CN116124677B - 一种高炉烧结矿料层透气性的快速评价方法 - Google Patents
一种高炉烧结矿料层透气性的快速评价方法 Download PDFInfo
- Publication number
- CN116124677B CN116124677B CN202310412043.XA CN202310412043A CN116124677B CN 116124677 B CN116124677 B CN 116124677B CN 202310412043 A CN202310412043 A CN 202310412043A CN 116124677 B CN116124677 B CN 116124677B
- Authority
- CN
- China
- Prior art keywords
- porosity
- samples
- stacking
- blast furnace
- air permeability
- 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
- 238000005245 sintering Methods 0.000 title claims abstract description 36
- 230000035699 permeability Effects 0.000 title claims abstract description 27
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 17
- 239000011707 mineral Substances 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 21
- 239000000203 mixture Substances 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012417 linear regression Methods 0.000 claims abstract description 8
- 238000009827 uniform distribution Methods 0.000 claims abstract description 5
- 238000005094 computer simulation Methods 0.000 claims abstract description 4
- 238000003921 particle size analysis Methods 0.000 claims abstract description 4
- 239000007787 solid Substances 0.000 claims abstract description 3
- 239000002245 particle Substances 0.000 claims description 73
- 238000009826 distribution Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007873 sieving Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 7
- 235000019580 granularity Nutrition 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102100021807 ER degradation-enhancing alpha-mannosidase-like protein 1 Human genes 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Dispersion Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
一种高炉烧结矿料层透气性的快速评价方法，步骤如下：对n个烧结料样品进行粒度分析；针对每组烧结矿样品分析数据进行计算机离散元建模，并进行均匀分布堆垛；对堆垛后的烧结矿料层进行统计，得到实体体积Vi1/m3和堆垛体积Vi0/m3，求取孔隙度Ei；针对该在役高炉的全部烧结矿样品粒度组成，分别进行计算机建模，得到所有的孔隙度E1，E2，E3，……，En；用上述所有烧结矿样品的粒度组成和对应的孔隙度进行多元线性回归分析，得到孔隙度计算公式，计算并预测新的烧结矿样品的孔隙度。通过该方法，能够对烧结矿料层的透气性进行快速评价，给高炉操作调剂提供预警，提高了料层透气性判断和高炉操作调剂的科学性、合理性和准确性。
Description
技术领域
本发明涉及高炉炼铁技术领域，具体涉及一种高炉烧结矿料层透气性的快速评价方法。
背景技术
现代高炉炼铁生产过程中，原燃料从炉顶装入炉内，随着下部冶炼的进行，炉料在高炉内不断下降，并完成加热、还原和冶炼的过程。而煤气流自下而上穿过料层，参与矿石的还原过程，并从炉顶排出进入煤气净化系统。而煤气流是否顺畅运行，受到料层透气性的影响，因此料层的透气性就显得尤为重要。
而目前主要是通过操作过程中的透气性指数来判断料层透气性，即：使用风量值除以压差得到。但是，这种判断方法是在炉料已经进入高炉后才能获取，是一种结果，而不是提前预知料层透气性，也就无法给高炉操作调剂提供科学依据。稍有调剂失误，很可能造成炉况波动，甚至引发炉况异常，给企业造成损失。
因此，针对高炉烧结矿料层透气性的评价，有必要建立一种快速的评价方法，使操作人员能提供快速、有效、科学地对原燃料入炉之前进行预先判断，进而为高炉操作调整提供预警。
发明内容
解决的技术问题：针对现有技术中存在的问题，本发明提供一种高炉烧结矿料层透气性的快速评价方法，通过该方法，能够针对企业的烧结矿实际情况，获取相应的评判计算公式，并依据该公式，对烧结矿料层的透气性进行快速评价，给出高炉操作调剂提供预警，提高了料层透气性判断和高炉操作调剂的科学性、合理性和准确性。
技术方案：通常，在所有原燃料中，烧结矿的粒度范围最大，因此烧结矿对料层透气性影响最大，而透气性又和孔隙度（孔隙率）直接相关。因此，对透气性的判断和控制，关键是需要在烧结矿粒度组成和孔隙度之间建立合适的数学关系。
一种高炉烧结矿料层透气性的快速评价方法，步骤如下：
步骤一.对在役烧结机所生产的n组（根据企业实际情况及精度需要）烧结矿样品进行粒度分析，分析各组高炉烧结矿样品粒度分布时通过过筛划分为以下四个等级：＞40mm（由于是筛分，数据处理时40mm算作＞40mm等级）、25~40mm（数据处理时算作≥25mm且＜40mm）、10~25mm（数据处理时算作≥10mm且<25mm）、5-10mm（数据处理时算作≥5mm且＜10mm，行业内小于5mm的烧结矿一般不会进入高炉使用），各组烧结矿样品中各等级样品量占该组烧结矿样品量的质量百分比记为粒度组成数据，其中，n为大于1的自然数；如果个别企业不选用此标准，也可自定义划分标准，本方法提供的评价方法依然适用。
步骤二.根据第i个烧结矿样品的粒度组成数据进行计算机离散元建模，并进行均匀分布堆垛，i取1~n之间的自然数，堆垛建模时先计算每一级粒度分布等级内颗粒的体积、数量，在产生颗粒时采用均匀方式，空间分布采取随机进行堆垛；
步骤三.对堆垛后的烧结矿料层进行统计，得到实体体积Vi1/m3和堆垛体积Vi0/m3，则可得到致密度
，进而得到孔隙度/>
，每一个样品做3~5次随机堆垛，并分别进行计算机测量，得到孔隙度数值求取平均值Ei；
步骤四.针对该在役烧结机所生产的全部烧结矿样品粒度组成，分别进行计算机建模，得到所有的孔隙度E1，E2，E3，……，En，其中n为样品总个数；
步骤五.用上述所有烧结矿样品的粒度组成和对应的孔隙度进行多元线性回归分析，得到孔隙度和粒度组成的多元化关系；
其中
分别表示4个粒度等级对应的质量百分比,m为常数项，a、b、c、d为常数；
步骤六.利用上述步骤五得到的孔隙度公式，计算并预测新的烧结矿样品的孔隙度，同时，对这些新样品进行计算机离散元建模，并统计“实际堆垛”的孔隙度，将二者进行对比，若偏差在可接受范围内，则利用该孔隙度公式指导实际生产，若偏差在不可接受范围内，则增加步骤一中的样品数量，进行新的计算机离散元建模分析，并重复步骤二~五，直到偏差在可接受范围内为止，所述可接受范围为相对误差在1.5%以内，即（孔隙度预测值-孔隙度堆垛值）/孔隙度堆垛值*100%，在-1.5%~1.5%以内。
作为优选，所述步骤一中取n组高炉烧结矿样品时每组烧结矿样品以时间为跨度进行取样，样品的时间跨度最少为2年。
作为优选，所述步骤二中，堆垛形状为长方体或圆柱体，堆垛体积为1~2m3，并且每一个维度的尺寸均超过最大颗粒粒径的10倍以上。
作为优选，所述步骤二中，堆垛数量和堆垛规模需排除随机性的影响，最大粒度分布等级中最大粒级颗粒数量至少为200个，以确保堆积立方体内各角落都有分布，以消除随机性影响。假如样品颗粒的堆垛数量很小，最大粒级的颗粒数量在10个以内。这种情况下，颗粒堆积会受到随机性的影响，某些角落没有最大粒级，而某些角落分布着好几个最大粒级颗粒，这将直接导致孔隙度统计无效，也无法反映高炉内的堆积特点。为排除堆垛数量和堆垛规模的随机性影响，必须加大规模。如最大粒级颗粒保证在200个以上，确保在堆积立方体内各角落都有分布，以消除随机性影响。堆垛规模越大，随机性影响就消除得越彻底。
作为优选，所述步骤二中，进行计算机离散元建模时，进行均匀分布堆垛，堆垛形状为长方体或圆柱体，根据烧结矿样品的总重量和粒度分布，计算每一级粒径对应的颗粒重量，再根据每个粒度的尺寸计算得到对应的颗粒数量，然后按照颗粒产生总时间，计算单位时间内四种不同粒径的颗粒数量，并在瞬间同时产生，并在重力作用下沉降，以便在建立的立方体容器内进行堆垛，从而保证不同粒级的颗粒达到均匀分布的效果。
作为优选，所述步骤五中，通过最小二乘法进行多元线性回归分析，以四个粒度等级对应的质量百分比为自变量，以孔隙度E作为因变量，a，b，c，d和m为多元线性回归获取到的系数和常数项，该常数项为截距。
有益效果：本发明通过设定烧结矿粒度组成的方式，进行计算机离散元建模分析，得到适合本企业烧结矿料层透气性的计算公式，并用于烧结矿入炉前的料层透气性判断。不仅可提前判断，而且大大提高判断的科学性、准确性，为高炉操作调剂提供数据支撑。
附图说明
图1 为本发明实施例1中样品2的堆垛模型示意图；
图2为实施例1所有烧结矿样品的每一个粒度百分比和对应的孔隙度做散点分析数据图，图中（a）为孔隙度与大于40mm烧结矿比例的关系图；（b）为孔隙度25~40mm烧结矿比例的关系图；（c）为孔隙度与10~25mm烧结矿比例的关系图；（d）为孔隙度5-10mm烧结矿比例的关系图；
图3为实施例1新样品孔隙率的预测结果与模拟结果对比图。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行详细的描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明说明书实施例中的烧结矿样品可以采用烧结矿成品仓的烧结矿，也可采用高炉槽下的烧结矿，具体以实际需求为准，样品的时间跨度，需保证最少2年。所述烧结矿样品最好是同一台烧结机所生产的烧结矿样品，选取的烧结矿样品粒度组成应能覆盖极端波动范围，需要注意的是：性能差别较大的烧结机所生产的烧结矿样品不能放在一起分析。
实施例1
本实施例一种高炉烧结矿料层透气性的快速评价方法，包括如下步骤：
（1）对沙钢集团有限公司原料烧结厂3#350m2烧结机所生产的多个（根据需要，这里取50个）烧结矿样品进行粒度分析，每个样品取1500kg，进行筛分，得到粒度组成数据如下：
| 样品序号 | 时间 | >40mm比例 | 25~40mm比例 | 10~25mm比例 | 5~10mm比例 |
| 1 | 2020.1 | 7.96% | 17.24% | 48.50% | 26.30% |
| 2 | 2020.1 | 14.67% | 23.90% | 38.70% | 22.73% |
| 3 | 2020.2 | 7.87% | 13.66% | 49.61% | 28.86% |
| 4 | 2020.2 | 11.09% | 22.84% | 45.53% | 20.55% |
| 5 | 2020.3 | 13.22% | 16.68% | 48.53% | 21.56% |
| 6 | 2020.3 | 14.70% | 22.03% | 46.50% | 16.77% |
| 7 | 2020.4 | 10.90% | 14.40% | 50.92% | 23.79% |
| 8 | 2020.4 | 12.80% | 18.24% | 40.84% | 28.12% |
| 9 | 2020.5 | 9.68% | 26.06% | 41.72% | 22.54% |
| 10 | 2020.5 | 13.39% | 14.60% | 43.12% | 28.89% |
| 11 | 2020.6 | 6.31% | 16.52% | 53.27% | 23.89% |
| 12 | 2020.6 | 20.97% | 24.06% | 32.85% | 22.11% |
| 13 | 2020.7 | 14.81% | 22.82% | 47.96% | 14.41% |
| 14 | 2020.7 | 18.43% | 22.04% | 41.92% | 17.60% |
| 15 | 2020.8 | 7.97% | 14.62% | 45.67% | 31.74% |
| 16 | 2020.8 | 15.14% | 24.63% | 41.48% | 18.75% |
| 17 | 2020.9 | 9.65% | 17.03% | 52.57% | 20.75% |
| 18 | 2020.9 | 14.98% | 17.88% | 46.87% | 20.27% |
| 19 | 2020.10 | 17.77% | 20.71% | 35.27% | 26.25% |
| 20 | 2020.10 | 16.41% | 26.02% | 43.65% | 13.92% |
| 21 | 2020.11 | 9.19% | 17.57% | 49.97% | 23.28% |
| 22 | 2020.11 | 8.70% | 15.39% | 49.34% | 26.57% |
| 23 | 2020.12 | 14.58% | 16.61% | 39.67% | 29.13% |
| 24 | 2020.12 | 10.71% | 16.92% | 44.61% | 27.75% |
| 25 | 2021.1 | 13.98% | 20.53% | 45.12% | 20.37% |
| 26 | 2021.1 | 11.25% | 18.95% | 47.95% | 21.85% |
| 27 | 2021.2 | 9.32% | 18.04% | 48.93% | 23.70% |
| 28 | 2021.2 | 18.09% | 19.52% | 38.52% | 23.86% |
| 29 | 2021.3 | 12.13% | 17.54% | 43.96% | 26.38% |
| 30 | 2021.3 | 16.41% | 23.23% | 39.05% | 21.31% |
| 31 | 2021.4 | 5.05% | 16.50% | 47.79% | 30.66% |
| 32 | 2021.4 | 15.50% | 24.09% | 43.97% | 16.45% |
| 33 | 2021.5 | 18.79% | 20.37% | 44.54% | 16.30% |
| 34 | 2021.5 | 9.44% | 16.64% | 50.90% | 23.02% |
| 35 | 2021.6 | 15.34% | 21.31% | 40.52% | 22.84% |
| 36 | 2021.6 | 19.47% | 18.43% | 39.37% | 22.72% |
| 37 | 2021.7 | 15.93% | 21.91% | 39.87% | 22.29% |
| 38 | 2021.7 | 13.01% | 17.12% | 43.87% | 26.00% |
| 39 | 2021.8 | 11.41% | 17.74% | 49.34% | 21.51% |
| 40 | 2021.8 | 10.93% | 16.32% | 52.82% | 19.93% |
| 41 | 2021.9 | 9.30% | 18.93% | 50.14% | 21.63% |
| 42 | 2021.9 | 11.55% | 15.37% | 50.33% | 22.75% |
| 43 | 2021.10 | 10.48% | 16.36% | 45.00% | 28.16% |
| 44 | 2021.10 | 9.24% | 32.13% | 44.21% | 14.42% |
| 45 | 2021.11 | 15.70% | 16.86% | 45.72% | 21.71% |
| 46 | 2021.11 | 13.04% | 25.66% | 40.60% | 20.70% |
| 47 | 2021.12 | 11.15% | 16.12% | 45.56% | 27.17% |
| 48 | 2021.12 | 19.43% | 22.44% | 41.99% | 16.14% |
| 49 | 2022.1 | 8.34% | 16.03% | 52.50% | 23.13% |
| 50 | 2022.1 | 10.52% | 18.06% | 46.59% | 24.83% |
（2）以样品2为例，设定1500kg烧结矿，分别按照上述百分比设定每种粒级颗粒应堆垛的数量，采用商业离散元软件EDEM，在软件中进行堆垛几何体建模和堆垛颗粒建模，堆垛颗粒建模时输入每一种粒度分布等级内颗粒的体积、数量数据，并得到颗粒产生总时间，计算单位时间内几种不同粒径的颗粒数量，其中烧结矿的密度为1700m3/kg，>40mm比例等级颗粒的直径取60mm，25~40mm比例等级颗粒的直径取32.5mm，10~25mm比例等级颗粒的直径取17.5mm，5~10mm比例等级颗粒的直径取7.5mm，用对应等级的体积除以单个颗粒的体积得到对应等级的数量；几何体建模时，设置几何体体积为1~2m3，每一个维度的尺寸，应该超过最大颗粒粒径（一般＞40的颗粒最大颗粒粒径默认为60mm）的10倍以上，且最大粒级颗粒数量至少为200个以上，以确保堆积立方体内各角落都有分布，以消除随机影响。在产生颗粒时采用均匀方式，空间分布采用随机。然后通过计算机开始在同一时刻同时产生，并在重力作用下下降，以便在建立的立方体容器内进行堆垛，从而保证不同粒级的颗粒达到均匀分布的效果，堆垛完成后如图1所示；
（3）由于堆垛时是同一时刻开始进行几何堆垛，堆垛完成后，顶面会产生不规则形状，为了方便统计计算，以及避免边缘效应、表层效应（表层堆垛不平整，影响统计精度），人为在计算机软件中框选出较大的规整的立方体，以便计算，然后对随机堆垛后框选出的立方体进行计算机测量（例如立方体容器内型尺寸为：1200mm（长）*1200mm（宽）*1000mm（高），为了统计方便，取1100mm（长）*1100mm（宽）的横截面。为尽可能覆盖更多完整颗粒堆且不计算堆积范围以外的空洞区域（避免误统计），用鼠标手工点选到合适的高度。本实施例中，点选为718.3mm。计算得到堆垛体积1.1*1.1*0.7183=0.8691m3注意：实体体积和堆垛体积，应该采用同一个划分好的立方体格子），得到实体体积V21=0.5782m3，堆垛体积V20=0.8691m3，
则可得到致密度d2=V21/V20=0.5782/0.8691*100%=66.5286%
进而得到孔隙度 e2=1-d2=1-66.5286%=33.4714%；
对该样品做5次随机堆垛，并分别进行计算机测量，得到的孔隙度数值分别为：
33.4714%, 33.6526%, 33.4231%, 33.5159%, 33.5616%
求平均值，得到E2=33.5249%；
（4）针对本企业的上述所有样品粒度组成，分别进行计算机建模，得到所有的孔隙度
，如下表所示：
| 样品序号 | >40mm比例 | 25~40mm比例 | 10~25mm比例 | 5~10mm比例 | 孔隙度 |
| 1 | 7.96% | 17.24% | 48.50% | 26.30% | 34.5604% |
| 2 | 14.67% | 23.90% | 38.70% | 22.73% | 33.5249% |
| 3 | 7.87% | 13.66% | 49.61% | 28.86% | 34.8490% |
| 4 | 11.09% | 22.84% | 45.53% | 20.55% | 34.4250% |
| 5 | 13.22% | 16.68% | 48.53% | 21.56% | 34.2546% |
| 6 | 14.70% | 22.03% | 46.50% | 16.77% | 34.6166% |
| 7 | 10.90% | 14.40% | 50.92% | 23.79% | 34.5290% |
| 8 | 12.80% | 18.24% | 40.84% | 28.12% | 33.4356% |
| 9 | 9.68% | 26.06% | 41.72% | 22.54% | 34.0279% |
| 10 | 13.39% | 14.60% | 43.12% | 28.89% | 33.6166% |
| 11 | 6.31% | 16.52% | 53.27% | 23.89% | 35.2036% |
| 12 | 20.97% | 24.06% | 32.85% | 22.11% | 32.5536% |
| 13 | 14.81% | 22.82% | 47.96% | 14.41% | 34.6918% |
| 14 | 18.43% | 22.04% | 41.92% | 17.60% | 33.7482% |
| 15 | 7.97% | 14.62% | 45.67% | 31.74% | 34.6062% |
| 16 | 15.14% | 24.63% | 41.48% | 18.75% | 33.8193% |
| 17 | 9.65% | 17.03% | 52.57% | 20.75% | 35.0578% |
| 18 | 14.98% | 17.88% | 46.87% | 20.27% | 34.3892% |
| 19 | 17.77% | 20.71% | 35.27% | 26.25% | 32.7322% |
| 20 | 16.41% | 26.02% | 43.65% | 13.92% | 34.7703% |
| 21 | 9.19% | 17.57% | 49.97% | 23.28% | 34.7073% |
| 22 | 8.70% | 15.39% | 49.34% | 26.57% | 34.5164% |
| 23 | 14.58% | 16.61% | 39.67% | 29.13% | 33.5887% |
| 24 | 10.71% | 16.92% | 44.61% | 27.75% | 33.9946% |
| 25 | 13.98% | 20.53% | 45.12% | 20.37% | 34.2977% |
| 26 | 11.25% | 18.95% | 47.95% | 21.85% | 34.6661% |
| 27 | 9.32% | 18.04% | 48.93% | 23.70% | 34.5423% |
| 28 | 18.09% | 19.52% | 38.52% | 23.86% | 33.0595% |
| 29 | 12.13% | 17.54% | 43.96% | 26.38% | 33.8361% |
| 30 | 16.41% | 23.23% | 39.05% | 21.31% | 33.3446% |
| 31 | 5.05% | 16.50% | 47.79% | 30.66% | 34.9762% |
| 32 | 15.50% | 24.09% | 43.97% | 16.45% | 34.0469% |
| 33 | 18.79% | 20.37% | 44.54% | 16.30% | 34.1853% |
| 34 | 9.44% | 16.64% | 50.90% | 23.02% | 34.7331% |
| 35 | 15.34% | 21.31% | 40.52% | 22.84% | 33.3851% |
| 36 | 19.47% | 18.43% | 39.37% | 22.72% | 32.9755% |
| 37 | 15.93% | 21.91% | 39.87% | 22.29% | 34.5604% |
| 38 | 13.01% | 17.12% | 43.87% | 26.00% | 33.5190% |
| 39 | 11.41% | 17.74% | 49.34% | 21.51% | 34.6042% |
| 40 | 10.93% | 16.32% | 52.82% | 19.93% | 34.9216% |
| 41 | 9.30% | 18.93% | 50.14% | 21.63% | 34.8341% |
| 42 | 11.55% | 15.37% | 50.33% | 22.75% | 34.6153% |
| 43 | 10.48% | 16.36% | 45.00% | 28.16% | 34.0458% |
| 44 | 9.24% | 32.13% | 44.21% | 14.42% | 35.2387% |
| 45 | 15.70% | 16.86% | 45.72% | 21.71% | 34.0515% |
| 46 | 13.04% | 25.66% | 40.60% | 20.70% | 33.7574% |
| 47 | 11.15% | 16.12% | 45.56% | 27.17% | 33.9658% |
| 48 | 19.43% | 22.44% | 41.99% | 16.14% | 33.9927% |
| 49 | 8.34% | 16.03% | 52.50% | 23.13% | 35.0308% |
| 50 | 10.52% | 18.06% | 46.59% | 24.83% | 34.1695% |
（5）用上述所有烧结矿样品的平均粒度和对应的孔隙度做散点分析，确定孔隙率和烧结矿平均粒度的关系并不明显，有时甚至出现平均粒度较大而孔隙率较小以及平均粒度较小而孔隙率较大的情况，为了更直观地说明现有评价体系中，用平均粒度来衡量烧结矿孔隙度的不合理性，另取4组代表性烧结矿样品的数据见下表：
| 样品 | >40mm比例 | 25~40mm比例 | 10~25mm比例 | 5~10mm比例 | 平均粒度/mm | 孔隙度 |
| 样品a | 4.46% | 16.65% | 52.07% | 22.64% | 18.56 | 35.0321% |
| 样品b | 14.50% | 17.35% | 41.74% | 22.13% | 21.96 | 33.2976% |
| 样品c | 9.21% | 22.66% | 31.79% | 30.78% | 19.98 | 32.2069% |
| 样品d | 6.51% | 15.40% | 47.67% | 26.02% | 18.66 | 34.2684% |
（6）用上述所有烧结矿样品的每一个粒度百分比和对应的孔隙度做散点分析，分别得到几个不同的关系，确定是正相关还是负相关；有些粒度呈现正相关，有些粒度呈现负相关，且整体呈线性关系，如图2所示；
（7）用上述所有烧结矿样品的粒度组成和对应的孔隙度进行多元线性回归分析（原理为最小二乘法），得到孔隙度和粒度组成的多元化关系(其中A代表各个粒级的百分比组成)：
（8）检验。利用上述步骤（7）得到的孔隙度公式，计算30个新样品的孔隙度，作为预测值；同时，对这30个样品进行计算机离散元建模分析，得到孔隙度的“实际堆垛”值。如下表所示：
| 样品 | >40mm比例 | 25~40mm比例 | 10~25mm比例 | 5~10mm比例 | 预测孔隙度 | 堆垛孔隙度 | 相对误差 |
| 1 | 15.30% | 22.51% | 43.46% | 18.74% | 34.1695% | 33.8317% | 0.99% |
| 2 | 16.14% | 17.35% | 42.44% | 24.07% | 33.8077% | 33.4895% | 0.94% |
| 3 | 9.60% | 14.44% | 54.26% | 21.70% | 35.1491% | 35.0540% | 0.27% |
| 4 | 11.81% | 11.87% | 51.54% | 24.78% | 34.7398% | 34.5502% | 0.55% |
| 5 | 14.11% | 22.01% | 38.94% | 24.94% | 33.2303% | 33.3093% | 0.24% |
| 6 | 6.13% | 21.51% | 46.77% | 25.60% | 34.6183% | 34.5307% | 0.25% |
| 7 | 6.65% | 15.78% | 48.49% | 29.09% | 34.7566% | 34.5114% | 0.71% |
| 8 | 4.68% | 10.70% | 63.33% | 21.29% | 36.1441% | 36.1964% | 0.14% |
| 9 | 14.06% | 23.10% | 38.50% | 24.33% | 33.6268% | 33.2981% | 0.98% |
| 10 | 4.63% | 16.71% | 57.16% | 21.50% | 35.5864% | 35.6699% | 0.23% |
| 11 | 13.81% | 19.89% | 49.04% | 17.27% | 34.6407% | 34.4664% | 0.50% |
| 12 | 8.62% | 14.44% | 47.35% | 29.59% | 34.5464% | 34.2533% | 0.85% |
| 13 | 6.58% | 14.59% | 52.63% | 26.19% | 34.9401% | 34.9725% | 0.09% |
| 14 | 5.65% | 12.67% | 50.81% | 30.86% | 35.1012% | 34.7165% | 1.10% |
| 15 | 7.36% | 17.69% | 58.44% | 16.52% | 36.0323% | 35.7601% | 0.76% |
| 16 | 11.11% | 22.68% | 50.30% | 15.91% | 35.1593% | 34.8196% | 0.97% |
| 17 | 16.84% | 18.42% | 49.22% | 15.52% | 34.5518% | 34.3240% | 0.66% |
| 18 | 17.44% | 19.46% | 39.37% | 23.73% | 33.1417% | 33.1480% | 0.02% |
| 19 | 15.43% | 20.25% | 44.88% | 19.45% | 33.9681% | 33.9162% | 0.15% |
| 20 | 14.92% | 17.92% | 41.20% | 25.96% | 33.4474% | 33.4045% | 0.13% |
| 21 | 14.43% | 20.88% | 43.03% | 21.66% | 33.9747% | 33.7518% | 0.66% |
| 22 | 6.21% | 13.66% | 51.03% | 29.10% | 35.0533% | 34.7585% | 0.84% |
| 23 | 19.49% | 22.88% | 35.03% | 22.60% | 32.9654% | 32.6713% | 0.89% |
| 24 | 11.38% | 21.40% | 51.90% | 15.32% | 35.0636% | 34.9567% | 0.31% |
| 25 | 15.59% | 18.04% | 41.64% | 24.74% | 33.4661% | 33.4377% | 0.08% |
| 26 | 17.26% | 19.61% | 40.93% | 22.20% | 33.4621% | 33.3485% | 0.34% |
| 27 | 5.26% | 16.74% | 46.79% | 31.21% | 34.7255% | 34.3915% | 0.96% |
| 28 | 16.41% | 19.39% | 45.45% | 18.75% | 34.3183% | 33.9188% | 1.16% |
| 29 | 9.84% | 15.91% | 51.29% | 22.95% | 34.9524% | 34.7398% | 0.61% |
| 30 | 10.40% | 17.88% | 47.45% | 24.27% | 34.2647% | 34.3258% | 0.18% |
测试结果见图3，从图中可以看出，预测结果和模拟结果的吻合度较好，偏差在可接受的范围内。说明该孔隙度公式可用来对本企业的入炉烧结矿料层透气性进行快速评价。
通过以上实施例及具体案例，可知通过对本企业多个烧结矿样品的粒度组成数据进行计算机离散元建模分析后，并结合数学回归的方法得到孔隙度的快速计算公式，在烧结矿入炉前即可对料层透气性进行预判，也保证了科学性和准确性，为高炉调剂提供数据支撑。
本实施方式只是对本专利的示例性说明而并不限定它的保护范围，本领域人员还可以对其进行局部改变，只要没有超出本专利的精神实质，都视为对本专利的等同替换，都在本专利的保护范围之内。
Claims (6)
1.一种高炉烧结矿料层透气性的快速评价方法，其特征在于，步骤如下：
步骤一.对在役烧结机所生产的n组烧结矿样品进行粒度分析，分析各组高炉烧结矿样品粒度分布时通过过筛划分为以下四个等级：＞40mm、25~40mm、10~25mm、5-10mm，各组烧结矿样品中各等级样品量占该组烧结矿样品的质量百分比记为粒度组成数据，其中，n为大于1的自然数；
步骤二.根据第i个烧结矿样品的粒度组成数据进行计算机离散元建模，并进行均匀分布堆垛，i取1~n之间的自然数，堆垛建模时先计算每一级粒度分布等级内颗粒的体积、数量，在产生颗粒时采用均匀方式，空间分布采取随机进行堆垛；
步骤三.对堆垛后的烧结矿料层进行统计，得到实体体积Vi1/m3和堆垛体积Vi0/m3，则可得到致密度 
，进而得到孔隙度/>
，每一个样品做3~5次随机堆垛，并分别进行计算机测量，得到孔隙度数值，并求取平均值Ei；
步骤四.针对该在役烧结机所生产的全部烧结矿样品粒度组成，分别进行计算机建模，得到所有的孔隙度E1，E2，E3，……，En，其中n为样品总个数；
步骤五.用上述所有烧结矿样品的粒度组成和对应的孔隙度进行多元线性回归分析，得到孔隙度和粒度组成的多元化关系；
其中
分别表示4个粒度等级对应的质量百分比, m为常数项，a、b、c、d为常数；
步骤六.利用上述步骤五得到的孔隙度公式，计算并预测新的烧结矿样品的孔隙度，同时，对这些新样品进行计算机离散元建模，并统计“实际堆垛”的孔隙度，将二者进行对比，若偏差在可接受范围内，则利用该孔隙度公式指导实际生产，若偏差在不可接受范围内，则增加步骤一中的样品数量，进行新的计算机离散元建模分析，并重复步骤二~五，直到偏差在可接受范围内为止，所述可接受范围为相对误差在1.5%以内，即（孔隙度预测值-孔隙度堆垛值）/孔隙度堆垛值*100%，在-1.5%~1.5%以内。
2.根据权利要求1所述的一种高炉烧结矿料层透气性的快速评价方法，其特征在于，所述步骤一中取n组高炉烧结矿样品时每组烧结矿样品以时间为跨度进行取样，样品的时间跨度最少为2年。
3.根据权利要求1所述的一种高炉烧结矿料层透气性的快速评价方法，其特征在于，所述步骤二中，堆垛形状为长方体或圆柱体，堆垛体积为1~2m3，并且每一个维度的尺寸均超过最大颗粒粒径的10倍以上。
4.根据权利要求1所述的一种高炉烧结矿料层透气性的快速评价方法，其特征在于，所述步骤二中，堆垛数量和堆垛规模需排除随机性的影响，最大粒度分布等级中最大粒级颗粒数量至少为200个，以确保堆积立方体内各角落都有分布，以消除随机性影响。
5.根据权利要求1所述的一种高炉烧结矿料层透气性的快速评价方法，其特征在于，所述步骤二中，进行计算机离散元建模时，进行均匀分布堆垛，堆垛形状为长方体或圆柱体，根据烧结矿样品的总重量和粒度分布，计算每一级粒径对应的颗粒重量，再根据每个粒度的尺寸计算得到对应的颗粒数量，然后按照颗粒产生总时间，计算单位时间内四种不同粒径的颗粒数量，并在瞬间同时产生，并在重力作用下沉降，以便在建立的立方体容器内进行堆垛，从而保证不同粒级的颗粒达到均匀分布的效果。
6.根据权利要求1所述的一种高炉烧结矿料层透气性的快速评价方法，其特征在于，所述步骤五中，通过最小二乘法进行多元线性回归分析，以四个粒度等级对应的质量百分比为自变量，以孔隙度E作为因变量，a，b，c，d和m为多元线性回归获取到的系数和常数项，该常数项为截距。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310412043.XA CN116124677B (zh) | 2023-04-18 | 2023-04-18 | 一种高炉烧结矿料层透气性的快速评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310412043.XA CN116124677B (zh) | 2023-04-18 | 2023-04-18 | 一种高炉烧结矿料层透气性的快速评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116124677A CN116124677A (zh) | 2023-05-16 |
| CN116124677B true CN116124677B (zh) | 2023-06-16 |
Family
ID=86312168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310412043.XA Active CN116124677B (zh) | 2023-04-18 | 2023-04-18 | 一种高炉烧结矿料层透气性的快速评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116124677B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140028552A (ko) * | 2012-08-29 | 2014-03-10 | 현대제철 주식회사 | 소결광의 환원율 예측방법 |
| CN110331244A (zh) * | 2019-06-28 | 2019-10-15 | 武汉钢铁有限公司 | 一种合理使用多粒级烧结矿的高炉布料调节方法 |
| CN111607673A (zh) * | 2020-05-28 | 2020-09-01 | 江苏省沙钢钢铁研究院有限公司 | 铁前诊断系统及方法 |
| CN113159562A (zh) * | 2021-04-15 | 2021-07-23 | 鞍钢股份有限公司 | 一种用多元散料层空隙度评价烧结矿粒度的方法 |
| CN115187102A (zh) * | 2022-07-21 | 2022-10-14 | 华北理工大学 | 一种基于烧结矿质量预测下的模型评估改进方法 |
-
2023
- 2023-04-18 CN CN202310412043.XA patent/CN116124677B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140028552A (ko) * | 2012-08-29 | 2014-03-10 | 현대제철 주식회사 | 소결광의 환원율 예측방법 |
| CN110331244A (zh) * | 2019-06-28 | 2019-10-15 | 武汉钢铁有限公司 | 一种合理使用多粒级烧结矿的高炉布料调节方法 |
| CN111607673A (zh) * | 2020-05-28 | 2020-09-01 | 江苏省沙钢钢铁研究院有限公司 | 铁前诊断系统及方法 |
| CN113159562A (zh) * | 2021-04-15 | 2021-07-23 | 鞍钢股份有限公司 | 一种用多元散料层空隙度评价烧结矿粒度的方法 |
| CN115187102A (zh) * | 2022-07-21 | 2022-10-14 | 华北理工大学 | 一种基于烧结矿质量预测下的模型评估改进方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高炉块状带透气性试验分析;郑朋超;;中国冶金(第08期);13-17 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116124677A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | An optimization approach of selective laser sintering considering energy consumption and material cost | |
| CN102567812B (zh) | 一种烟草加工工序中用加工参数预测控制指标的方法 | |
| CN116124677B (zh) | 一种高炉烧结矿料层透气性的快速评价方法 | |
| CN110672473A (zh) | 一种仓内物料颗粒粒径分布偏析的评价方法 | |
| CN109342279B (zh) | 基于粉磨机理和神经网络的混合软测量方法 | |
| CN107330467A (zh) | 一种基于片烟形态特征对烟丝结构影响的预测方法 | |
| CN113296561B (zh) | 一种用于造球机的控制系统及控制方法 | |
| JP5841763B2 (ja) | 粉粒体の充填率または空隙率の算出方法 | |
| CN116465969B (zh) | 基于图像处理分析型砂粉用量对铸造质量影响的方法 | |
| CN107918824B (zh) | 一种公路工程施工定额测定方法 | |
| CN103017535B (zh) | 一种主抽风机控制方法及系统 | |
| Lawinska et al. | A method for determining sieve holes blocking degree | |
| de Carvalho et al. | Simulation of Classification and Stratification in Double-Deck Roller Screening of Green Iron Ore Pellets using DEM | |
| CN113159562B (zh) | 一种用多元散料层空隙度评价烧结矿粒度的方法 | |
| EP0415582A2 (en) | Method and apparatus for modeling bunker flow for better combustion or other plant operation | |
| CN107034327A (zh) | 基于网格划分定量表征颗粒下落过程中偏析状态的方法 | |
| Hunn et al. | Data compilation for AGR-2 UCO variant compact lot LEU09-OP2-Z | |
| Ortiz de Landazuri Suárez et al. | Design of Comminution Plants in the Ceramic Industry Using a Simulation-based Optimization Approach | |
| CN115973641B (zh) | 一种用于智能货架的物料仓储管理方法及系统 | |
| CN113344276B (zh) | 一种矿石颗粒形状、质量、密度指标概率分布的预测方法 | |
| CN113774174B (zh) | 一种高炉焦炭选配控制方法和装置 | |
| Jelis et al. | Round Robin Study to Evaluate Consistency of 4340 Steel Specimens Manufactured by Different Laser Powder Bed Fusion Machines | |
| CN115128950B (zh) | 破碎筛分控制方法、装置、电子设备及存储介质 | |
| CN111645205B (zh) | 一种混匀矿料堆料头的切除方法 | |
| Membrey | Introduction to coal sampling |
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 |