CN115522012B - 一种大型转炉控制tsc阶段吹氧量的方法 - Google Patents
一种大型转炉控制tsc阶段吹氧量的方法 Download PDFInfo
- Publication number
- CN115522012B CN115522012B CN202211027165.9A CN202211027165A CN115522012B CN 115522012 B CN115522012 B CN 115522012B CN 202211027165 A CN202211027165 A CN 202211027165A CN 115522012 B CN115522012 B CN 115522012B
- Authority
- CN
- China
- Prior art keywords
- tsc
- data
- molten iron
- converter
- target
- 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
- 238000007664 blowing Methods 0.000 title claims abstract description 75
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 58
- 239000001301 oxygen Substances 0.000 title claims abstract description 58
- 208000009999 tuberous sclerosis Diseases 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 30
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 28
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 28
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 27
- 239000010959 steel Substances 0.000 claims abstract description 27
- 238000007637 random forest analysis Methods 0.000 claims abstract description 12
- 239000002994 raw material Substances 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000009851 ferrous metallurgy Methods 0.000 claims abstract description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 92
- 229910052742 iron Inorganic materials 0.000 claims description 43
- 239000011572 manganese Substances 0.000 claims description 21
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 18
- 229910052710 silicon Inorganic materials 0.000 claims description 18
- 239000010703 silicon Substances 0.000 claims description 18
- 239000002893 slag Substances 0.000 claims description 17
- 238000003723 Smelting Methods 0.000 claims description 15
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 12
- 229910052698 phosphorus Inorganic materials 0.000 claims description 12
- 239000011574 phosphorus Substances 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 claims description 4
- DPTATFGPDCLUTF-UHFFFAOYSA-N phosphanylidyneiron Chemical compound [Fe]#P DPTATFGPDCLUTF-UHFFFAOYSA-N 0.000 claims description 4
- DALUDRGQOYMVLD-UHFFFAOYSA-N iron manganese Chemical compound [Mn].[Fe] DALUDRGQOYMVLD-UHFFFAOYSA-N 0.000 claims description 3
- 229910052748 manganese Inorganic materials 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 230000003068 static effect Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005261 decarburization Methods 0.000 description 3
- 230000036284 oxygen consumption Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- QMQXDJATSGGYDR-UHFFFAOYSA-N methylidyneiron Chemical compound [C].[Fe] QMQXDJATSGGYDR-UHFFFAOYSA-N 0.000 description 1
- 238000005502 peroxidation Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/28—Manufacture of steel in the converter
- C21C5/30—Regulating or controlling the blowing
- C21C5/35—Blowing from above and through the bath
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明涉及一种大型转炉控制TSC阶段吹氧量的方法，属于钢铁冶金方法技术领域。本发明的技术方案是：采用带有靶向吹氧量模型的随机森林人工智能算法，在充分考虑原辅料变化因素以及不同操作因素的基础上，构建转炉各影响因素间的内在联系，实现大型转炉TSC阶段吹氧量的精确预测与控制。本发明的有益效果是：解决转炉静态模型稳定控制问题，减少吹氧量过高造成钢水纯净度低，夹杂物类冶金缺陷风险增高的问题，对转炉钢水质量改善，节约介质能源，减少碳排放等均具有重要意义。
Description
技术领域
本发明涉及一种大型转炉控制TSC阶段吹氧量的方法，属于钢铁冶金方法技术领域。
背景技术
目前国内大型转炉均为顶底复吹转炉，氧气是最主要的冶金介质，参与转炉内铁水脱碳、脱硅、脱锰和脱磷等化学反应，使铁水完成向钢水的质变，将钢水中的杂质元素控制在较低水平。
转炉吹氧量过低会造成铁水元素反应不完全，无法达到转炉终点成分控制的目标要求，吹氧量过高会造成终点过氧化严重，影响钢水纯净度控制，造成钢水夹杂物类的冶金缺陷风险增高，因此，转炉吹氧量的精确控制对稳定冶炼生产，改善钢水质量，节约介质能源等方面均有重要意义。
对于副枪控制的大型转炉，其温度控制分为两个阶段，以TSC探头测量为分界点，之前为TSC阶段，测量之后为终点控制阶段。TSC阶段主要通过吹氧造渣，对碳和温度进行控制，从而确保转炉终点成分和终点温度命中。在该阶段受物料条件不稳定、化验室成分偏差、生产操作环境复杂等因素影响，TSC阶段吹氧量控制稳定性较差，是制约转炉终点控制的重要影响因素。
申请号为CN201810236463.6的专利公开了“一种转炉顶吹吹炼过程中吹氧的控制方法”该方法通过数学模型计算吹氧总量A0，以及生产阶段每个供氧支管所需氧气量的计算值A1，但是该专利未明确说明数学模型的计算原理和步骤。
申请号为CN201811261823.4的专利公开了“一种基于灰色预测与神经网络组合模型转炉氧耗量预测方法”该方法建立了灰色Elman神经网络用氧量模型，将灰色模型和Elman神经网络相结合，对影响转炉氧气消耗量的多个因素分析后进行预测。但是，该方法对于整体吹氧量进行预测，忽视了副枪控制转炉的现场操作的特点，对于现场原料条件、操作环境的复杂性未进行充分思考。
文献[李洋,韩敏,姜力文.基于氧气脱碳效率预测的转炉炼钢吹氧量计算模型.大连理工大学学报,2012]通过引入脱碳效率，找出影响吹氧量的主要因素，为铁水温度、铁水碳、铁水磷、铁水硅、副枪测量温度、石灰等辅料加入量，该方法对于影响吹氧量的因素考虑较少，主要基于理论计算，忽视了现场原料条件变化和操作环境的复杂性。
以上方法对于顶底复吹转炉冶炼现场对吹氧量的影响因素考虑较少，未充分考虑现场原料变化，尤其当前环保要求高，转炉回吃钢渣后的不确定性，以及各班组间的不同操作特点和不同底吹控制模式的影响，因此，需要寻找合理的方法，控制不同物料条件和复杂的生产条件下TSC阶段转炉吹氧量，解决转炉生产控制稳定性的问题。
发明内容
本发明目的是提供一种大型转炉控制TSC阶段吹氧量的方法，采用带有靶向吹氧量模型的随机森林人工智能算法，在充分考虑原辅料变化因素以及不同操作因素的基础上，构建转炉各影响因素间的内在联系，实现大型转炉TSC阶段吹氧量的精确预测与控制，解决转炉静态模型稳定控制问题，减少吹氧量过高造成钢水纯净度低，夹杂物类冶金缺陷风险增高的问题，对转炉钢水质量改善，节约介质能源，减少碳排放等均具有重要意义，有效地解决了背景技术中存在的上述问题。
本发明的技术方案是：一种大型转炉控制TSC阶段吹氧量的方法，包含以下步骤：
(1)通过对冶炼过程数据的收集，通过数据有效性筛选，根据电脑算力择优选择冶炼历史数据作为训练数据要求大于1000组(训练数据越多预测越准确，但是训练数据越多训练时间越长，因此需要综合考虑)，训练数据包含输入数据和输出数据；
(2)建立数据筛选模型，对训练数据进行筛选；
(3)生产计划下达后，对即将生产炉次原料信息与转炉终点控制要求进行收集，对转炉底吹模式进行判断，通过靶向吹氧量模型计算所需氧量作为一项输入项，通过随机森林人工智能算法构建随机森林模型，对吹氧量进行预测；
(4)炉次冶炼完毕，该炉次信息通过筛选模型进入训练数据的数据库，同时将数据库中时间最早的炉次数据删除，保证训练数据始终为固定炉数。
所述步骤(1)中，训练数据中，根据钢铁冶金原理和现场生产经验，选择输入数据为：靶向吹氧量、底吹模式、铁水重量、铁水温度、靶向碳含量、铁水硅含量、铁水锰含量、铁水磷含量、废钢重量、钢渣重量、矿石加入量、班组、TSC碳含量、TSC磷含量、TSC锰含量和TSC温度；
输出数据为：TSC阶段吹氧量；
训练数据为按照时间顺序，选择当前冶炼炉次之前数据。
所述步骤(2)中，数据筛选模型的筛选规则如下：①训练数据中输入数据和输出数据均需要有采集数据，采集数据为空则筛除出训练数据；②铁水温度选择1250-1490℃，其余为异常数据，不进入训练数据；③铁水重量选择240-310t，且铁水+废钢重量大于等于280t，其余为异常数据，不进入训练数据；④钢渣加入量在15t以内，其余为异常数据，不进入训练数据；⑤TSC碳含量在0.15-0.55％，不满足不进入训练数据；⑥TSC温度在1550-1640℃之间，不满足不进入训练数据。
所述步骤(3)中，转炉底吹模式，当转炉终点碳含量小于0.1％时，采用模式1，即吹炼前期底吹流量为720±50m3/h，吹炼后期1200±50m3/h；当转炉终点碳含量大于等于0.1％时，采用模式2，即吹炼前期底吹流量为680±50m3/h，吹炼后期1080±50m3/h。
所述步骤(3)中，转炉底吹采用八孔环形布置，D/d＝1.62，其中D为底吹炉底直径，d为底吹元件位置直径，各元件间夹角为45°。
所述步骤(3)中，靶向吹氧量模型，其计算公式为：V＝Wt*(ac-a目标c)*1026+Wt*800*a硅+Wt*(aMn-a目标Mn)*203.63+Wt*(ap-a目标p)*175+Wt*0.35+W矿石*172.66+W钢渣*32.2+380.5
式中Wt为铁水装入重量，ac为靶向碳含量，a目标c为TSC目标碳元素质量分数，a硅为铁水硅元素质量分数，aMn为铁水锰元素质量分数，a目标Mn为TSC目标锰元素质量分数，ap为铁水磷元素质量分数，a目标p为TSC目标磷元素质量分数，W钢渣为炉内钢渣质量。
所述靶向碳含量，其计算公式为：
ac＝(1.326+0.00244T铁+0.43aMn-0.28a硅-0.351ap)/100
其中T铁为铁水温度，aMn为铁水锰元素质量分数，a硅为铁水硅元素质量分数，ap为铁水磷元素质量分数。
所述步骤(3)中，随机森林模型参数设定为①森林数目数量使用500颗；②每颗数目枝杈分叉层数限制为20层；③数据最大特征限定为13个参数；④叶子节点最少样本数为5个样本；⑤当前节点允许分裂的最小样本数12个样本；⑥节点分叉依据采用训练数据的基尼系数的方式。
本发明的有益效果是：采用带有靶向吹氧量模型的随机森林人工智能算法，在充分考虑原辅料变化因素以及不同操作因素的基础上，构建转炉各影响因素间的内在联系，实现大型转炉TSC阶段吹氧量的精确预测与控制，解决转炉静态模型稳定控制问题，减少吹氧量过高造成钢水纯净度低，夹杂物类冶金缺陷风险增高的问题，对转炉钢水质量改善，节约介质能源，减少碳排放等均具有重要意义。
附图说明
图1为本发明的流程图；
图2为本发明的底吹元件布置图。
具体实施方式
为了使发明实施案例的目的、技术方案和优点更加清楚，下面将结合实施案例中的附图，对本发明实施案例中的技术方案进行清晰的、完整的描述，显然，所表述的实施案例是本发明一小部分实施案例，而不是全部的实施案例，基于本发明中的实施案例，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案例，都属于本发明保护范围。
一种大型转炉控制TSC阶段吹氧量的方法，包含以下步骤：
(1)通过对冶炼过程数据的收集，通过数据有效性筛选，根据电脑算力择优选择冶炼历史数据作为训练数据要求大于1000组，训练数据包含输入数据和输出数据；
(2)建立数据筛选模型，对训练数据进行筛选；
(3)生产计划下达后，对即将生产炉次原料信息与转炉终点控制要求进行收集，对转炉底吹模式进行判断，通过靶向吹氧量模型计算所需氧量作为一项输入项，通过随机森林人工智能算法构建随机森林模型，对吹氧量进行预测；
(4)炉次冶炼完毕，该炉次信息通过筛选模型进入训练数据的数据库，同时将数据库中时间最早的炉次数据删除，保证训练数据始终为固定炉数。
所述步骤(1)中，训练数据中，根据钢铁冶金原理和现场生产经验，选择输入数据为：靶向吹氧量、底吹模式、铁水重量、铁水温度、靶向碳含量、铁水硅含量、铁水锰含量、铁水磷含量、废钢重量、钢渣重量、矿石加入量、班组、TSC碳含量、TSC磷含量、TSC锰含量和TSC温度；
输出数据为：TSC阶段吹氧量；
训练数据为按照时间顺序，选择当前冶炼炉次之前数据。
所述步骤(2)中，数据筛选模型的筛选规则如下：①训练数据中输入数据和输出数据均需要有采集数据，采集数据为空则筛除出训练数据；②铁水温度选择1250-1490℃，其余为异常数据，不进入训练数据；③铁水重量选择240-310t，且铁水+废钢重量大于等于280t，其余为异常数据，不进入训练数据；④钢渣加入量在15t以内，其余为异常数据，不进入训练数据；⑤TSC碳含量在0.15-0.55％，不满足不进入训练数据；⑥TSC温度在1550-1640℃之间，不满足不进入训练数据。
所述步骤(3)中，转炉底吹模式，当转炉终点碳含量小于0.1％时，采用模式1，即吹炼前期底吹流量为720±50m3/h，吹炼后期1200±50m3/h；当转炉终点碳含量大于等于0.1％时，采用模式2，即吹炼前期底吹流量为680±50m3/h，吹炼后期1080±50m3/h。
所述步骤(3)中，转炉底吹采用八孔环形布置，D/d＝1.62，其中D为底吹炉底直径，d为底吹元件位置直径，各元件间夹角为45°。
所述步骤(3)中，靶向吹氧量模型，其计算公式为：V＝Wt*(ac-a目标c)*1026+Wt*800*a硅+Wt*(aMn-a目标Mn)*203.63+Wt*(ap-a目标p)*175+Wt*0.35+W矿石*172.66+W钢渣*32.2+380.5
式中Wt为铁水装入重量，ac为靶向碳含量，a目标c为TSC目标碳元素质量分数，a硅为铁水硅元素质量分数，aMn为铁水锰元素质量分数，a目标Mn为TSC目标锰元素质量分数，ap为铁水磷元素质量分数，a目标p为TSC目标磷元素质量分数，W钢渣为炉内钢渣质量。
所述靶向碳含量，其计算公式为：
ac＝(1.326+0.00244T铁+0.43aMn-0.28a硅-0.351ap)/100
其中T铁为铁水温度，aMn为铁水锰元素质量分数，a硅为铁水硅元素质量分数，ap为铁水磷元素质量分数。
所述步骤(3)中，随机森林模型参数设定为①森林数目数量使用500颗；②每颗数目枝杈分叉层数限制为20层；③数据最大特征限定为13个参数；④叶子节点最少样本数为5个样本；⑤当前节点允许分裂的最小样本数12个样本；⑥节点分叉依据采用训练数据的基尼系数的方式。
实施例：
实施单位260t大型顶底复吹转炉，氧枪采用6孔结构，马赫数为20.5，喷枪夹角为16°，工作压力为0.9MPa，工作班组分为甲、乙、丙、丁四个，训练数据选择2000组。
冶炼原料信息如下：
TSC阶段设定值以及吹氧量实际与预测结果如下：
从实施例的预测结果观察，吹氧量预测值与实际偏差在±200m3以内，满足现场使用要求。
Claims (6)
1.一种大型转炉控制TSC阶段吹氧量的方法，其特征在于包含以下步骤：
(1)通过对冶炼过程数据的收集，通过数据有效性筛选，根据电脑算力择优选择冶炼历史数据作为训练数据要求大于1000组，训练数据包含输入数据和输出数据；训练数据中，根据钢铁冶金原理和现场生产经验，选择输入数据为：靶向吹氧量、底吹模式、铁水重量、铁水温度、靶向碳含量、铁水硅含量、铁水锰含量、铁水磷含量、废钢重量、钢渣重量、矿石加入量、班组、TSC碳含量、TSC磷含量、TSC锰含量和TSC温度；
输出数据为：TSC阶段吹氧量；
训练数据为按照时间顺序，选择当前冶炼炉次之前数据；
(2)建立数据筛选模型，对训练数据进行筛选；
(3)生产计划下达后，对即将生产炉次原料信息与转炉终点控制要求进行收集，对转炉底吹模式进行判断，通过靶向吹氧量模型计算所需氧量作为一项输入项，通过随机森林人工智能算法构建随机森林模型，对吹氧量进行预测；所述靶向吹氧量模型，其计算公式为：
V＝Wt*(ac-a目标c)*1026+Wt*800*a硅+Wt*(aMn-a目标Mn)*203.63+Wt*(ap-a目标p)*175+Wt*0.35+W矿石*172.66+W钢渣*32.2+380.5
式中Wt为铁水装入重量，ac为靶向碳含量，a目标c为TSC目标碳元素质量分数，a硅为铁水硅元素质量分数，aMn为铁水锰元素质量分数，a目标Mn为TSC目标锰元素质量分数，ap为铁水磷元素质量分数，a目标p为TSC目标磷元素质量分数，W钢渣为炉内钢渣质量；
(4)炉次冶炼完毕，该炉次信息通过筛选模型进入训练数据的数据库，同时将数据库中时间最早的炉次数据删除，保证训练数据始终为固定炉数。
2.根据权利要求1所述的一种大型转炉控制TSC阶段吹氧量的方法，其特征在于：所述步骤(2)中，数据筛选模型的筛选规则如下：①训练数据中输入数据和输出数据均需要有采集数据，采集数据为空则筛除出训练数据；②铁水温度选择1250-1490℃，其余为异常数据，不进入训练数据；③铁水重量选择240-310t，且铁水+废钢重量大于等于280t，其余为异常数据，不进入训练数据；④钢渣加入量在15t以内，其余为异常数据，不进入训练数据；⑤TSC碳含量在0.15-0.55％，不满足不进入训练数据；⑥TSC温度在1550-1640℃之间，不满足不进入训练数据。
3.根据权利要求1所述的一种大型转炉控制TSC阶段吹氧量的方法，其特征在于：所述步骤(3)中，转炉底吹模式，当转炉终点碳含量小于0.1％时，采用模式1，即吹炼前期底吹流量为720±50m3/h，吹炼后期1200±50m3/h；当转炉终点碳含量大于等于0.1％时，采用模式2，即吹炼前期底吹流量为680±50m3/h，吹炼后期1080±50m3/h。
4.根据权利要求1所述的一种大型转炉控制TSC阶段吹氧量的方法，其特征在于：所述步骤(3)中，转炉底吹采用八孔环形布置，D/d＝1.62，其中D为底吹炉底直径，d为底吹元件位置直径，各元件间夹角为45°。
5.根据权利要求4所述的一种大型转炉控制TSC阶段吹氧量的方法，其特征在于：所述靶向碳含量，其计算公式为：
ac＝(1.326+0.00244T铁+0.43aMn-0.28a硅-0.351ap)/100
其中T铁为铁水温度，aMn为铁水锰元素质量分数，a硅为铁水硅元素质量分数，ap为铁水磷元素质量分数。
6.根据权利要求1所述的一种大型转炉控制TSC阶段吹氧量的方法，其特征在于：所述步骤(3)中，随机森林模型参数设定为①森林数目数量使用500颗；②每颗数目枝杈分叉层数限制为20层；③数据最大特征限定为13个参数；④叶子节点最少样本数为5个样本；⑤当前节点允许分裂的最小样本数12个样本；⑥节点分叉依据采用训练数据的基尼系数的方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211027165.9A CN115522012B (zh) | 2022-08-25 | 2022-08-25 | 一种大型转炉控制tsc阶段吹氧量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211027165.9A CN115522012B (zh) | 2022-08-25 | 2022-08-25 | 一种大型转炉控制tsc阶段吹氧量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115522012A CN115522012A (zh) | 2022-12-27 |
| CN115522012B true CN115522012B (zh) | 2024-01-12 |
Family
ID=84697988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211027165.9A Active CN115522012B (zh) | 2022-08-25 | 2022-08-25 | 一种大型转炉控制tsc阶段吹氧量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115522012B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116434856B (zh) * | 2023-03-17 | 2024-04-16 | 北京科技大学 | 一种基于分段式氧气脱碳效率的转炉供氧量预测方法 |
| CN116640906B (zh) * | 2023-07-27 | 2023-10-20 | 江苏永钢集团有限公司 | 一种基于5g技术的钢包底吹二氧化碳冶炼方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060072404A (ko) * | 2004-12-23 | 2006-06-28 | 주식회사 포스코 | 취련중 산소 소요량 예측 방법 |
| CN104630410A (zh) * | 2015-02-10 | 2015-05-20 | 东北大学 | 一种基于数据解析的转炉炼钢质量实时动态预测方法 |
| CN113362903A (zh) * | 2021-06-02 | 2021-09-07 | 邯郸钢铁集团有限责任公司 | 一种大型转炉tsc阶段智能添加石灰的方法 |
| CN113961865A (zh) * | 2021-09-08 | 2022-01-21 | 邯郸钢铁集团有限责任公司 | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 |
-
2022
- 2022-08-25 CN CN202211027165.9A patent/CN115522012B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060072404A (ko) * | 2004-12-23 | 2006-06-28 | 주식회사 포스코 | 취련중 산소 소요량 예측 방법 |
| CN104630410A (zh) * | 2015-02-10 | 2015-05-20 | 东北大学 | 一种基于数据解析的转炉炼钢质量实时动态预测方法 |
| CN113362903A (zh) * | 2021-06-02 | 2021-09-07 | 邯郸钢铁集团有限责任公司 | 一种大型转炉tsc阶段智能添加石灰的方法 |
| CN113961865A (zh) * | 2021-09-08 | 2022-01-21 | 邯郸钢铁集团有限责任公司 | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于大数据的智能化自动炼钢技术;闫忠峰;;河北冶金(第03期);全文 * |
| 增量模型在转炉炼钢中应用及影响因素分析;李宁;燕建宏;江路平;刘文强;孟义春;;中国冶金(第08期);全文 * |
| 转炉冶炼终点静态控制预测模型;黄金侠;金宁德;;炼钢(第01期);第46页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115522012A (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
| CN109447346B (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
| CN104630410B (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
| CN108676955A (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
| CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
| Liu et al. | A dynamic analytics method based on multistage modeling for a BOF steelmaking process | |
| Lin et al. | Consideration of green intelligent steel processes and narrow window stability control technology on steel quality | |
| 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 | |
| CN113239482B (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
| CN107368125B (zh) | 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法 | |
| CN103194553A (zh) | 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法 | |
| CN108647407A (zh) | 一种转炉炼钢烟气分析定碳方法 | |
| CN113962050A (zh) | 一种结合产耗预测及管网计算的氧气调度计算方法 | |
| CN113961865A (zh) | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 | |
| CN108004368A (zh) | 智能化自动炼钢方法及装置 | |
| CN103695593B (zh) | 转炉自动化炼钢留渣操作方法 | |
| CN109359320B (zh) | 基于多采样率自回归分布滞后模型的高炉指标预测方法 | |
| CN107502698A (zh) | 一种适用于少渣冶炼的自动化炼钢方法 | |
| CN116911057A (zh) | 一种转炉炼钢吹炼过程熔池温度实时预测方法 | |
| CN113736948B (zh) | 一种dc04钢转炉冶炼终点不等样的脱磷控制方法 | |
| CN113362903B (zh) | 一种大型转炉tsc阶段智能添加石灰的方法 | |
| Song et al. | A Novel Operation Optimization Method Based on Mechanism Analytics for the Quality of Molten Steel in the BOF Steelmaking Process | |
| Mitra et al. | Evolutionary algorithms in ironmaking applications | |
| CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 | |
| Zhang et al. | Prediction of lime utilization ratio of dephosphorization in BOF steelmaking based on online sequential extreme learning machine with forgetting mechanism |
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 |