基于Stacking模型融合的AOD终点碳温预测

为提高AOD不锈钢冶炼终点碳温预测的准确性和可靠性,提出一种基于多个机器学习算法(RF、XGBoost、AdaBoost、KNN、SVR和岭回归)嵌入的Stacking模型融合的AOD终点碳温预测方法。基于理论基础和相关性分析确定了模型的输入特征变量,利用箱线图法对历史数据进行预处理,结合5折交叉验证和贝叶斯优化算法确定了模型的最优参数,通过对上述6种机器学习算法的逐层筛选,构建了RF+XGBoost+KNN—RF二层Stacking多模型融合的终点碳含量预测模型、RF+AdaBoost+KNN—RF+XGBoost+KNN—XGBoost三层Stacking多模型融合的终点温度预测模型。预测结果表明,RF+XGBoost+KNN—RF二层Stacking模型在终点碳质量分数误差为±0.01%的命中率为87.86%,RF+AdaBoost+KNN—RF+XGBoost+KNN—XGBoost三层Stacking模型在终点温度误差为±15℃的命中率为94.22%,相较于单一的机器学习模型,预测精度显著提高。

基于PSO-SVM模型的转炉终点预测

转炉冶炼过程包含着复杂的多相、高温的物理化学反应,建立可靠的转炉终点预测模型对有效减少钢水成分波动、提高钢铁品质有重要的意义。以某钢厂200 t转炉实际生产数据为依据,采用粒子群优化算法选取支持向量机模型最优惩罚参数C和核参数g的方法建立预测模型,对转炉终点碳质量分数和温度进行预测。将数据处理后得到425组数据,数据划分为训练集数据和测试集数据,并对其进行归一化预处理,其中,随机选取50组为测试集数据。结果表明,转炉终点预测模型的终点钢水碳含量(误差±0.015%)的命中率为84%,终点温度(误差±15℃)的命中率为80%。与BP神经网络模型和RBF模型相比,基于粒子群算法优化的支持向量机模型具有精度高、泛化能力强的特点。

本钢板材炼钢厂脱磷效率的研究

脱磷是炼钢过程的重要任务之一,铁水的含磷量因铁矿原料条件的不同而异,因此研究脱磷和提高脱磷效率的任务重之又重。对本钢炼钢厂2021-2022年的所有炉次的相关数据进行汇总分析,主要研究渣中CaO、MgO与铁水硅数比值、终点碳含量、终点温度、供氧流量等与脱磷效率的关系,结合本钢板材炼钢厂的生产实际,提出工艺和操作的改进措施,提高磷的分配比,从而提高整体的脱磷水平。

120t转炉半钢增硅热补偿技术研究及应用

针对攀钢钒采用半钢冶炼热源不足带来的终点碳偏低、终渣TFe含量高及捞渣烟尘大的问题,提出在提钒转炉出半钢时加入硅铁对半钢进行化学热补偿的炼钢新工艺,并通过对工艺参数的研究和优化,实现了工业应用。应用效果表明,增硅新工艺减少了转炉兑半钢时碳的烧损以及过程温降,提高了半钢炼钢转炉热源,半钢质量更为稳定,使得中高碳钢终点钢水碳含量在0. 07%～0. 12%的比例由32. 2%大幅度提高到92. 38%;重轨钢终渣TFe由19. 9%降低到18. 62%,Q系列钢终渣TFe由20. 85%降低到18. 89%;且新工艺的应用明显缓解了提钒捞渣烟尘大的问题,具有明显的环保效益。

120t转炉半钢炼钢去磷保碳工艺的生产试验

针对攀钢转炉半钢冶炼中高碳钢增碳法增加成本降低钢水质量问题,采取了半钢增硅化学热补偿工艺,并根据对转炉脱磷热力学以及钢渣中磷富集规律,得出炉渣中磷的主要富集相为硅酸二钙。采用快速成渣、降低出钢温度等技术措施后,增加了炉渣中富磷相的比例,提高了脱磷效果。试验结果表明,新的热补偿工艺在提高半钢热源的同时,使得炼钢转炉成渣时间由4.1 min缩短到2.5 min,试验炉次转炉终点钢水碳含量平均为0.18%,温度平均为1 653℃,炉渣TFe含量平均降低2.81个百分点,终点磷含量均控制在0.015%以内。

炼钢智能自动化系统

全面分析了转炉炼钢生产特点,并在此基础上建立了神经元网络的预报模型和控制模型。同时,将炼钢的终点温度和终点碳含量作为控制目标,计算氧气的补吹量和冷却剂的补入量,实现转炉炼钢的终点控制。从计算机仿真结果看,终点温度和终点碳含量仿真精度高,控制策略有效。

转炉炼钢智能控制系统

采用神经网络作为转炉炼钢的预报模型和控制模型，并将终点温度和终点碳含量作为控制目标值，计算氧气补吹量和冷却剂的补入量，从而实现转炉炼钢的终点控制．仿真结果表明，终点温度和终点碳含量仿真结果很理想，控制策略很有效．

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.

提高转炉出钢碳含量的生产实践研究

转炉采用终点低拉碳法生产中高碳钢，钢水氧含量高，后续脱氧难度大、钢中夹杂物多。基于降低生产成本和提高钢水洁净度的双重目的，进行了提高中高碳钢出钢碳含量的可行性分析及生产实践。通过优化供氧枪位和改进加料方案，实现了吹炼前期高效脱磷、中后期强化脱磷并抑制脱碳，将转炉单渣操作的出钢碳含量由原来的平均0．06％提高到0．10％-0．20％范围内，钢水磷含量控制在0．016％以下。

210t转炉提高终点[C]含量的工艺实践

分析了提高转炉终点[C]含量工艺的主要优势。通过采取相应措施,优化工艺操作,既保证了较好的脱磷效果,又降低了钢铁料消耗并提高了合金收得率。

提高重轨钢终点碳含量的实践

通过对炼钢工艺的改进，结合攀枝花钢钒有限公司炼钢厂现有条件，实践确定将转炉冶炼重轨钢终点碳含量提高到0．1％～0．2％的范围可行，结果表明钢水终点磷、氧含量大幅降低，终点碳质量分数提高到0．145％，终点磷质量分数降低到0．006％，可以满足钢厂生产高品质重轨钢的需要。