铁矿粉高温性能特征数的配合性研究

利用"高温性能特征数"对铁矿粉的高温性能进行评价,在对单种铁矿粉的高温性能进行实验分析的基础上,增加了对混合矿高温性能的实验研究。通过对铁矿粉的两两混合、三三混合及四四混合进行实验,以此来揭示混合矿的高温性能与单种矿高温性能之间的关系。经实验研究发现,混合矿的高温性能与单种矿的高温性能近似满足线性相关性,其可用来指导配矿。

不同炉料C还原软化熔融及成渣过程

为直接观察不同炉料软化熔融及成渣过程,本试验采用了卧室高温可视反应炉,全面记录了试样在试验过程中的变化,并观察到含铁炉料在高温下软熔及成渣行为,本试验研究了4种单类含铁炉料及2种混合炉料还原软化熔融及成渣过程,得到试验过程直观图像,采用矿相解离分析仪分析生成物质的物相组成。结果表明,不同类型含铁炉料C还原形成的渣相中物相组成差异很大,高碱度烧结矿主要形成CaO-SiO_2-Al_2O_3-FeO-MgO五元系渣,球团矿形成SiO_2-Al_2O_3-FeOCaO四元系渣,块矿形成FeO-SiO_2二元系渣;试验中有气泡生成现象,该气泡生成现象反应了初渣的高温物理性能,渣相中FeO含量越高,其与内生气源生成气泡能力越强。

基于粘结强度特征数的烧结矿强度评价方法

烧结矿的强度主要取决于含铁矿物的强度、粘结相自身的强度以及粘结相与含铁矿物间的粘结强度。研究表明粘结相与含铁矿物间的粘结强度是烧结矿强度的主要制约因素。将粘结强度与能满足工厂生产要求标准的烧结矿粘结强度(12.58 MPa)的比值定义为粘结强度特征数,并用其评价烧结矿的整体强度。同时,结合烧结矿的微观结构对烧结矿强度进行研究。结果表明,与粘结相自身微观结构相比,粘结相与含铁矿物界面的微观结构较为疏松;固液两相之间的冷收缩系数不同,粘结相与含铁矿物之间易形成内应力,不利于粘结强度的提高。因此,粘结强度满足一定要求时,烧结矿的强度就能满足生产要求。

基于BP神经网络的烧结矿性能预报模型

为解决烧结矿预报模型中未考虑铁矿粉高温基础特性的情况,在预报模型中添加了反应铁矿粉高温性能的同化反应特征数,即流动性特征数。采用BP神经网络建立烧结矿性能预报模型。选择影响高炉生产的烧结矿指标作为输出,分析影响这些指标的烧结操作制度,铁矿粉的高温、物化特性作为输入;通过BP神经网络建立预测模型,并对BP神经网络的算法进行优化。预报模型采用8-17-4的BP神经网络结构,经过训练后,预测精度达到85%以上,具有很好的准确性和自适应性。