神经网络与遗传算法结合的球团竖炉燃烧优化

对神经网络与遗传算法结合的球团竖炉燃烧优化方法进行了研究.首先构建了以矿料成分及含水率、相关操作参数以及燃烧室和炉膛温度等16个参数作为输入量,球团竖炉煤气吨耗和NOx污染物排放浓度作为输出量的人工神经网络模型.采用700组现场运行数据作为样本对神经网络进行训练,训练后的模型具有良好的泛化能力和预测精度,煤气吨耗预测误差低于3%且NOx排放浓度的相对误差在5%以内.此外,结合所建模型,采用实数编码的遗传算法,对球团竖炉燃烧进行优化计算,在寻优过程中对煤气吨耗及NOx排放这2个优化分量采用线性加权和的方法转化为单一数值的目标函数.通过选择不同的权重比例得出不同侧重条件下的优化目标函数,并给出该优化函数下寻优所得的操作参量优化控制方案.由所选优化方案数值解可以看出在煤气吨耗上升1.7%的情况下,NOx的排放浓度下降了20.37%.

球团竖炉气固流动与焙烧过程耦合的三维数值模拟

基于欧拉多相流模型,建立了球团竖炉气固流动与焙烧过程耦合的三维数理模型,其中气相采用标准k-e湍流模型,固相采用颗粒动理学模型,化学反应采用氧化动力学模型.对不同工况下的焙烧过程进行三维数值模拟计算,探讨了不同操作参数对竖炉炉温和焙烧产物Fe2O3产率的影响规律.结果表明,竖炉炉温和焙烧产物Fe2O3的产率对入炉烟温、入炉烟气量和冷却风量均存在最大需求值,分别为1 400 K,65.6 t/h,7.8×104 m3/h.达到最大需求值前,炉温和Fe2O3的产率均随入炉烟温、入炉烟气量和冷却风量的增加而增加.超过最大需求值后,竖炉炉温随入炉烟温、冷却风量的增加而降低,随入炉烟气量的增加变化不大;Fe2O3的产率随入炉烟温、入炉烟气量的增加而降低,随冷却风量的增加而增加.

球团竖炉焙烧质量分类预测的建模研究

本文对钢铁球团竖炉焙烧质量分类预测的建模进行了研究,描述了球团竖炉焙烧质量分类预测问题,建立了支持向撼机和BP神经网络两种预测模型;在工业现场试验数据的基础上,比较了两种模型分类预测准确性,并考察了SVM模型参数对分类准确性的影响,结果表明:支持向量机分类预测模型的预测准确率可达84%,优于BP神经网络分类预测模型且具有更好的泛化性能.