基于神经网络对铁水硫含量的优化和分析

高炉铁水中的硫含量是描述铁水质量的一个重要指标.为了在出铁之前了解铁水中硫含量的高低,建立预测模型是必要的.本文利用遗传算法(GA)和BP神经网络构造了高炉铁水硫含量的预测分析模型,从某高炉选取117组数据进行学习和预测.运行结果表明,模型预测精度较高,当要求绝对误差为±3×10-6时,命中率可达61.54%;绝对误差为±4×10-6时,命中率可达84.69%.在此基础上,应用该模型回归分析了高炉风量、热风压力、富氧量、铁间料批数与铁水硫含量之间的相关关系,结果与高炉冶炼理论基本吻合,可为高炉生产提供一定的指导.

基于神经网络的高炉铁水硅和硫含量预报模型

采用基于自学习的参考炉次法,建立了反应高炉炉温和铁水质量的预报模型,对炼铁过程铁水硅含量和硫含量进行预报,建立了基于BP神经网络的高炉铁水硅含量和硫含量预报模型。用国内某高炉的生产数据进行模型训练,经预报结果数据验证,想要通过现有直接获取的高炉参数很难准确同时预报铁水硅含量和硫含量,但基本能准确预报铁水硫含量的变化趋势。

攀钢西昌钢钒高炉铁水适宜硫含量分析

为了寻求炼铁、炼钢工序经济适宜的铁水硫含量,通过对生产数据的统计,分析了攀钢西昌钢钒1号高炉铁水硫含量与技术经济指标的关系,得到了攀钢西昌钢钒高炉铁水钛含量与铁水硫含量及焦比的回归公式;并依据高炉冶炼过程中实际的矿焦比与铁水钛含量的经验数据,计算分析了不同铁水硫含量与炼铁的原、燃料成本的关系,综合考虑炼钢脱硫成本的变化,得出当前硫负荷条件下铁水适宜的硫含量(质量分数)应控制在0.085%左右.

铁水全量脱硫的优势分析

分析了高炉铁水w(S)与技术经济指标的关系及对原燃料成本的影响,并与铁水炉外脱硫时炼钢成本的增加进行了对比。