基于FOA-GRNN模型的转炉炼钢终点预报

目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考.

高效合金烘烤在转炉炼钢中的应用

为了研究高效合金烘烤在转炉炼钢中的应用,对高效合金烘烤装置在转炉炼钢生产中的应用进行了实践研究。结果表明,对比传统合金烘烤方式,高效合金烘烤装置可在2~4h内将15t铁合金升温至400~600℃,进而有效去除铁合金内的结晶水。当铁合金实际温度达到450℃时,可将钢中氢质量分数降低至0.000 150%以下,同时出钢温度降低20.31℃,转炉终点碳质量分数提高0.027%,脱氧剂消耗降低20%。在满足洁净钢生产的同时,可降低生产成本。