钢水脱氧合金收得率的建模研究

炼钢过程中的脱氧合金化是钢铁冶炼的重要工艺环节。随着钢铁行业中高附加值钢种产量的不断提高,在保证钢水质量的同时,如何最大限度地降低合金钢的生产成本已经成为各大钢铁企业提高竞争力所要解决的重要问题。对于不同的钢种,在冶炼结束时,需要投入不同量、不同种类的合金,以使其达到特定要求。基于此,通过历史数据对脱氧合金化环节进行了分析与评价,对收集到的数据用Excel进行初步处理和统计分析,可以知道影响合金收得率的因素有转炉终点温度,转炉终点C,Mn,S,P,Si等含量。建立模型分析合金收得率并提高元素收得率预测准确率,进而实现脱氧合金化成本优化对实际钢铁冶炼具有十分重要的意义。用Excle统计分析出影响C,Mn,S,P,Si等元素收得率的主要因素。

基于灰色关联度分析对合金收得率的研究

本文选取钢铁提炼时转炉终点温度、转炉终点各金属含量、连铸正样各金属含量以及脱氧合金化时加入各物质的质量作为研究对象,定义了合金收得率的计算公式并计算不同环境下各样本的收得率,并分析不同钢种间收得率的差异性。然后利用边际影响模型分析计算公式中钢水重量和添加的合金料重量对收得率的影响,再建立灰色关联度模型考察其他未参与计算的指标是否会对元素收得率有所影响,根据各指标序列与元素收得率序列关联度大小排序。结果显示,影响碳、锰元素收得率的主要影响因素差别不大,程度大小依次为温度、碳化硅、石油增碳剂、转炉终点S和Mn元素占比。

基于BP神经网络对合金收得率影响因素的研究

炼钢过程中的脱氧合金化是钢铁冶炼中的重要工艺.在钢水脱氧合金化过程中,合金收得率受多种因素影响,难以采用显式表达式确定.钢水脱氧合金化主要关注C、Mn、S、P、Si五种元素的含量,需要通过计算主要元素的历史收得率,并分析影响其收得率的因素.在此基础上,尽可能提高元素收得率的预测准确率,从而降低成本.基于此构建了基于BP神经网络预测C、Mn历史收得率模型,并采用了遗传算法来进行优化,克服神经网络的缺点.最终得到C的历史回归率影响因素为转炉终点C、连铸正样C、钢水净质量、石油焦增碳剂用量、碳化硅用量,Mn的历史回归率影响因素为转炉终点Mn、连铸正样Mn、钢水净质量、硅锰面用量、碳化硅用量.

解读:合金加料优化预测模型对合金收得率提高企业竞争力

随着钢铁行业中高附加值钢种产量的不断提高,如何通过历史数据对脱氧合金化环节建立数学模型,在线预测并优化投入合金的种类及数量,在保证钢水质量的同时最大限度地降低合金钢的生产成本,是各大钢铁企业提高竞争力所要解决的重要问题。

合金收得率影响因素与预测模型

脱氧合金化是转炉冶炼工艺的最后一步,钢液内合金成分含量控制是否精确直接影响着精炼工序的冶炼难度与冶炼周期。合金收得率是转炉合金工人配加合金时的重要参考标准,关于合金元素收得率判断的准确性直接影响着钢水成分稳定性与生产成本。该文通过基于聚类的热卡填充与相关分析,完成了对收集数据部分缺失的修复、历史收得率的计算及收得率影响因素的分析。在三次清洗数据之后,该文对剩余相对完整的218组数据进行K-means聚类分析,取同类均值代替插补,依据条件相似度完成了转炉终点Mn含量缺失数据的填充。其次通过查阅文献,得出收得率计算公式。最后针对潜在的变量因素共线性特征,应用相关分析求解相关性系数,得到影响C元素收得率的主要因素为:转炉终点C含量等;影响Mn元素收得率的主要因素为:转炉终点Mn含量等。最后利用Xgboost回归预测求出合金收得率与影响因素的关系。该文对所建立的模型性能进行了研究,对模型预测结果进行了测试,证实模型运行准确可靠,能够为生产冶炼作出指导。

基于BP神经网络的合金收得率预测

影响合金收得率的因素很多,在此研究合金收得率与钢水净重、加入的合金数量、加入的合金种类,以及转炉温度这4个主要影响因素的相关性,通过建立BP神经网络模型来对C、Mn两种主要元素的收得率进行合理化预测,该过程通过Matlab实现。为了提高合金收得率预测的准确性,采用带动量的批处理梯度下降算法对模型进行了改进与优化,使模型的预测更加快速准确。

钢水脱氧合金化过程中对合金收得率的预测——基于BP神经网络

炼钢过程中的脱氧合金化是钢铁冶炼中的重要工艺环节。对于不同的钢种在熔炼结束时,需加入不同量、不同种类的合金,以使其所含合金元素达标,最终使得成品钢在某种物理性能上达到特定要求。本文针对钢水“脱氧合金化”的问题,运用了SPSS、MATLAB、LINGO、EXCEL等数据分析软件,结合主成分分析、因子分析、BP神经网络构建预测等理论或方法,构建了及因子矩阵、BP神经网络等模型,得出了对收得率影响较大的主因素、最优条件等结论,最后结合实际给出合理化建议。

合金收得率预测及最小成本优化的 自动控制模型研究

如何在线预测并优化投入合金的种类及数量,在保证钢水质量的同时,最大限度地降低合金钢的生产成本,是各 大钢铁企业提高竞争力所要解决的重要问题。为此,我们对采集到的低合金钢种前期冶炼数据进行预处理,建立合金收得率 预测及最小成本优化的自动控制模型,从而提高合金钢的质量,降低生产成本。 首先对原始数据进行描述性统计分析,然后利用 Python 进行数据清洗,初步得到建模数据,并通过 MATLAB 实现建模 数据的三维可视化。根据建模数据中的转炉终点元素和连铸正样元素的重量百分比等指标,结合题目给出的定义得出元素收 得率的计算公式。求得低合金钢 C、Mn 的平均历史收得率分别为 70.70% 和 90.16%。对影响 C、Mn 两种元素收得率的因素 进行了定性和定量分析,计算了收得率与影响因素间的 Pearson 相关系数,最后结合熵值法求解得到各影响因素的权重值,得 出转炉终点 C、P 对收得率的影响较大。

影响ANS-OB精炼合金收得率的因素及对策

结合ANS OB钢包精炼技术工艺原理 ,论述了影响合金收得率因素。在此基础上优化钢水处理操作 ,以此提高合金收得率 ,减少合金用量 。

基于多元回归模型分析影响合金元素收得率主要因素

该文针对国内炼钢厂难以实现合金配料的自动优化和成本配置问题,运用多元回归分析判断钢产品C、Mn元素收得率的影响因素主要是转炉终点元素和合金加料量。对钢产品的数据按照钢号不同进行筛选分类后,根据钢水中合金的元素收得率,分别计算出元素C、Mn的收得率,其中C元素历史收得率为0.90,Mn元素的历史收得率为0.93。

基于AO-ENN的LF炉C、Mn合金收得率预报模型

LF炉是钢铁冶炼中的重要设备,其主要作用是对钢水中合金成分进行调整,然而目前实际生产中大多仍使用人工经验来对合金成分进行调整,而且已有的合金加料模型效果并不令人满意。为了使添加的合金更加准确、成本进一步降低,设计了一种基于天鹰优化器(AO)来优化Elman神经网络(ENN)的合金收得率预报模型。首先根据相关性分析出对合金元素收得率影响较大的因子,然后利用AO优化后的ENN建立合金元素收得率预报模型,最后通过预测的合金元素收得率来计算所需加入的合金量。利用实际生产中的真实数据来进行仿真试验,仿真结果表明,建立的AO-ENN模型相较于BP模型和Elman模型,误差更小,精度更高,对实际生产中的合金加入问题有较好的指导意义。

梅钢转炉合金模型开发

为降低转炉合金成本,采用线性规划为核心算法,开发了转炉合金模型。模型通过设计碳冗余质量分数和磷冗余质量分数、确定合金收得率和LF增碳质量分数等主要参数、基于优先加足低价合金的原则分配转炉合金用量,在满足钢水成分的前提下降低了合金成本,可产生经济效益3.27元/t。

90 t转炉冶炼低碳含铝钢脱氧合金化实践

针对90 t转炉冶炼低碳含铝钢时合金收得率低的问题,分析了影响合金收得率的主要原因,采取优化转炉终点钢水中的氧含量,优化复合脱氧合金配比,调整渣料组成并合理使用挡渣塞后,降低了脱氧铝的消耗,合金收得率提高至87.4%,整体合金成本降低7元/t以上。

基于SVM和BP神经网络的金属收得率的预测模型

本文建立基于BP神经网络的预测模型和基于支持向量回归机(SVR)的预测模型这两种模型进行C、Mn元素收得率的预测,同时利用均方误差和拟合优度来检验拟合精度,并对C、Mn元素收得率的预测结果进行比较和深入分析。由预测结果和误差对比可知,支持向量回归机预测结果的拟合优度保持在0.86~0.99之间,而BP神经网络拟合优度变化幅度大,所以基于支持向量回归机的预测结果相对于BP神经网络来说更准确可靠,而且其对于数据异常情况具有鲁棒性,利于预测出更准确的收得率。

炼钢过程中铁合金减量化技术研究

炼钢过程铁合金减量化有助于钢铁企业节能减排,并可节约其生产成本。本研究采用转鼓实验、数据分析和钢水量校准等方法,考察了合金粉化率、合金成分、合金收得率等对合金成本的影响。结果表明,合金粉化率升高,合金元素的收得率降低;当硅锰合金中Mn含量由64.7%提高至66.6%时,每吨钢的合金化成本由243.62元下降至241.89元,升高合金品位可降低合金消耗量。当钢水量偏差在-2%~0范围内时,合金化成本最低。因此,钢铁企业应定期检查钢包秤的精准度。

CAS工艺合金熔化与溶解过程调查及实验

炉外精炼ＣＡＳ操作的一个主要的优越性就是合金收得率较常规吹氩法大大提高，但实际调查表明，铝的回收率并未达到最佳，而且合金回收率的波动也比较严重，这些问题均给实际操作带来困难，本文针对这些问题从理论和实验两方面进行了探讨，给出了优化操作的一些基本考虑。

钢水“脱氧合金化”配料方案的优化

转炉炼钢过程中,出钢时的脱氧合金化是相对独立而又十分重要的部分。建立数学模型分析合金收得率并提高元素收得率预测准确率,进而实现脱氧合金化成本优化对实际钢铁冶炼具有十分重要的意义。利用元素收得率为脱氧合金化时被钢水吸收的元素重量与加入该元素的总重量之比计算得到了碳、锰元素历史收得率,在元素收得率预测提高准确率的基础上,建议安装支持向量机[1]的元素收得率系统,建立良好的人机交互界面;最后介绍了成本的优化和合金配料方案。

基于收得率预测模型的转炉炼钢合金加入量计算

在转炉炼钢过程中,针对出钢脱氧合金化操作中合金加入量的确定问题,提出了基于收得率预测模型的转炉炼钢合金加入量计算方法。首先使用支持向量机,建立了出钢合金化过程的合金收得率预测模型,进而利用预测结果计算合金加入量。使用实际生产数据进行仿真,结果表明该方法能够准确计算出合金加入量,符合实际生产的要求。

LF精炼成分预报模型的开发

采用经验计算、统计回归以及基于自学习的参考炉次法,建立了LF精炼成分的预报模型,对精炼过程中及精炼终点的钢水成分进行预报。结果表明,采用经验计算结合统计回归的方法可以预报铌、钛、碳、锰等收得率稳定的合金元素含量,采用基于自学习的参考炉次法可以预报硅、铝等收得率不稳定的合金元素含量,该模型基本满足了现场生产的要求。

110 t钢包砌筑优化实践

通过钢包水力学物理模型结合生产实际对现有钢包透气砖安装位置进行了研究,发现最优的透气砖安装位置为下透气砖距中心0.63 R,上透气砖距中心0.55 R,两透气砖夹角154°。在优化钢包透气砖安装位置的基础上,改进保温层、永久层材质和钢包壁砌筑方法,实际应用效果表明,优化后的钢包能有效降低钢水的温度损失,提高钢包包龄,增加合金收得率和LF炉电弧热效率。