CN116911057A - 一种转炉炼钢吹炼过程熔池温度实时预测方法 - Google Patents
一种转炉炼钢吹炼过程熔池温度实时预测方法 Download PDFInfo
- Publication number
- CN116911057A CN116911057A CN202310963256.1A CN202310963256A CN116911057A CN 116911057 A CN116911057 A CN 116911057A CN 202310963256 A CN202310963256 A CN 202310963256A CN 116911057 A CN116911057 A CN 116911057A
- Authority
- CN
- China
- Prior art keywords
- temperature
- molten
- converter
- steel
- real
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000009628 steelmaking Methods 0.000 title claims abstract description 61
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 141
- 239000010959 steel Substances 0.000 claims abstract description 141
- 238000002844 melting Methods 0.000 claims abstract description 31
- 230000008018 melting Effects 0.000 claims abstract description 31
- 238000003723 Smelting Methods 0.000 claims abstract description 20
- 238000010521 absorption reaction Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 18
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 126
- 229910052742 iron Inorganic materials 0.000 claims description 63
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 54
- 229910052760 oxygen Inorganic materials 0.000 claims description 54
- 239000001301 oxygen Substances 0.000 claims description 54
- 238000007664 blowing Methods 0.000 claims description 53
- 239000000463 material Substances 0.000 claims description 47
- 239000002994 raw material Substances 0.000 claims description 26
- 229910052799 carbon Inorganic materials 0.000 claims description 20
- 239000002893 slag Substances 0.000 claims description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000010079 rubber tapping Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 229910000805 Pig iron Inorganic materials 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 23
- 238000006243 chemical reaction Methods 0.000 abstract description 13
- 238000007781 pre-processing Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012885 constant function Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000003647 oxidation Effects 0.000 description 4
- 238000007254 oxidation reaction Methods 0.000 description 4
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 3
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 3
- 235000011941 Tilia x europaea Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 229910000514 dolomite Inorganic materials 0.000 description 3
- 239000010459 dolomite Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000004571 lime Substances 0.000 description 3
- 239000011777 magnesium Substances 0.000 description 3
- 229910052749 magnesium Inorganic materials 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005266 casting Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 241001062472 Stokellia anisodon Species 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明公开了一种转炉炼钢吹炼过程熔池温度实时预测方法，该方法包括步骤：S1、采集数据，将采集到的数据进行预处理；步骤S2、构建转炉炼钢吹炼过程熔池温度实时预测基础模型；步骤S3、迭代优化：获得转炉吹炼过程熔池温度实时预测模型；步骤S4、将吹炼实时数据传入温度预测模型，计算并输出吹炼开始至当前熔池温度的预测值。本发明在综合考虑转炉冶炼过程中废钢熔化机理及矿石还原吸热理论的基础上，结合转炉反应的热力学和动力学计算，构建转炉炼钢吹炼过程熔池温度实时预测基础模型，解决了现有的温度实时预测方法缺少与废钢、矿石熔化联系，导致温度实时预测时大幅偏离实际值，熔池温度预测准确率不高的问题。
Description
技术领域
本发明属于钢铁冶炼技术领域，更具体地说，涉及一种转炉炼钢吹炼过程熔池温度实时预测方法。
背景技术
转炉炼钢是钢铁生产流程中的重要环节之一，其目的是将一定成分和温度的铁水，通过加入辅料和氧枪吹氧的方式，冶炼成温度和成分都满足要求的钢水。转炉炼钢过程温度控制不准确，会导致铁损和辅料消耗量增加、吹炼时间延长、降低炉衬寿命等一系列危害，严重时甚至导致钢水过热，暂停生产。因此，提供一种转炉炼钢过程熔池温度实时预测模型对改善产品质量，加快生产节奏和提高企业利润有重要意义。
目前现有的预测模型主要可以分为数据模型和机理模型。数据模型应用统计学算法和当下新兴的人工智能算法，例如BP神经网络、鲁棒控制、决策树等，不涉及冶炼的基本原理，只考虑操作工序和结果的模糊关系，模拟人脑决策，虽然对生产有一定的指导效果，但无法实现冶炼最优化的目标。机理模型则是基于转炉炼钢的反应原理，以物料平衡和热平衡计算为主要手段，为生产提供前瞻性的预测，但这类模型需要较多的假设条件，没有根据实际生产情况适应调整的能力，预测精度有限。
在实际生产实践中比较现有的转炉终点钢水温度预测模型发现，数据模型对于装备水平较高的钢铁企业而言，具有一定优势，模型构建时可以使用大量生产数据进行训练，经过多次迭代，可以应对正常的生产炉况，而对于诸如铁水含碳量过高(低)，喷溅等缺少训练样本的情况，预测准确率则会急转直下。机理模型应用的普适性较好，符合转炉炼钢过程的客观规律，但现有机理模型大多数只抽象出转炉炼钢的物理化学反应过程，忽略其工艺属性，缺少与实际生产联系，导致预测命中准确率较低。因此，建立以提高钢水温度命中率为目标的转炉终点控制模型，研究一种低成本，简单可靠，普适性较高的转炉炼钢终点钢水温度预测方法，是国内外炼钢领域技术人员亟待解决的难题。
专利CN104630410A公开了一种基于数据解析的转炉炼钢质量实时动态预测方法，包括：建立转炉炼钢质量离线预测模型数据库；将钢水温度和碳元素含量分别划分为若干阶段范围，建立转炉炼钢质量实时动态预测模型；根据转炉炼钢质量实时动态预测模型进行转炉炼钢质量实时动态预测；对钢水出钢成分含量进行检验；定期对历史数据集合更新。本发明在保证满足转炉炼钢工艺要求的前提下，对转炉炼钢过程中的钢水温度和钢水质量进行实时动态预测。专利CN 113987761A公开了一种转炉炼钢吹炼过程熔池温度预测方法及装置，该方法通过回归拟合得到除铁水产生钢水的物理热和炉渣物理热外的热支出在所有热支出中所占比例与生产工艺参数的回归系数；预测当前炉次加料参数并基于平均转炉装料时间，平均转炉倒炉时间，平均转炉出钢时间，平均转炉倒渣时间和平均转炉溅渣时间预测当前炉次时间参数；基于回归系数和当前炉次的生产工艺参数计算当前炉次对应的除铁水产生钢水的物理热和炉渣物理热以外的热支出在所有热支出中所占比例；基于转炉吹炼过程中铁水各元素反应速率，根据热量平衡计算吹炼过程熔池钢水温度。
以上专利中未考虑到转炉炼钢过程中的工艺属性，尤其是废钢融化对温度的影响，导致难以实时预测转炉熔池温度，预测结果不精确。
发明内容
1.要解决的问题
针对现有转炉炼钢吹炼过程熔池温度实时预测方法难以实时预测转炉熔池温度、预测准确率不高的问题，本发明提供一种转炉炼钢吹炼过程熔池温度实时预测方法，将废钢熔化速率引入转炉熔池温度计算过程，实现了转炉熔池温度科学的实时预测，有效提高预测结果准确率。
2.技术方案
为了解决上述问题，本发明所采用的技术方案如下：
转炉炼钢吹炼过程需要加入废钢，废钢的加入显著影响熔池的实时温度，从整个过程看，废钢的加入是吸热反应，废钢加入后，不同时期的吸热速率截然不同，废钢加入初期，表面铁水迅速降温形成凝结壳，与熔池热量交换较少，维持一段时间后，凝结壳熔化，废钢本体迅速熔化，进行非线性放热，但现有技术中往往只考虑废钢的整体热量，例如专利CN113987761A，导致对熔池温度的实时预测结果不准确。因此，本发明提供一种转炉炼钢吹炼过程熔池温度实时预测方法，基于废钢熔化机理及矿石还原吸热理论，将废钢熔化速率引入转炉熔池温度计算过程，通过对废钢熔化的基础研究，得出其具体非线性熔化特性与转炉升温特性融合，实现了转炉熔池温度科学的实时预测；基于热平衡机理计算和统计学数据迭代算法，实现了转炉熔池温度高准确率实时预测。
一种转炉炼钢吹炼过程熔池温度实时预测方法，该预测方法具体包括以下步骤：
S1、获取炼钢所需原辅料基本参数，以及若干历史炉次的原料数据、钢水数据、辅料添加数据、吹氧数据，将采集到的数据进行预处理，剔除异常数据，将历史数据中信息不完整的炉次数据去除、将生产异常的炉次数据去除、将出现事故的炉次数据去除；
S2、在综合考虑转炉冶炼过程中废钢熔化机理及矿石还原吸热理论的基础上，结合转炉反应的热力学和动力学计算，构建转炉炼钢吹炼过程熔池温度实时预测基础模型；
S3、将S1获得的数据应用于S2构建的基础预测模型中，进行迭代优化，获得转炉吹炼过程熔池温度实时预测模型；
S4、将吹炼实时数据传入温度预测模型，计算并输出吹炼开始至当前熔池温度的预测值。
其具体过程为：
S1、获取炼钢所需原辅料基本参数，以及若干历史炉次的原料数据、钢水数据、辅料添加数据、吹氧数据，将采集到的数据进行预处理。
所述原料数据包括：入炉铁水温度、铁水重量、铁水C含量、铁水Si含量、铁水Mn含量、铁水P含量、铁水S含量、废钢加入量、生铁加入量。
所述钢水数据包括：钢水温度、钢水重量、钢水C含量、钢水Si含量、钢水Mn含量，钢水P含量、钢水硫含量。
所述辅料添加数据包括：石灰加入量、白云石加入量、铁矿石加入量、镁球加入量。
所述吹氧数据包括：吹氧时间、氧气流量。
将上述采集到的辅料、废钢和生铁加入量进行折算为吨钢消耗，基于以下公式进行：
式中：εd为吨钢消耗量、ε为炉次总消耗量、m为转炉出钢量。
基于一级网络采集的吹氧数据，对氧气流量进行累加，获得吹氧总量，基于以下公式进行：
式中：为读取i次时吹氧总量、qi为第i次读取时氧气流量、ti为一次读取时间间隔。
S2、在综合考虑转炉冶炼过程中废钢熔化机理及矿石还原吸热理论的基础上，结合转炉反应的热力学和动力学计算，构建转炉炼钢吹炼过程熔池温度实时预测基础模型，所述S2的具体步骤为：
S2.1、基于转炉冶炼中废钢熔化机理，通过下式计算废钢熔化速度：
进一步地，
进一步地，α1＝hLAsc，α2＝hscAsc
式中：Wsc为废钢质量，θ为废钢熔化时间，Tm为熔池温度，T′为废钢表面温度，Tsc为废钢温度，ΔHFe为废钢熔化潜热，a、b为液相线定数，β为钢水中单位浓度碳的传质速度，为钢水初始含碳量，Ccb为钢水后期含碳量，Csc为废钢含碳量，hL为钢水的传热系数，hsc为废钢的传热系数，Asc为界面边界层厚度。
S2.2、基于转炉冶炼中矿石还原理论，通过下式计算矿石总吸热量：
式中：Qore为矿石总吸热量，Q′ore为矿石物理吸热量，为矿石还原吸热系数，η为矿石还原度，more为矿石加入量。
S2.3、基于S2.1和S2.2所获得结果，进行转炉整体物料平衡计算和热平衡计算，得到转炉炼钢吹炼过程熔池温度实时预测基础模型，主体函数算法如下：
式中：T(Vo2,t)为转炉熔池温度对Vo2和t的二元函数，其中Vo2为累计吹氧量，t为吹氧时间；fX(Vo2,t)，X＝{C、Si、P、Mn、Fe}为被氧化X的质量对Vo2和t的二元函数；λ为C氧化成CO的比例，Wiron为铁水质量，Tf为铁水熔点，Tiron为铁水温度，Wscrap为废钢质量，Wsteel为钢水质量，Wslag为炉渣质量，常数项为对应物质的物性参数。
S3、将S1获得的数据应用于S2构建的基础预测模型中，进行迭代优化，获得转炉吹炼过程熔池温度实时预测模型；步骤S2所得基础预测模型为根据有限次的数据得出的，为提高兼容性和精确度，将该基础预测模型进行迭代优化，使其适用度更广。
所述S3的具体步骤为：
S3.1、将所述S1得到预处理后数据进行分类，结果如下：原料数据、辅料添加数据作为常函数处理，吹氧数据作为自变量，钢水数据作为因变量。
S3.2、将所述S3.1得到的数据样本，通过二元logistic回归分法对S2.3所得熔池温度实时预测基础函模型进行迭代优化，得到满足要求的非线性函数，如下：
式中，ω(x)为加料函数，ω(x)＝ω(X1，X2，X3，……，Xn，t)，其中X1，X2，X3，……，Xn为加入不同辅料类型的质量变量，t为加入辅料的时间变量；
为综合降温函数，/>其中Q是转炉热量总收入，为fX(Vo2,t)函数计算中过程变量，t为时间变量，v0为供氧量；
Ws′crap为本炉次废钢加入量。
S3.3、基于logistic模型极大似然估计，得到S3.2所得函数的具体系数矩阵A，即得到转炉炼钢吹炼过程熔池温度实时预测模型，为
S4、将吹炼实时数据传入温度预测模型，计算并输出吹炼开始至当前熔池温度的预测值，所述S4的具体步骤为：
S4.1、吹炼开始，实时获取开始时刻到当前时刻原料数据、钢水数据、辅料添加数据、吹氧数据；
S4.2、将所述S4.1所得数据按所述S3.1分类方法得到常函数与自变量，带入所述S3.3所得温度预测模型，实时计算并输出吹炼开始时刻至当前的温度预测曲线。
3.有益效果
相比于现有技术，本发明的有益效果为：
(1)本发明通过转炉炼钢机理计算和数据分析提供冶炼全过程的熔池温度预测，通过在研究废钢熔化机理及矿石还原吸热理论基础上构建基础机理模型，进一步利用二元logistic回归分析模型优化模型算法，随冶炼进程实时计算得到当前熔池温度的预测值，克服了现有基于机理进行温度预测方法假设条件多，无法全程实时预测温度，终点温度预测误差较大的缺点。预测方法结合实际物化反应，根据原料结构实时调整，现场应用普适性好；
(2)本发明通过构建熔池温度与吹氧总量和吹炼时间的二元函数关系并结合转炉反应动力学，将元素氧化过程转化为确定的函数关系，又函数化废钢和铁矿石的吸热效果，使得吹炼任意时刻的温度预测值是确定而精准的；
(3)本发明的预测方法可以通过预测未来短时间的温度曲线，对现场生产提供指导，操作者可根据预测温度提前添加热源或冷却剂，减少冶炼异常状态；
(4)本发明可以结合多种功能模块，有益于提高转炉炼钢的智能化控制水平。例如；本发明可以结合Factsage计算模块，实时计算转炉炉渣温度、粘度、表面张力。例如；本发明可以结合转炉专家系统，矫正实时加料策略。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本发明范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。
图1为本发明一种转炉炼钢吹炼过程熔池温度实时预测方法的流程示意图；
图2为采用实施例1预测方法的熔池实时温度预测曲线；
图3为采用实施例2预测方法的熔池实时温度预测曲线；
图4为采用实施例3预测方法的熔池实时温度预测曲线；
图5为炉次1预测温度对比折线图；
图6为炉次2预测温度对比折线图。
具体实施方式
下文对本发明的示例性实施例的详细描述参考了附图，该附图形成描述的一部分，在该附图中作为示例示出了本发明可实施的示例性实施例。尽管这些示例性实施例被充分详细地描述以使得本领域技术人员能够实施本发明，但应当理解可实现其他实施例且可在不脱离本发明的精神和范围的情况下对本发明作各种改变。下文对本发明的实施例的更详细的描述并不用于限制所要求的本发明的范围，而仅仅为了进行举例说明且不限制对本发明的特点和特征的描述，以提出执行本发明的最佳方式，并足以使得本领域技术人员能够实施本发明。因此，本发明的范围仅由所附权利要求来限定。
本发明的目的是对转炉炼钢吹炼过程熔池温度进行实时预测，为冶炼过程提供参考，为冶炼过程的智能化控制提供技术支持，提高转炉终点温度命中率，提高生产效率和产品质量。基于机理模型得到函数基本框架，再结合数据训练得到转炉吹炼温度预测模型，在冶炼过程中，将当前原辅料信息和吹氧信息输入模型，即可计算出当前熔池温度预测值，预测结果随输入数据的更新实时产生，实现对冶炼全过程温度的实时预测。
实施例1-3的钢种目标参数和原辅料参数如表1-2所示。
表1实施例1-3钢种目标参数
表2实施例1-3原辅料参数
实施例1
如图1所示，本发明一种转炉炼钢吹炼过程熔池温度实时预测方法，该预测方法具体包括以下步骤：
步骤S1、采集数据：获取炼钢所需原辅料基本参数，以及若干历史炉次的原料数据、钢水数据、辅料添加数据、吹氧数据，将采集到的数据进行预处理；
需要说明的是，在本实施例中，所述原辅料基本参数为其物理化学性质，包括密度、成分、比热容；所述原料数据包括：入炉铁水温度、铁水重量、铁水C含量、铁水Si含量、铁水Mn含量、铁水P含量、铁水S含量、废钢加入量、生铁加入量；所述钢水数据包括：钢水温度、钢水重量、钢水C含量、钢水Si含量、钢水Mn含量，钢水P含量、钢水S含量；所述辅料添加数据包括：石灰加入量、白云石加入量、铁矿石加入量、镁球加入量；所述吹氧数据包括：吹氧时间、氧气流量。
所述预处理为剔除异常数据，将历史数据中信息不完整的炉次数据去除、将生产异常的炉次数据去除、将出现事故的炉次数据去除。
所述预处理中还包括：将辅料、废钢和生铁加入量折算为吨钢消耗，基于以下公式进行：
式中：εd为吨钢消耗量、ε为某辅料消耗量、m为转炉出钢量。
其中实施例1中，辅料消耗量ε为石灰2370kg、白云石806kg、铁矿石510kg、镁球300kg，转炉出钢量m＝M铁水+M废钢+M生-M损为111.5t，其中M铁水为加入铁水质量，M废钢为加入废钢质量，M生为生铁加入量，M损为损耗量，取加入总铁量的3.5％。
所述预处理还包括，基于一级网络采集的吹氧数据，对氧气流量进行累加，获得吹氧总量，基于以下公式进行：
式中：为读取i次时吹氧总量、qi为第i次读取时氧气流量、ti为一次读取时间间隔。
步骤S2、构建转炉炼钢吹炼过程熔池温度实时预测基础模型：在综合考虑转炉冶炼过程中废钢熔化机理及矿石还原吸热理论的基础上，结合转炉反应的热力学和动力学计算，构建转炉炼钢吹炼过程熔池温度实时预测基础模型；
需要说明的是，在本实施例，所述转炉炼钢吹炼过程熔池温度实时预测基础模型基于废钢熔化速率及矿石还原吸热研究；所述热力学计算包括物料平衡和热平衡计算；所述动力学计算为基于双膜理论的化学反应速率计算；所述基础模型为二元函数型熔池温度预测模型。
所述废钢熔化速率计算公式如下：
进一步
进一步
α1＝hLAsc，α2＝hscAsc
式中：Wsc为废钢质量，为96.4t；θ为废钢融化时间，为498s；Tm为熔池温度，为1231℃；T′为废钢表面温度，为325℃；Tsc为废钢温度，为25℃；ΔHFe为废钢熔化潜热，为272kJ/kg，a＝1200，b＝1327为液相线定数，β＝3×10-4m/min为钢水中单位浓度碳的传质速度，为钢水初始含碳量，Ccb＝0.1wt％为钢水后期含碳量，Csc＝0.85wt％为废钢含碳量，hL＝45.4W/m2·℃为钢水的传热系数，hsc＝48.85W/m2·℃为废钢的传热系数，Asc＝0.04mm，为界面边界层厚度。其中，Wsc、θ、Tm、T′、Tsc、/>Ccb、Csc和Asc为吹炼过程中实时测得，ΔHFe、hL、hsc、a、b和β为常数。
需要注意的是，计算矿石还原吸热时，需要区别实际加入矿石类型，实施例1加入矿石为块矿，所述矿石还原吸热计算公式如下：
式中：Qore为矿石总吸热量，为8615479kJ，Q′ore为矿石物理吸热量，为矿石还原吸热系数，为21271kJ/kg，η为矿石还原度，为0.73，more为矿石加入量，为510kg。
进一步Q′ore＝CmoreΔt，C为矿石比热容，为1.046kJ/(kg·℃)，Δt为矿石加入时与当前熔池温度差值，为1305℃。
所述温度预测模型的二元函数算法如下：
式中：T(Vo2,t)为转炉熔池温度对Vo2和t的二元函数，其中Vo2为累计吹氧量，t为吹氧时间；fX(Vo2,t)，X＝{C、Si、P、Mn、Fe}为被氧化X的质量对Vo2和t的二元函数；λ为C氧化成CO的比例，Wiron为铁水质量，Tf为铁水熔点，Tiron为铁水温度，Wscrap为废钢质量，Wsteel为钢水质量，Wslag为炉渣质量，其中，
C氧化成CO比例λ＝0.9，Wiron＝96.4t，Tf＝1296℃，Tiron＝1321℃，Wscrap＝16.2t，Wsteel＝M铁水+M废钢+M生-M损＝111.5t，Wslag＝5.2t。
步骤S3、迭代优化：将S1获得的数据分类并输入S2所构建基础预测模型中，进行迭代优化，获得转炉吹炼过程熔池温度实时预测模型。
在实施例1中，所述数据分类包括将S1得到的原料数据、辅料添加数据作为常函数处理，吹氧数据作为自变量，钢水温度作为因变量。
所述迭代优化为将原料数据、辅料添加数据、吹氧数据作为模型输入，将熔池温度作为模型输出，输出值与S1所述钢水温度通过二元logistic回归分析法进行拟合，获得准确度更高的非线性函数，再通过logistic模型极大似然估计，得到其具体系数矩阵
最终的预测模型为
式中，ω(x)为加料函数，ω(x)＝ω(X1，X2，X3，……，Xn，t)，其中X1，X2，X3，……，Xn为加入不同辅料类型的质量变量，t为加入辅料的时间变量；
为综合降温函数，/>其中Q是转炉热量总收入，为fX(Vo2,t)函数计算中过程变量，t为时间变量，v0为供氧总量，其中，转炉热量总收入Q为2.29×108kJ；
W′scrap为本炉次废钢加入量，为16.2t。
S4、计算并输出吹炼开始至当前熔池温度的预测值：将吹炼实时数据传入温度预测模型，计算并输出吹炼开始至当前熔池温度的预测值。
需要说明的是，在本实施例中，吹炼开始后实时获取的数据需按照S3相同的方法处理并输入温度预测模型，实时计算并输出吹炼开始时刻至当前的温度预测曲线，温度预测曲线如图2所示。
实施例2
实施例2的一种转炉炼钢吹炼过程熔池温度实时预测方法，该预测方法具体包括以下步骤：
步骤S1、采集数据：获取炼钢所需原辅料基本参数，以及若干历史炉次的原料数据、钢水数据、辅料添加数据、吹氧数据，将采集到的数据进行预处理；其采集的数据如表2所示。
步骤S2、构建转炉炼钢吹炼过程熔池温度实时预测基础模型：在综合考虑转炉冶炼过程中废钢熔化机理及矿石还原吸热理论的基础上，结合转炉反应的热力学和动力学计算，构建转炉炼钢吹炼过程熔池温度实时预测基础模型；
所述温度预测模型的二元函数算法如下：
式中：T(Vo2,t)为转炉熔池温度对Vo2和t的二元函数，其中Vo2为累计吹氧量，t为吹氧时间；fX(Vo2,t)，X＝{C、Si、P、Mn、Fe}为被氧化X的质量对Vo2和t的二元函数；λ为C氧化成CO的比例，Wiron为铁水质量，Tf为铁水熔点，Tiron为铁水温度，Wscrap为废钢质量，Wsteel为钢水质量，Wslag为炉渣质量，其中，
C氧化成CO比例λ＝0.9，Wiron＝93.8t，Tf＝1296℃，Tiron＝1344℃，Wscrap＝15.8t，Wsteel＝108.6t，Wslag＝4.9t。
步骤S3、迭代优化：将S1获得的数据分类并输入S2所构建基础预测模型中，进行迭代优化，获得转炉吹炼过程熔池温度实时预测模型。
在实施例2中，所述数据分类包括将S1得到的原料数据、辅料添加数据作为常函数处理，吹氧数据作为自变量，钢水温度作为因变量。
所述迭代优化为将原料数据、辅料添加数据、吹氧数据作为模型输入，将熔池温度作为模型输出，输出值与S1所述钢水温度通过二元logistic回归分析法进行拟合，获得准确度更高的非线性函数，再通过logistic模型极大似然估计，得到其具体系数矩阵
最终的预测模型为
式中，ω(x)为加料函数，ω(x)＝ω(X1，X2，X3，……，Xn，t)，其中X1，X2，X3，……，Xn为加入不同辅料类型的质量变量，t为加入辅料的时间变量；
为综合降温函数，/>其中Q是转炉热量总收入，为fX(Vo2,t)函数计算中过程变量，t为时间变量，v0为供氧总量，其中，转炉热量总收入Q为2.13×108kJ；
W′scrap为本炉次废钢加入量，为15.8t。
S4、计算并输出吹炼开始至当前熔池温度的预测值：将吹炼实时数据传入温度预测模型，计算并输出吹炼开始至当前熔池温度的预测值。
计算并输出吹炼开始时刻至当前的温度预测曲线如图3所示。
实施例3
实施例3的一种转炉炼钢吹炼过程熔池温度实时预测方法，该预测方法具体包括以下步骤：
步骤S1、采集数据：获取炼钢所需原辅料基本参数，以及若干历史炉次的原料数据、钢水数据、辅料添加数据、吹氧数据，将采集到的数据进行预处理；其采集的数据如表2所示。
步骤S2、构建转炉炼钢吹炼过程熔池温度实时预测基础模型：在综合考虑转炉冶炼过程中废钢熔化机理及矿石还原吸热理论的基础上，结合转炉反应的热力学和动力学计算，构建转炉炼钢吹炼过程熔池温度实时预测基础模型；
所述温度预测模型的二元函数算法如下：
式中：T(Vo2,t)为转炉熔池温度对Vo2和t的二元函数，其中Vo2为累计吹氧量，t为吹氧时间；fX(Vo2,t)，X＝{C、Si、P、Mn、Fe}为被氧化X的质量对Vo2和t的二元函数；λ为C氧化成CO的比例，Wiron为铁水质量，Tf为铁水熔点，Tiron为铁水温度，Wscrap为废钢质量，Wsteel为钢水质量，Wslag为炉渣质量，其中，
/>
C氧化成CO比例λ＝0.9，Wiron＝94.6t，Tf＝1296℃，Tiron＝1328℃，Wscrap＝14.9t，Wsteel＝108t，Wslag＝4.76t。
步骤S3、迭代优化：将S1获得的数据分类并输入S2所构建基础预测模型中，进行迭代优化，获得转炉吹炼过程熔池温度实时预测模型。
在实施例3中，所述数据分类包括将S1得到的原料数据、辅料添加数据作为常函数处理，吹氧数据作为自变量，钢水温度作为因变量。
所述迭代优化为将原料数据、辅料添加数据、吹氧数据作为模型输入，将熔池温度作为模型输出，输出值与S1所述钢水温度通过二元logistic回归分析法进行拟合，获得准确度更高的非线性函数，再通过logistic模型极大似然估计，得到其具体系数矩阵
最终的预测模型为
式中，ω(x)为加料函数，ω(x)＝ω(X1，X2，X3，……，Xn，t)，其中X1，X2，X3，……，Xn为加入不同辅料类型的质量变量，t为加入辅料的时间变量；
为综合降温函数，/>其中Q是转炉热量总收入，为fX(Vo2,t)函数计算中过程变量，t为时间变量，v0为供氧总量，其中，转炉热量总收入Q为2.21×108kJ；
Ws′crap为本炉次废钢加入量，为14.9t。
S4、计算并输出吹炼开始至当前熔池温度的预测值：将吹炼实时数据传入温度预测模型，计算并输出吹炼开始至当前熔池温度的预测值。
计算并输出吹炼开始时刻至当前的温度预测曲线如图4所示。
对比例1
某钢厂有120t转炉，为演示本方法的有益效果，选取连续两个正常生产的炉次，分别用本方法的预测模型和未采用本发明的预测模型对这两个炉次进行转炉熔池温度预测，使用本方法计算过程同上述实施例。转炉冶炼过程中，无法连续检测转炉内熔池温度，故采用投弹测温方式获取离散的温度点，投弹时间为120s、240s、360s、480s、600s、720s。
投弹检测温度、原模型预测温度、本方法预测温度见下表3。采用本方法的预测模型前后两个炉次的预测温度对比折线见图5和图6。
表3预测温度对比
根据图5和图6所得，未采用本发明的预测模型所得预测温度与实际温度误差平均值为10.6℃，方差为3.8；采用本方法的预测模型所得预测温度与实际温度误差平均值为3.25℃，方差为1.5。由此可见，本发明的预测模型后，温度预测的准确性与稳定性都有明显提高。
Claims (8)
1.一种转炉炼钢吹炼过程熔池温度实时预测方法，其特征在于，包括以下步骤：
步骤S1、采集数据；
步骤S2、构建转炉炼钢吹炼过程熔池温度实时预测基础模型；
步骤S3、迭代优化：获得转炉吹炼过程熔池温度实时预测模型，所述预测模型为
式中，A为修正系数，
fX(Vo2,t)，为被氧化X的质量对Vo2和t的二元函数，X＝{C、Si、P、Mn、Fe}，t为时间变量，v0为供氧量；
ω(x)为加料函数，ω(x)＝ω(X1，X2，X3，……，Xn，t)，其中X1，X2，X3，……，Xn为加入不同辅料类型的质量变量，t为加入辅料的时间变量；
为综合降温函数，/>
为废钢熔化速率；
Q是转炉热量总收入；
W′scrap为本炉次废钢加入量；
步骤S4、将吹炼实时数据传入温度预测模型，计算并输出吹炼开始至当前熔池温度的预测值。
2.根据权利要求1所述的转炉炼钢吹炼过程熔池温度实时预测方法，其特征在于，步骤S1中采集数据包括原料数据、钢水数据、辅料添加数据和吹氧数据。
3.根据权利要求2所述的转炉炼钢吹炼过程熔池温度实时预测方法，其特征在于，步骤S1中将辅料、废钢和生铁加入量折算为吨钢消耗，基于以下公式进行：
式中：εd为吨钢消耗量、ε为某辅料消耗量、m为转炉出钢量。
4.根据权利要求2所述的转炉炼钢吹炼过程熔池温度实时预测方法，其特征在于，步骤S1中基于一级网络采集的吹氧数据，对氧气流量进行累加，获得吹氧总量，基于以下公式进行：
式中：为读取i次时吹氧总量、qi为第i次读取时氧气流量、ti为一次读取时间间隔。
5.根据权利要求1所述的转炉炼钢吹炼过程熔池温度实时预测方法，其特征在于，步骤S2中所述基础模型为
式中：T(Vo2,t)为转炉熔池温度对Vo2和t的二元函数，其中Vo2为累计吹氧量，t为吹氧时间；fX(Vo2,t)，X＝{C、Si、P、Mn、Fe}为被氧化物质的质量对Vo2和t的二元函数；λ为C氧化成CO的比例，Wiron为铁水质量，Tf为铁水熔点，Tiron为铁水温度，为废钢熔化速率，Wscrap为废钢质量，Wsteel为钢水质量，Wslag为炉渣质量。
6.根据权利要求5所述的转炉炼钢吹炼过程熔池温度实时预测方法，其特征在于，所述废钢熔化速率计算公式如下：
α1＝hLAsc，α2＝hscAsc
式中：Wsc为废钢质量，θ为废钢熔化时间，Tm为熔池温度，T′为废钢表面温度，Tsc为废钢温度，ΔHFe为废钢熔化潜热，a、b为液相线定数，β为钢水中单位浓度碳的传质速度，为钢水初始含碳量，Ccb为钢水后期含碳量，Csc为废钢含碳量，hL为钢水的传热系数，hsc为废钢的传热系数，为界面边界层厚度。
7.根据权利要求5所述的转炉炼钢吹炼过程熔池温度实时预测方法，其特征在于，基于转炉冶炼中矿石还原理论，通过下式计算矿石总吸热量：
式中：Qore为矿石总吸热量，Q′ore为矿石物理吸热量，为矿石还原吸热系数，η为矿石还原度，more为矿石加入量。
8.根据权利要求1所述的转炉炼钢吹炼过程熔池温度实时预测方法，其特征在于，步骤S3中所述迭代优化基于二元logistic回归分法，通过logistic模型极大似然估计，计算出转炉炼钢吹炼过程熔池温度实时预测基础模型函数的具体系数矩阵A。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310963256.1A CN116911057A (zh) | 2023-07-31 | 2023-07-31 | 一种转炉炼钢吹炼过程熔池温度实时预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310963256.1A CN116911057A (zh) | 2023-07-31 | 2023-07-31 | 一种转炉炼钢吹炼过程熔池温度实时预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116911057A true CN116911057A (zh) | 2023-10-20 |
Family
ID=88353046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310963256.1A Pending CN116911057A (zh) | 2023-07-31 | 2023-07-31 | 一种转炉炼钢吹炼过程熔池温度实时预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116911057A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117553921A (zh) * | 2024-01-12 | 2024-02-13 | 山东钢铁股份有限公司 | 转炉钢水温度预测方法、系统、终端及存储介质 |
-
2023
- 2023-07-31 CN CN202310963256.1A patent/CN116911057A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117553921A (zh) * | 2024-01-12 | 2024-02-13 | 山东钢铁股份有限公司 | 转炉钢水温度预测方法、系统、终端及存储介质 |
| CN117553921B (zh) * | 2024-01-12 | 2024-04-19 | 山东钢铁股份有限公司 | 转炉钢水温度预测方法、系统、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108676955A (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
| CN109447346A (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 | |
| CN116911057A (zh) | 一种转炉炼钢吹炼过程熔池温度实时预测方法 | |
| CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
| CN108647407B (zh) | 一种转炉炼钢烟气分析定碳方法 | |
| CN104630410A (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
| CN113343576B (zh) | 基于深度神经网络的钙处理过程中钙的收得率的预测方法 | |
| CN111893237A (zh) | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 | |
| CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
| US20150337404A1 (en) | Method and device for predicting, controlling and/or regulating steelworks processes | |
| Sala et al. | Multivariate time series for data-driven endpoint prediction in the basic oxygen furnace | |
| Liu et al. | Prediction model of BOF end-point P and O contents based on PCA–GA–BP neural network | |
| CN113961865A (zh) | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 | |
| CN107765550B (zh) | 一种基于钢包自动定位的稳定出钢温度的方法 | |
| Larsen et al. | Intelligent control of cupola melting | |
| CN110059940B (zh) | 一种炼钢-连铸界面衔接节能方法及系统 | |
| CN116306272A (zh) | 一种基于大数据的转炉热损失率预测方法 | |
| CN115576285A (zh) | 一种lf精炼全自动生产的方法及系统 | |
| Song et al. | A novel operation optimization method based on mechanism analytics for the quality of molten steel in the BOF steelmaking process | |
| CN104060019A (zh) | 一种半钢炼钢方法 | |
| Huang et al. | Greedy kernel components acting on ANFIS to predict BOF steelmaking endpoint | |
| CN118016203B (zh) | 一种基于机理模型和XGBoost算法的LF精炼温度预报方法 | |
| JP4140939B2 (ja) | 転炉吹錬方法 | |
| CN114713640A (zh) | 一种含Nb成分热轧直条HRB400钢筋的生产控制方法 | |
| Glavas et al. | The application of artificial neural network in the prediction of the as-cast impact toughness of spheroidal graphite cast iron |
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 |