,同一条件下的黏度进行了多次测试;根据熔渣的氧键类型、氧键摩尔分数和熔渣黏度的实测值,对熔渣黏度预测模型进行训练,当模型误差最小时,校正系数L在1.01~1.02内,获得训练后的熔渣黏度预测模型。
如果预测方程能够准确预测熔渣的黏度,那么本发明的黏度预测模型的预测值与实测值也应该相同,故以均方根误差(RMSE)为评价指标,评价方程的可靠性,包括:将实测值与预先训练的熔渣黏度预测模型的预测值进行比较,根据均方根误差,评价熔渣黏度预测模型的精确度。
其中RMSE的计算公式如下:
其中,n为黏度测试次数,ηcal.为计算黏度值,ηmea.为实测黏度值。
图2为黏度预测值和黏度实测值的关系曲线图,图中以黏度实测值为横坐标,黏度预测值为纵坐标,图中实线为y=x,虚线表示黏度偏差为±0.1Pa·s。
由图2可知,所有数据点均分布在y=x直线附近,即黏度预测值与实测值较为接近,经计算可得,黏度的均方根误差为7.52%,表明黏度预测方程具有较好的预测效果,本发明的黏度预测方程能够实现32~50masss%CaO、5~12mass%SiO2、30~50mass%Al2O3、10mass%MgO范围内CaO-SiO2-Al2O3-MgO系熔渣较准确的黏度预测。
实施例2
制样:选择CaO、MgO、SiO2、FeC2O4·2H2O、P2O5化学纯试剂,通过改变CaO/SiO2比率、FeC2O4·2H2O及P2O5含量分别制备待测试样,分别记为CMSFP1~CMSFP5,实验渣的具体成分如表2所示,具体制备方法如下:
表2 CaO-MgO-SiO2-FexO-P2O5系实验熔渣的组成成分(质量分数,%)
101、将CaO、MgO、SiO2、FeC2O4·2H2O、P2O5纯试剂在600℃下煅烧,备用。
102,按表2所示分别称取3g混匀的化学试剂,装入铂坩埚,并用钼丝悬挂于高温淬火炉内,然后通入0.8L/min的高纯氩气,升温至目标温度后保温3h,待保温结束,松开钼丝,完成水淬。
103,取出水淬渣,研磨至0.0074mm以下,获得实验熔渣。
根据上述提供的实验熔渣,本实施例提出的基于熔体结构解析的CaO-MgO-SiO2-FexO-P2O5系熔渣黏度预测方法,包括以下步骤:
201、获取上述实验熔渣的熔体结构数据。
具体的,熔体结构数据包括实验熔渣的拉曼光谱。进一步地,该拉曼光谱是采用HR800型激光共聚焦拉曼光谱仪对实验熔渣进行熔体结构测试获得的。
202、分析实验熔渣的熔体结构数据,获得实验熔渣的氧键类型和氧键摩尔分数。
具体地,采用高斯解谱法对拉曼光谱进行解谱,确定结构单元的种类和相对面积分数;根据结构单元的种类和相对面积分数,确定实验熔渣的氧键类型和氧键摩尔分数。其中,采用高斯解谱法对拉曼光谱进行解谱,确定实验熔渣中存在Q4(Si)、Q3(Si)、Q2(Si)、Q1(Si)、Q0(Si)、Q1(P)、Q0(P)、FeO4和FeO6结构单元,并根据各结构单元特征峰的积分面积,计算其氧键的摩尔分数。
具体地,根据各结构单元特征峰的积分面积,计算其氧键的摩尔分数,包括:基于各结构单元特征峰的积分面积,根据公式(1)、(3)-(5)、(7)、(8),计算氧键的摩尔分数。进一步地,针对本实施例提出的熔渣体系,式(1)、(3)-(5)可具体写为(21)-(24),如下:
N(NBO+FO)=NO-NSi-BO-NFe-BO-NP-BO (23)
203、采用插值法对实验熔渣的氧键摩尔分数进行插值,获得实验熔渣范围内连续成分变化的氧键摩尔分数,根据实验熔渣范围内连续成分变化的氧键摩尔分数,建立熔渣的氧键数据库。
具体地,采用Lagrange函数插值法对5组实验熔渣的氧键摩尔分数进行插值。
204、获取待测熔渣的氧键类型和氧键摩尔分数。
具体地,从熔渣的氧键数据库中获取待测熔渣的氧键类型和氧键摩尔分数。
205、将待测熔渣的氧键类型和氧键摩尔分数输入预先训练的熔渣黏度预测模型,并对熔渣黏度预测模型进行求解,获得待测熔渣黏度的预测值。
具体地,熔渣黏度预测模型包括根据Arrhenius方程,考虑硅酸盐网络结构的流动机理,结合熔渣的氧键类型和氧键摩尔分数构建的熔渣黏度预测方程。进一步地,熔渣黏度预测方程如公式(9)至(11)所示。
具体地,熔渣黏度预测方程中的模型参数a是根据CaO-SiO2、FeO-SiO2、Fe2O3-SiO2、MgO-SiO2及P2O5-SiO2五种二元渣系的ai获得的,包括:
模型参数b是根据CaO-SiO2、FeO-SiO2、Fe2O3-SiO2、MgO-SiO2及P2O5-SiO2五种二元渣系的bi获得的,包括:
其中,ai值在-4.0~-2.0内,bi值在-2.2×10-5~-1.8×10-5内,计算得到的五元渣系中a值在-5.7~-5.4内,b值在-1.96×10-5~-1.93×10-5内。
具体地,熔渣黏度预测方程中的公式(11)考虑氧键类型后可具体写为(27),如下。
其中,αi值在1.0~3.0内,αj值在1.0~3.0内。
具体地,利用MATLAB软件对公式(9)、(10)、(25)~(27)进行求解。其中,N值可从熔渣的氧键数据库中获取。
在步骤203之后,步骤204之前,还包括:
203-1、根据熔渣的氧键类型、氧键摩尔分数和熔渣黏度的实测值,对熔渣黏度预测模型进行训练,获得训练后的熔渣黏度预测模型。
具体地,利用旋转柱体法测试熔渣的黏度值。进一步地,采用RTW-10型熔体物性综合测定仪直接测定实验熔渣的黏度,并记录黏度实测值,为消除测试过程中人为因素引起的误差,同一条件下的黏度进行了多次测试;根据熔渣的氧键类型、氧键摩尔分数和熔渣黏度的实测值,对熔渣黏度预测模型进行训练,当模型误差最小时,校正系数L在1.01~1.02内,获得训练后的熔渣黏度预测模型。
如果预测方程能够准确预测熔渣的黏度,那么本发明的黏度预测模型的预测值与实测值也应该相同,故以均方根误差(RMSE)为评价指标,评价方程的可靠性,包括:将实测值与预先训练的熔渣黏度预测模型的预测值进行比较,根据均方根误差,评价熔渣黏度预测模型的精确度。
其中RMSE的计算公式如下:
其中,n为黏度测试次数,ηcal.为计算黏度值,ηmea.为实测黏度值。
图3为黏度预测值和黏度实测值的关系曲线图,图中以黏度实测值为横坐标,黏度预测值为纵坐标,图中实线为y=x,虚线表示黏度偏差为±0.05Pa·s。
由图3可知,所有数据点均分布在y=x直线附近,即黏度预测值与实测值较为接近,经计算可得,黏度的均方根误差为3.08%,表明黏度预测方程具有较好的预测效果,本发明的黏度预测方程能够实现17~40masss%CaO、、10mass%MgO、19~36mass%SiO2、23~35mass%Fe2O3、2~6mass%P2O5范围内CaO-MgO-SiO2-FexO-P2O5系熔渣较准确的黏度预测。
实施例3
制样:选择CaO、SiO2、Al2O3、FeC2O4·2H2O化学纯试剂,通过改变CaO/SiO2比率和FexO、Al2O3含量分别制备待测试样,分别记为CSAF1~CSAF10,实验渣的具体成分如表3所示,具体制备方法如下:
表3 CaO-SiO2-Al2O3-FexO系实验熔渣的组成成分(质量分数,%)
101、将CaO、SiO2、Al2O3、FeC2O4·2H2O纯试剂在600℃下煅烧,备用。
102,按表3所示分别称取3g混匀的化学试剂,装入铂坩埚,并用钼丝悬挂于高温淬火炉内,然后通入0.8L/min的高纯氩气,升温至目标温度后保温3h,待保温结束,松开钼丝,完成水淬。
103,取出水淬渣,研磨至0.0074mm以下,获得实验熔渣。
根据上述提供的实验熔渣,本实施例提出的基于熔体结构解析的CaO-SiO2-Al2O3-FexO系熔渣黏度预测方法,包括以下步骤:
201、获取上述实验熔渣的熔体结构数据。
具体的,熔体结构数据包括实验熔渣的拉曼光谱。进一步地,该拉曼光谱是采用HR800型激光共聚焦拉曼光谱仪对实验熔渣进行熔体结构测试获得的。
202、分析实验熔渣的熔体结构数据,获得实验熔渣的氧键类型和氧键摩尔分数。
具体地,采用高斯解谱法对拉曼光谱进行解谱,确定结构单元的种类和相对面积分数;根据结构单元的种类和相对面积分数,确定实验熔渣的氧键类型和氧键摩尔分数。其中,采用高斯解谱法对拉曼光谱进行解谱,确定实验熔渣中存在Q4(Si)、Q3(Si)、Q2(Si)、Q1(Si)、Q0(Si)、Q4(Al)、Q3(Al)、Q2(Al)、FeO4和FeO6结构单元,并根据各结构单元特征峰的积分面积,计算其氧键的摩尔分数。
具体地,根据各结构单元特征峰的积分面积,计算其氧键的摩尔分数,包括:基于各结构单元特征峰的积分面积,根据公式(1)-(3)、(5)-(8),计算氧键的摩尔分数。进一步地,针对本实施例提出的熔渣体系,式(1)-(3)、(5)可具体写为(28)-(31),如下:
N(NBO+FO)=NO-NSi-BO-NAl-BO-NFe-BO (30)
203、采用插值法对实验熔渣的氧键摩尔分数进行插值,获得实验熔渣范围内连续成分变化的氧键摩尔分数,根据实验熔渣范围内连续成分变化的氧键摩尔分数,建立熔渣的氧键数据库。
具体地,采用Lagrange函数插值法对10组实验熔渣的氧键摩尔分数进行插值。
204、获取待测熔渣的氧键类型和氧键摩尔分数。
具体地,从熔渣的氧键数据库中获取待测熔渣的氧键类型和氧键摩尔分数。
205、将待测熔渣的氧键类型和氧键摩尔分数输入预先训练的熔渣黏度预测模型,并对熔渣黏度预测模型进行求解,获得待测熔渣黏度的预测值。
具体地,熔渣黏度预测模型包括根据Arrhenius方程,考虑硅酸盐网络结构的流动机理,结合熔渣的氧键类型和氧键摩尔分数构建的熔渣黏度预测方程。进一步地,熔渣黏度预测方程如公式(9)至(11)所示。
具体地,熔渣黏度预测方程中的模型参数a是根据CaO-SiO2、Al2O3-SiO2、FeO-SiO2及Fe2O3-SiO2四种二元渣系的ai获得的,包括:
模型参数b是根据CaO-SiO2、Al2O3-SiO2、FeO-SiO2及Fe2O3-SiO2四种二元渣系的bi获得的,包括:
其中,ai值在-6.0~-2.0内,bi值在-2.1×10-5~-1.9×10-5内,计算得到的五元渣系中a值在-5.9~-5.6内,b值在-1.98×10-5~-1.95×10-5内。
具体地,熔渣黏度预测方程中的公式(11)考虑氧键类型后可具体写为(34),如下。
其中,αi值在1.0~3.8内,αj值在1.4~3.2内。
具体地,利用MATLAB软件对公式(9)、(10)、(32)~(34)进行求解。其中,N值可从熔渣的氧键数据库中获取。
在步骤203之后,步骤204之前,还包括:
203-1、根据熔渣的氧键类型、氧键摩尔分数和熔渣黏度的实测值,对熔渣黏度预测模型进行训练,获得训练后的熔渣黏度预测模型。
具体地,利用旋转柱体法测试熔渣的黏度值。进一步地,采用RTW-10型熔体物性综合测定仪直接测定实验熔渣的黏度,并记录黏度实测值,为消除测试过程中人为因素引起的误差,同一条件下的黏度进行了多次测试;根据熔渣的氧键类型、氧键摩尔分数和熔渣黏度的实测值,对熔渣黏度预测模型进行训练,当模型误差最小时,校正系数L在1.01~1.02内,获得训练后的熔渣黏度预测模型。
如果预测方程能够准确预测熔渣的黏度,那么本发明的黏度预测模型的预测值与实测值也应该相同,故以均方根误差(RMSE)为评价指标,评价方程的可靠性,包括:将实测值与预先训练的熔渣黏度预测模型的预测值进行比较,根据均方根误差,评价熔渣黏度预测模型的精确度。
其中RMSE的计算公式如下:
其中,n为黏度测试次数,ηcal.为计算黏度值,ηmea.为实测黏度值。
图4为黏度预测值和黏度实测值的关系曲线图,图中以黏度实测值为横坐标,黏度预测值为纵坐标,图中实线为y=x,虚线表示黏度偏差为±0.1Pa·s。
由图4可知,所有数据点均分布在y=x直线附近,即黏度预测值与实测值较为接近,经计算可得,黏度的均方根误差为7.86%,表明黏度预测方程具有较好的预测效果,本发明的黏度预测方程能够实现17~40masss%CaO、、10mass%MgO、19~36mass%SiO2、23~35mass%Fe2O3、2~6mass%P2O5范围内CaO-SiO2-Al2O3-FexO系熔渣较准确的黏度预测。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (3)
1.一种基于熔体结构解析的熔渣黏度预测方法,其特征在于,包括:
S1、获取待测熔渣的氧键类型和氧键摩尔分数,所述熔渣含有0-60masss%CaO、0-30mass%MgO、0-30mass%Na2O、0-60mass%FeO、0-60mass%SiO2、0-20mass%P2O5、0-50mass%Al2O3、0-60mass%Fe2O3;
S2、将所述氧键类型和氧键摩尔分数输入预先训练的熔渣黏度预测模型,并对熔渣黏度预测模型进行求解,获得待测熔渣黏度的预测值;
所述熔渣黏度预测模型包括根据Arrhenius方程,考虑硅酸盐网络结构的流动机理,结合熔渣的氧键类型和氧键摩尔分数构建的熔渣黏度预测方程;
S1包括:从预先建立的熔渣的氧键数据库中获取待测熔渣的氧键类型和氧键摩尔分数;
在S1之前,还包括:获取多种成分实验熔渣的熔体结构数据;分析实验熔渣的熔体结构数据,获得实验熔渣的氧键类型和氧键摩尔分数;采用插值法对实验熔渣的氧键摩尔分数进行插值,获得实验熔渣范围内连续成分变化的氧键摩尔分数,根据实验熔渣范围内连续成分变化的氧键摩尔分数,建立熔渣的氧键数据库;
熔体结构数据包括实验熔渣的拉曼光谱;
分析实验熔渣的熔体结构数据,获得实验熔渣的氧键类型和氧键摩尔分数,包括:采用高斯解谱法对所述拉曼光谱进行解谱,确定结构单元的种类和相对面积分数;根据结构单元的种类和相对面积分数,确定实验熔渣的氧键类型和氧键摩尔分数;
所述熔渣黏度预测方程,包括:
η=A·exp(Eη/RT)
ln A=a+bEη
其中,A为指前因子,Eη为冶金熔渣的活化能,单位为J/mol,Ev为纯SiO2的活化能且Ev=5.21×105J/mol,R为气体常数且R=8.314J/(mol·K),T为温度K,a、b为模型参数,α为键强的参数且αi值在1.0~3.8内,αj值在1.4~3.2内;
模型参数a是根据熔渣中氧化物与SiO2组成的二元渣系的ai获得的,
模型参数b是根据熔渣中氧化物与SiO2组成的二元渣系的bi获得的,
其中,xi表示除SiO2以外的氧化物i的摩尔分数;
其中,NSi-BO、NAl-BO、NFe-BO、N(NBO+FO)的计算公式如下:
N(NBO+FO)=NO-NSi-BO-NAl-BO-NFe-BO-NP-BO (5)
其中,N为摩尔分数,i为熔渣组成中除SiO2外的氧化物,j为熔渣中除Si4+、Al3+、Fe3+、P5+外的金属阳离子,BO、NBO、FO分别表示桥氧、非桥氧和自由氧,Al-BO、Fe-BO、P-BO、Si-BO分别表示铝氧四面体、铁氧四面体、磷氧四面体、硅氧四面体中的桥氧,Q4(Si)、Q3(Si)、Q2(Si)、Q1(Si)分别表示桥氧数为4、3、2、1的硅氧四面体,Q4(Al)、Q3(Al)、Q2(Al)分别表示桥氧数为4、3、2的铝氧四面体,FeO4表示铁氧四面体,Q3(P)、Q2(P)、Q1(P)分别表示桥氧数为3、2、1的磷氧四面体。
2.根据权利要求1所述的方法,其特征在于,采用插值法对实验熔渣的氧键摩尔分数进行插值,包括:
采用Lagrange函数插值法对实验熔渣的氧键摩尔分数进行插值。
3.根据权利要求1所述的方法,其特征在于,在S1之前,还包括:
根据熔渣的氧键类型、氧键摩尔分数和熔渣黏度的实测值,对熔渣黏度预测模型进行训练,获得训练后的熔渣黏度预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522530.4A CN112561182B (zh) | 2020-12-21 | 2020-12-21 | 一种基于熔体结构解析的熔渣黏度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522530.4A CN112561182B (zh) | 2020-12-21 | 2020-12-21 | 一种基于熔体结构解析的熔渣黏度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561182A CN112561182A (zh) | 2021-03-26 |
CN112561182B true CN112561182B (zh) | 2024-02-02 |
Family
ID=75030717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011522530.4A Active CN112561182B (zh) | 2020-12-21 | 2020-12-21 | 一种基于熔体结构解析的熔渣黏度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561182B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761477B (zh) * | 2021-08-30 | 2023-07-18 | 重庆赛迪热工环保工程技术有限公司 | 一种熔渣黏度预测与成分控制模型的构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10259387A (ja) * | 1997-03-19 | 1998-09-29 | Hitachi Ltd | 石炭ガス化炉の診断方法および運転方法 |
CN106424621A (zh) * | 2016-10-08 | 2017-02-22 | 东北大学 | 一种熔渣超声处理装置及降低熔渣黏度方法 |
CN111554353A (zh) * | 2020-04-10 | 2020-08-18 | 中国恩菲工程技术有限公司 | 氧气底吹炉铜熔炼过程参数在线预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971026B (zh) * | 2017-03-08 | 2020-06-16 | 武汉科技大学 | 基于全局可加模型的微合金钢力学性能预报方法 |
-
2020
- 2020-12-21 CN CN202011522530.4A patent/CN112561182B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10259387A (ja) * | 1997-03-19 | 1998-09-29 | Hitachi Ltd | 石炭ガス化炉の診断方法および運転方法 |
CN106424621A (zh) * | 2016-10-08 | 2017-02-22 | 东北大学 | 一种熔渣超声处理装置及降低熔渣黏度方法 |
CN111554353A (zh) * | 2020-04-10 | 2020-08-18 | 中国恩菲工程技术有限公司 | 氧气底吹炉铜熔炼过程参数在线预测方法 |
Non-Patent Citations (2)
Title |
---|
基于共存理论的含铬渣黏度预测模型;张康晖等;《钢铁研究学报》;第31卷(第3期);第251-257页 * |
拉曼光谱技术用于转炉渣中磷的结构行为的研究;张蕊等;《光谱学与光谱分析》;第40卷(第10期);第155-156页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112561182A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | A sulphide capacity prediction model of CaO–SiO2–MgO–Al2O3 ironmaking slags based on the ion and molecule coexistence theory | |
Morizane et al. | Thermodynamics of TiO x in blast furnace-type slags | |
Smith | Equilibrium of Iron-Carbon-Silicon and of Iron-Carbon-Manganese Alloys with Mixtures of Methane and Hydrogen at 1000 | |
CN106053507A (zh) | X射线荧光光谱法测定颗粒灰或活性灰中氧化钙、二氧化硅及硫含量的分析方法 | |
CN112561182B (zh) | 一种基于熔体结构解析的熔渣黏度预测方法 | |
CN108399512B (zh) | 一种评价冶金焦炭的方法 | |
CN104458637A (zh) | 一种测定普碳钢-低合金钢中超低碳及硫含量方法 | |
CN102156142A (zh) | 一种用于x射线荧光光谱分析硅铁合金成分的分析方法 | |
JP5527180B2 (ja) | 転炉吹錬方法及び転炉吹錬システム | |
CN109359723A (zh) | 基于改进正则化极限学习机的转炉终点锰含量预测方法 | |
CN105004710B (zh) | 一种不锈钢铬、镍元素分析校准方法 | |
Chen et al. | Development of structure-informed artificial neural network for accurately modeling viscosity of multicomponent molten slags | |
Natesan et al. | Monitoring and measurement of carbon activity in sodium systems | |
CN108728600B (zh) | 一种检测高炉炉缸活跃性的系统、方法及装置 | |
CN103245633A (zh) | 异标校正红外吸收法测定稀土铝合金中碳和硫含量的方法 | |
Grigorovich et al. | Analysis and optimization of ladle treatment technology of steels processing | |
CN116469481A (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
Chen et al. | ANN-based structure-viscosity relationship model of multicomponent slags for production design in mineral wool | |
CN1298458C (zh) | 一种rh精炼炉钢液温度实时预测方法 | |
CN104894328A (zh) | 一种转炉终点磷含量预报方法 | |
CN101660995B (zh) | 测定稀土铬锰硅孕育剂中稀土总量的方法 | |
CN109472090B (zh) | 一种针对钢包最低混匀时间的预测方法 | |
CN103658624A (zh) | 钢包透气砖熔损测量方法及装置 | |
CN103163079B (zh) | 一种低碳含铝硅钢标准样品及其制备方法 | |
CN212207354U (zh) | 弹性模量伸长率、抗拉屈服强度综合性能铁液智能检测仪 |
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 |