CN115206452A - 一种在线实时预测高炉渣系粘度的方法 - Google Patents

一种在线实时预测高炉渣系粘度的方法 Download PDF

Info

Publication number
CN115206452A
CN115206452A CN202210761913.XA CN202210761913A CN115206452A CN 115206452 A CN115206452 A CN 115206452A CN 202210761913 A CN202210761913 A CN 202210761913A CN 115206452 A CN115206452 A CN 115206452A
Authority
CN
China
Prior art keywords
blast furnace
viscosity
furnace slag
slag system
slag
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.)
Pending
Application number
CN202210761913.XA
Other languages
English (en)
Inventor
张旭
柳政根
刘德楼
孙智强
王建才
储满生
王子钰
刘培军
张立峰
梁子明
李国兴
朱秀芹
刘建刚
王特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fushun New Steel Co ltd
Original Assignee
Fushun New Steel Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fushun New Steel Co ltd filed Critical Fushun New Steel Co ltd
Priority to CN202210761913.XA priority Critical patent/CN115206452A/zh
Publication of CN115206452A publication Critical patent/CN115206452A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Manufacture Of Iron (AREA)

Abstract

本申请提供了一种在线实时预测高炉渣系粘度的方法，涉及高炉渣粘度预测技术领域，包括：获取高炉冶炼炉渣成分；利用高炉冶炼炉渣成分和响应曲面法确定单因素优化区间；基于各个因素的单因素优化区间确定高炉渣系粘度实验方案，并基于高炉渣系粘度实验方案进行高炉渣系粘度实验，得到不同温度条件下的高炉渣系粘度；基于得到的不同温度条件下的高炉渣系粘度数据和响应曲面因素交互作用进行多元线性回归，建立连续变量曲面模型；基于显著性系数对连续变量曲面模型进行优化，得到不同温度条件下渣系粘度预测模型；根据建立的不同温度条件下渣系粘度预测模型，预测高炉渣系粘度。该方法能够达到提前预测高炉渣粘度和实时显示高炉渣粘度的目的。

Description

一种在线实时预测高炉渣系粘度的方法
技术领域
本申请涉及高炉渣粘度预测技术领域，特别是涉及一种在线实时预测高炉渣系粘度的方法。
背景技术
高炉炉渣是高炉生产的副产品之一，其性质对高炉冶炼过程、生铁质量和高炉顺行、炉缸的热制度等都有重要影响。而粘度是高炉滤渣的一个重要性质，过高可能会导致炉渣流动性变差，从而影响高炉顺行，过低则可能加剧对炉壁的冲刷而影响高炉寿命，此外，粘度还会对一些匀速在渣铁间的分配率产生影响。
通常，在一个钢铁厂中烧结用矿粉种类有30-40种、铁矿来源杂、特性差异大、配矿调整频繁，不同配矿结构对高炉渣的粘流特性影响较大，进一步增加高炉冶炼难度大。
在实际生产中，由于条件的限制，难以获取当前的炉渣粘度，不利于操作者及时了解炉缸的状态，特别是在变料时，不同的炉料以及组成产生不同的炉渣，不同的炉料以及组成对炉渣粘度的影响也不尽相同，所以亟需一种能够实时准确预测高炉炉渣粘度的解决方案。
发明内容
有鉴于此，本申请提供了一种在线实时预测高炉渣系粘度的方法，以解决现有技术中不能准确实时预测高炉渣系粘度的技术问题。
为此，本申请提供了以下技术方案：
本申请提供了一种在线实时预测高炉渣系粘度的方法，包括：
获取高炉冶炼炉渣成分；
利用高炉冶炼炉渣成分和响应曲面法确定单因素优化区间；
基于各个因素的单因素优化区间确定高炉渣系粘度实验方案，并基于高炉渣系粘度实验方案进行高炉渣系粘度实验，得到不同温度条件下的高炉渣系粘度；
利用响应曲面法寻找高炉渣试验指标与各因子间的定量规律，确定响应曲面因素交互作用；
基于得到的不同温度条件下的高炉渣系粘度数据和响应曲面因素交互作用进行多元线性回归，建立连续变量曲面模型；
基于显著性系数对连续变量曲面模型进行优化，确定最佳水平范围，得到响应曲面回归模型；得到的响应曲面回归模型即为不同温度条件下渣系粘度预测模型；
根据建立的不同温度条件下渣系粘度预测模型，预测高炉渣系粘度。
进一步地，获取高炉冶炼炉渣成分，包括：从高炉冶炼的生产现场质检化验结果中获取高炉冶炼炉渣成分数据。
进一步地，获取高炉冶炼炉渣成分，包括：
在高炉冶炼开始前，获取高炉入口数据，包括：烧结矿流量、球团矿流量、块矿流量、焦炭流量、煤粉流量、烧结矿成分、球团矿成分、块矿成分、焦炭灰分及灰成分、煤粉灰分及灰成分；
将高炉入口数据输入高炉物质量平衡计算模型，计算得出炉渣成分；所述高炉物质量平衡计算模型是依据质量守恒定律，投入高炉物料的质量综合应等于高炉排出物料的质量总和。
进一步地，因素包括：碱度、氧化镁和氧化铝。
进一步地，碱度的单因素优化区间为1.15～1.25。
进一步地，铝镁比的单因素优化区间为0.55～0.65。
进一步地，高炉渣系镁铝比控制下限为0.55。
进一步地，基于显著性系数对连续变量曲面模型进行优化，包括：将显著性系数低于0.05的数据从连续变量曲面模型中剔除。
进一步地，不同温度条件下渣系粘度预测模型包括：
1450℃条件下，Y1(1450℃)＝+0.45–0.057x1–0.071x2–0.070x3+0.029x1x2+0.026x1x3+0.047x2x3–0.011x1 2+0.023x2 2+0.074x3 2–0.003x1x2x3+0.055x1 2x2+0.10x1 2x3–0.012x1x2；
1500℃条件下，Y1(1500℃)＝+0.32–0.051x1–0.082x2–0.086x3+0.046x1x2–0.027x1x3+0.062x2x3–8.424×10-3x1 2+0.036x2 2+0.089x3 2–0.031x1x2x3+0.025x1 2x2+0.17x1 2x3+0.03x1x2。
本申请的优点和积极效果：本申请中的高炉渣系粘度预测方法，适应烧结复杂用矿条件，由于预测所需的高炉冶炼炉渣成分数据可以通过对高炉入口数据进行计算得到，而从高炉冶炼开始到形成底部炉渣通常需要4～8小时(时间取决于高炉型号)，因此，本申请中的高炉渣系粘度预测方法可以提前4～8小时预测出高炉渣系粘度结果。并实时显示不同温度条件下CaO-SiO2-Al2O3-MgO四元渣系粘度，最大误差7.5％，命中率高于92％。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中一种在线实时预测高炉渣系粘度的方法的流程图；
图2为本申请实施例中高炉渣系黏流特性示意图；
图3为本申请实施例中碱度对高炉渣熔化性温度及粘度的影响示意图；
图4为本申请实施例中镁铝比对高炉渣熔化性温度及粘度的影响示意图；
图5为本申请实施例中不同高炉渣系温度和黏流曲线图；
图6为本申请实施例中1500℃温度条件下响应曲面因素交互作用影响3D图；(a)为粘度(Y1)为考察指标(响应值)，碱度(x1)和MgO质量分数(x2)间交互影响3D响应曲面图；(b)粘度(Y1)为考察指标(响应值)，碱度(x1)和Al2O3质量分数(x3)间交互影响3D响应曲面图；(c)粘度(Y1)为考察指标(响应值)，碱度(x1)和Al2O3质量分数(x3)间交互影响3D响应曲面图；
图7为本申请实施例中1450℃温度条件下响应曲面因素交互作用影响3D图；(a)为粘度(Y1)为考察指标(响应值)，碱度(x1)和MgO质量分数(x2)间交互影响3D响应曲面图；(b)粘度(Y1)为考察指标(响应值)，碱度(x1)和Al2O3质量分数(x3)间交互影响3D响应曲面图；(c)粘度(Y1)为考察指标(响应值)，碱度(x1)和Al2O3质量分数(x3)间交互影响3D响应曲面图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请提供了一种在线实时预测高炉渣系粘度的方法，通过对高炉渣不同高炉渣系在不同温度条件下的粘度数据回归，利用响应曲面法寻找高炉渣试验指标与各因子间的定量规律，找出各因子水平的最佳组合，形成正态概率分布及预测值和实际值分布图和响应曲面因素交互作用影响3D图；并通过响应曲面法RSM→单因素优化区间→多元线性回归→建立连续变量曲面模型→因子及其交互作用进行评价，确定最佳水平范围→响应曲面回归模型，建立不同温度条件下渣系粘度预测模型，达到实时显示高炉渣粘度和提前预测高炉渣粘度的目的。
如图1所示，本申请实施例中的一种在线实时预测高炉渣系粘度的方法，具体包括以下步骤：
S1、获取高炉冶炼炉渣成分；
其中，炉渣成分可以通过多种方式获取，如直接从高炉冶炼的生产现场质检化验结果中获取高炉冶炼炉渣成分数据，或者利用高炉在线物质量平衡计算模型计算得到高炉冶炼炉渣成分数据。本申请实施例中，为了实现对高炉渣系粘度的在线提前预测，采用通过高炉在线物质量平衡计算模型计算得到高炉冶炼炉渣成分数据的方式，具体地，在高炉冶炼开始前，获取高炉入口数据，包括：烧结矿流量、球团矿流量、块矿流量、焦炭流量、煤粉流量、烧结矿成分、球团矿成分、块矿成分、焦炭灰分及灰成分、煤粉灰分及灰成分；其中流量数据的单位均为t/h，成分数据的单位均为％。将高炉入口数据输入高炉物质量平衡计算模型，可以计算得出生铁产量、渣量、焦比、煤比、燃料比、炉渣成分。在进行高炉渣系粘度预测时，主要利用计算得出的炉渣成分。其中高炉物质量平衡计算模型是依据质量守恒定律，投入高炉物料的质量综合应等于高炉排出物料的质量总和。
不同高炉渣系的化学组成如表1所示。
表1
Figure BDA0003721229340000051
Figure BDA0003721229340000061
S2、利用高炉冶炼炉渣成分和响应曲面法确定单因素优化区间；
其中，选取三因素、五水平采用响应曲面法中Central Composite的CCD分析方法对高炉渣系黏流特性进行优化；如表2所示，因素条件分别为：碱度、氧化镁MgO/％、氧化铝Al2O3/％，水平值选取-1.68179，-1，0，1，1.68179。高炉渣系黏流特性如图2所示。
表2
Figure BDA0003721229340000062
响应曲面法是优化随机过程的统计学试验方法，目标是寻找试验指标与各因子间的定量规律，找出各因子水平的最佳组合，在多元线性回归的基础上主动收集数据，以获得具有较好性质的回归方程，建立的复杂多维空间曲面较接近实际情况，所需要的试验组数相对较少，在模拟和系统动力学中得到广泛应用。本发明实施例中，利用响应曲面法对高炉渣粘度与碱度、氧化镁、氧化铝间的定量规律进行分析，确定单因素优化区间，即分别确定碱度、MgO、Al2O3的变化区间。
如图3所示，碱度对高炉渣熔化性温度及粘度的影响包括：随着炉渣碱度升高，粘度逐渐降低，熔化性温度先降低后升高；随着炉渣碱度升高，炉渣成分点由液相线稀疏区向密集区过渡，当高于1.25时，渣系化学稳定性变差；炉渣碱度升高，渣系热稳定性变好；适宜的炉渣碱度范围，也就是碱度的单因素优化区间为1.15～1.25。
如图4所示，镁铝比对高炉渣熔化性温度及粘度的影响包括：随着镁铝比升高，高炉渣粘度和融化性温度降低，渣系流动性变好；随着镁铝比降低，炉渣成分点由液相线稀疏区向密集区过渡，渣系化学稳定性趋差。
基于镁铝比与黏流活化能的回归方程进行计算：
镁铝比为0.45时，回归方程是y＝21393.39-20.54x，计算得到黏流活化能为177.86；
镁铝比为0.50时，回归方程是y＝20448.91-20.03x，计算得到黏流活化能为170.00；
镁铝比为0.55时，回归方程是y＝19957.47-19.82x，计算得到黏流活化能为165.92；
镁铝比为0.60时，回归方程是y＝19537.06-19.71x，计算得到黏流活化能为162.43；
镁铝比为0.65时，回归方程是y＝19092.75-19.52x，计算得到黏流活化能为158.73；
当铝镁比0.55～0.65时，其热稳定性变化幅度较小，炉渣热稳定性好。考虑原料特点和炉料结构，高炉渣系镁铝比控制下限为0.55。
S3、基于各个因素的单因素优化区间确定高炉渣系粘度实验方案，并基于高炉渣系粘度实验方案进行高炉渣系粘度实验，得到不同温度条件下的高炉渣系粘度。
其中，高炉渣系粘度实验方案也就是用于高炉渣系粘度实验的高炉渣系成分配比、成分变化区间等。不同高炉渣系温度(t)与粘度(η)曲线如图5所示，随着温度升高，高炉渣系粘度降低，但不同高炉的降低趋势不同。
S4、利用响应曲面法寻找高炉渣试验指标与各因子间的定量规律，确定响应曲面因素交互作用；
其中，响应曲面因素交互作用影响3D图如图6、7所示，粘度为考察指标，也就是响应值，各因子水平的组合分别为碱度和MgO，碱度和Al2O3，MgO和Al2O3。
S5、基于得到的不同温度条件下的高炉渣系粘度数据和响应曲面因素交互作用进行多元线性回归，建立连续变量曲面模型；
回归分析是研究自变量和因变量之间数量变化关系的一种分析方法，它主要是通过建立因变量Y与影响它的自变量X之间的回归模型，衡量自变量X对因变量Y的影响能力，进而可以预测因变量Y的发展趋势。本发明实施例中以碱度、氧化镁、氧化铝为自变量，不同温度条件下的高炉渣系粘度为因变量，进行多元线性回归，建立连续变量曲面模型。
S6、基于显著性系数对连续变量曲面模型进行优化，确定最佳水平范围，得到响应曲面回归模型。
在具体实施中，可以计算模型、各个因素以及各个因素间的相互作用、误差指标等的显著性系数P，将显著性系数P低于0.05的数据从连续变量曲面模型中剔除。
1500℃温度条件下三次模型方差分析优化计算数据如表3所示。
表3
Figure BDA0003721229340000081
Figure BDA0003721229340000091
1450℃温度条件下三次模型方差分析优化计算数据如表4所示。
条件 系数 自由度 平方和 F-值 P-值 是否显著
模型 0.24 13 0.019 5.69 0.0212 是
x<sub>1</sub> 0.018 1 0.018 5.66 0.0548 否
x<sub>2</sub> 0.029 1 0.029 8.87 0.0247 是
x<sub>3</sub> 0.028 1 0.028 8.54 0.0266 是
x<sub>1</sub>x<sub>2</sub> 0.006833 1 0.006833 2.10 0.1977 否
x<sub>1</sub>x<sub>3</sub> 0.005366 1 0.005366 1.65 0.2467 否
x<sub>2</sub>x<sub>3</sub> 0.018 1 0.018 5.48 0.0577 否
x<sub>1</sub> 0.001726 1 0.001726 0.53 0.4942 否
x<sub>2</sub> 0.007942 1 0.007942 2.44 0.1695 否
x<sub>3</sub><sup>2</sup> 0.078 1 0.078 23.95 0.0027 是
x<sub>1</sub>x<sub>2</sub>x<sub>3</sub> 0.00007942 1 0.00007942 0.022 0.8867 否
x<sub>1</sub><sup>2</sup>x<sub>2</sub> 0.010 1 0.010 3.13 0.1272 否
x<sub>1</sub>x<sub>3</sub> 0.035 1 0.035 10.64 0.0172 是
x<sub>1</sub>x<sub>2</sub><sup>2</sup> 0.0004624 1 0.0004624 0.14 0.7193 否
残差值 0.020 6 0.003258
失拟误差 0.019 1 0.019 410.18 <0.0001 是
自然误差 0.0002354 5 0.00004709
总和 0.26 19
得到的响应曲面回归模型即为不同温度条件下渣系粘度预测模型，具体的模型如表5所示。
表5
Figure BDA0003721229340000101
S7、根据建立的不同温度条件下渣系粘度预测模型，预测高炉渣系粘度。
本申请实施例中的高炉渣系粘度预测方法，适应烧结复杂用矿条件，由于预测所需的高炉冶炼炉渣成分数据可以通过对高炉入口数据进行计算得到，而从高炉冶炼开始到形成底部炉渣通常需要4～8小时(时间取决于高炉型号)，因此，本申请中的高炉渣系粘度预测方法可以提前4～8小时预测出高炉渣系粘度结果。并实时显示不同温度条件下CaO-SiO2-Al2O3-MgO四元渣系粘度，最大误差7.5％，命中率高于92％。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (9)

1.一种在线实时预测高炉渣系粘度的方法，其特征在于，包括：
获取高炉冶炼炉渣成分；
利用高炉冶炼炉渣成分和响应曲面法确定单因素优化区间；
基于各个因素的单因素优化区间确定高炉渣系粘度实验方案，并基于高炉渣系粘度实验方案进行高炉渣系粘度实验，得到不同温度条件下的高炉渣系粘度；
利用响应曲面法寻找高炉渣试验指标与各因子间的定量规律，确定响应曲面因素交互作用；
基于得到的不同温度条件下的高炉渣系粘度数据和响应曲面因素交互作用进行多元线性回归，建立连续变量曲面模型；
基于显著性系数对连续变量曲面模型进行优化，确定最佳水平范围，得到响应曲面回归模型；得到的响应曲面回归模型即为不同温度条件下渣系粘度预测模型；
根据建立的不同温度条件下渣系粘度预测模型，预测高炉渣系粘度。
2.根据权利要求1所述的一种在线实时预测高炉渣系粘度的方法，其特征在于，获取高炉冶炼炉渣成分，包括：从高炉冶炼的生产现场质检化验结果中获取高炉冶炼炉渣成分数据。
3.根据权利要求1所述的一种在线实时预测高炉渣系粘度的方法，其特征在于，获取高炉冶炼炉渣成分，包括：
在高炉冶炼开始前，获取高炉入口数据，包括：烧结矿流量、球团矿流量、块矿流量、焦炭流量、煤粉流量、烧结矿成分、球团矿成分、块矿成分、焦炭灰分及灰成分、煤粉灰分及灰成分；
将高炉入口数据输入高炉物质量平衡计算模型，计算得出炉渣成分；所述高炉物质量平衡计算模型是依据质量守恒定律，投入高炉物料的质量综合应等于高炉排出物料的质量总和。
4.根据权利要求1所述的一种在线实时预测高炉渣系粘度的方法，其特征在于，因素包括：碱度、氧化镁和氧化铝。
5.根据权利要求4所述的一种在线实时预测高炉渣系粘度的方法，其特征在于，碱度的单因素优化区间为1.15～1.25。
6.根据权利要求4所述的一种在线实时预测高炉渣系粘度的方法，其特征在于，铝镁比的单因素优化区间为0.55～0.65。
7.根据权利要求6所述的一种在线实时预测高炉渣系粘度的方法，其特征在于，高炉渣系镁铝比控制下限为0.55。
8.根据权利要求1所述的一种在线实时预测高炉渣系粘度的方法，其特征在于，基于显著性系数对连续变量曲面模型进行优化，包括：将显著性系数低于0.05的数据从连续变量曲面模型中剔除。
9.根据权利要求1所述的一种在线实时预测高炉渣系粘度的方法，其特征在于，不同温度条件下渣系粘度预测模型包括：
1450℃条件下，Y1(1450℃)＝+0.45–0.057x1–0.071x2–0.070x3+0.029x1x2+0.026x1x3+0.047x2x3–0.011x1 2+0.023x2 2+0.074x3 2–0.003x1x2x3+0.055x1 2x2+0.10x1 2x3–0.012x1x2 2；
1500℃条件下，Y1(1500℃)＝+0.32–0.051x1–0.082x2–0.086x3+0.046x1x2–0.027x1x3+0.062x2x3–8.424×10-3x1 2+0.036x2 2+0.089x3 2–0.031x1x2x3+0.025x1 2x2+0.17x1 2x3+0.03x1x2 2。
CN202210761913.XA 2022-06-29 2022-06-29 一种在线实时预测高炉渣系粘度的方法 Pending CN115206452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210761913.XA CN115206452A (zh) 2022-06-29 2022-06-29 一种在线实时预测高炉渣系粘度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210761913.XA CN115206452A (zh) 2022-06-29 2022-06-29 一种在线实时预测高炉渣系粘度的方法

Publications (1)

Publication Number Publication Date
CN115206452A true CN115206452A (zh) 2022-10-18

Family

ID=83578225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210761913.XA Pending CN115206452A (zh) 2022-06-29 2022-06-29 一种在线实时预测高炉渣系粘度的方法

Country Status (1)

Country Link
CN (1) CN115206452A (zh)

Similar Documents

Publication Publication Date Title
CN110275007B (zh) 一种炼焦煤性价比评价模型的建立方法
CN112699613B (zh) 炼铁多目标一体化配料优化方法、系统、设备及介质
CN112509642B (zh) 一种高炉炉渣粘度的在线预测方法
CN105734276A (zh) 一种高炉冶炼用铁矿石经济性综合评价方法及其系统
CN104388613A (zh) 一种高炉炉缸活跃性定量评价的方法
CN110246547B (zh) 一种烧结过程配矿优化方法
CN116822714A (zh) 一种基于生命周期评价的钢铁产品碳足迹管理方法与系统
CN114091871A (zh) 一种高炉炼铁配矿方法与系统
CN110491454B (zh) 一种高炉冶炼成本管理方法、系统及计算机可存储介质
CN101447001A (zh) 一种预测焦炭硫分的方法
CN110598185A (zh) 一种焦炉炼焦单耗影响因素排序方法及系统
CN115206452A (zh) 一种在线实时预测高炉渣系粘度的方法
CN113962102A (zh) 一种钢铁生产全流程碳排放数字化仿真方法
CN115630268B (zh) 长流程钢铁企业碳排放评估模型的建立方法、评估方法及评估系统
CN111798023A (zh) 一种炼钢烧结生产中综合焦比预测的方法
KR101100589B1 (ko) 코크스의 고온 강도 예측방법
CN107967625B (zh) 一种铁矿粉性价比评价方法
CN115359851A (zh) 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法
CN111680932B (zh) 一种高炉异常炉况成因的获取方法和装置
CN112287283B (zh) 一种高炉运行状态评价方法、装置及存储介质
CN117494893B (zh) 一种钢材生产过程能耗预测方法
Lauzon-Gauthier et al. Multivariate monitoring of the prebaked anode manufacturing process and anode quality
CN111286570A (zh) 利用扫描雷达调控异常操作炉型的方法
Lauzon-Gauthier Multivariate latent variable modelling of the pre-baked anode manufacturing process used in aluminum smelting
CN113051847B (zh) 一种高炉炉渣热稳定性评价方法及优化方法

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