马钢120 t LF精炼炉钢液温度预测模型的应用与优化实践

针对LF精炼炉钢液温度控制过度依赖人工经验的问题,马钢长材事业部以120 t LF精炼炉为研究对象,基于能量平衡原理,计算分析LF精炼过程中输入电能、合金化、炉渣热效应、钢包内衬散热、渣面辐射、吹氩搅拌和烟气热损失等热量对钢液温度的影响,建立LF精炼钢液温度的预测模型。经过跟踪实际生产试验、测温校正并优化模型,使模型取得了良好的应用效果。模型预测温度与实际测量值偏差绝对值≤5℃的比例为97.73%,偏差绝对值≤6℃的比例为100%。

基于PSO和BP网络的LF炉钢水温度智能预测

研究将粒子群优化算法与BP神经网络相结合,建立新的钢水终点温度预报模型.确定加热功率、初始温度、精炼时间等8个影响钢水终点温度的主要因素作为神经网络的输入量.用粒子群优化算法优化神经网络参数,改善神经网络温度预测模型的收敛性能.实验结果表明,该算法可以提高预测速度和精度,预测结果误差不大于±5℃的炉次大于90%.

基于信息融合算法的LF炉钢水温度预测

LF炉钢水温度的控制对钢的质量和连铸操作的顺行都很重要,而LF炉钢水温度的预报是LF炉钢水温度控制的前提。针对LF炉冶炼过程中物理化学反应过程及传热过程的复杂性,以宝山钢铁股份有限公司300 tLF炉为研究对象,在分析了影响LF炉钢水温度的主要因素的基础上,应用基于BP神经网络的信息融合算法,开发了用C语言编写的预测程序,预测了LF炉的钢水温度。实验表明,此算法可以提高预测的速度和精度,预测结果为误差不大于±5℃的炉次大于90%。

LF炉精炼过程钢水温度预报技术

基于LF炉精炼过程 ,以钢水和炉渣为研究体系 ,通过对其能量收入和损失的系统分析与计算 ,利用热平衡规律 ,详细推导并建立了钢水升温速率模型·其中钢包包壁的传热机制 (包括包侧壁和包底 )分别采用圆柱坐标下和直角坐标下的一维非稳态导热微分方程及其初始条件和第三类边界条件来描述 ,以有限差分方法求解·编制成计算机程序对实际过程模拟仿真·仿真结果与实际值的误差均在±

基于改进人工神经网络的LF钢水终点温度预报

采用改进的人工神经网络算法,开发了40t钢包炉精炼时钢水终点温度预报模型。与传统BP网络算法相比较,改进算法可提高预测速度和精度。生产现场实验表明,传统BP神经网络算法,钢水温度预测误差±5℃的炉次仅为77%,用改进的BP神经网络算法,其误差±5℃的炉次为90%。

用30t EAF-LF-VD冶炼高级齿轮钢

对 30 t EAF- L F- VD冶炼高级齿轮钢的过程进行分析 ,由此确定 L F- VD过程中的成分微调工艺和 VD过程中成分的变化规律 ,并对钢的各项性能与化学成分进行逐步回归分析 ,确定了最佳内控成分。

LF钢水成分与温度控制模型

以钢水、渣、包衬为研究体系,建立了钢水成分与温度控制模型。温度控制精度在±3℃以内,在补加系数法的基础上考虑了合金的收得率,推导出合金添加计算公式,使计算精度进一步提高。

LF-RH工艺生产超低硫钢钢水温度预报模型

根据LF-RH精炼超低硫钢的工艺流程,基于冶金热力学、传热和热量平衡等原理,同时考虑钢包的热状态,建立出钢至浇注过程中的钢水温度预报模型。通过该模型可以得到不同时刻钢水温度和钢包内衬温度的分布曲线。实例验证结果显示,模型计算值与实测值的平均误差为5.6℃,误差在±8℃以内的占87.5%。另外,运用该模型分析了钢包热状态、出钢过程、传运时间、RH真空室内壁温度等因素对钢水温度的影响规律,可为超低硫钢精炼工艺的优化提供参考。

LF炉钢水成分预报模型的建立及应用

宣钢LF炉钢水成分预报模型,通过机理模型算法,准确、快速地提供了精炼过程中钢水成分的实时预报,减少了精炼通电时间和测温次数,提高了精炼生产效率;充分发挥了LF炉优质、低耗、低成本的优势,保证了连铸生产的顺行。

LF炉温度控制研究

由于精炼过程造渣阶段工况的不稳定和复杂性,导致了很多参数不能精确获得,现在的LF炉精炼过程中,还没有比较系统的温度控制方法来对LF炉的钢水温度实施控制。而在精炼过程中,实现对温度的控制是非常重要的一个方面。本文从精炼过程的两个阶段分别进行温度控制来实现对LF炉的钢水终点温度控制。

降低120t LF精炼电耗的生产实践

针对某厂LF精炼电耗偏高的问题,分析了其精炼电耗的影响因素。通过采用新型复合反射绝热板提高钢包保温性能,优化周转钢包空包时间和全氧钢包烘烤系统升级改造以提高钢包内衬温度,提高连铸热态铸余回渣量和减少精炼过程钢水裸露面积等措施,进行了降低精炼电耗的生产实践,共减少生产过程中钢水温降约28.17℃,精炼电耗从改进前的45.14 kWh/t降低至35.58 kWh/t,平均降低了9.56 kWh/t,节约吨钢电能成本约4.78元。

基于物料模型的GMDH神经网络LF终点温度预测

针对LF冶炼终点温度影响因素的复杂性,提出以自组织数据挖掘原理为核心的GMDH神经网络对钢水终点温度进行预测,±5℃内误差的命中率为78.31%,±7.5℃内误差的命中率为92.77%;建立物料的热效应模型,通过不同物料加入钢水中的热效应计算,将LF精炼过程中加入的物料折算为一个输入因素,改进的GMDH神经网络对钢水温度预测,±5℃内误差的命中率为88.72%,±7.5℃内误差的命中率为98.44%,基于物料模型的GMDH神经网络不仅在命中率上有显著提高,而且对冶炼多钢种导致的物料结构改变有更好的适应能力。

LF炉钢水温度的预估

考察了影响LF炉钢水温度的因素。从能量平衡的角度出发,将整个钢包体系作为1个系统,确定加热功率、钢水质量、钢包温度、包龄、渣厚、氩气吹入量、时段7个主要因素作为网络的输入量,应用BP神经元网络进行初步预报,再根据专家工艺知识对一些特殊情况进行修正。使用本方法可减少点测次数,获得连续的钢水温度信息,降低炼钢成本,提高质量。预报误差在±10℃以内。

焊接用H08E盘条工艺开发

钢水进LF炉精炼处理,可有效脱硫及精确控制成分,但精炼过程增硅导致钢水硅质量分数超过标准要求。通过严格控制转炉出钢挡渣,不加含硅合金、脱氧剂,LF炉精炼周期控制在32min以内,精炼黄白渣(FeO)+(MnO)质量分数0.75%~1.5%,精炼过程钢水增硅不大于0.008%,盘条硅质量分数符合内控要求。高线吐丝温度930~950℃、辊道速度不大于0.3m/s,并加盖保温罩保温缓冷,开发生产的H08E盘条化学成分、力学性能稳定。

基于微分进化的钢水温度预报混合模型

针对LF冶炼过程钢水温度预报问题对机理模型进行了分析.将基于微分进化的BP网络引入混合模型,以确定模型中难以准确获得的参数,建立了基于微分进化的钢水温度混合预报模型.模型通过适当时刻变异因子的随机选取和重复进行种群个体初始化的方法,对微分进化算法进行了改进,有效解决了BP网络训练的困难,避免了算法早熟.实验结果表明,混合模型具有较好的预测结果,基本满足了实际生产的需要.

方坯冷镦钢SWRCH22A优化生产实践

针对鞍钢股份有限公司炼钢总厂生产冷镦钢SWRCH22A时发生浸入式水口絮流影响钢水洁净度的问题,优化了转炉冶炼终点控制、精炼LF炉造白渣和机前保护浇注等工艺,结果絮流现象得到改善,平均每浇次换水口由4~5次降至1~2次,提高了钢水质量。

钢包精炼过程中钢水成分微调及温度预报

开发了钢包精炼（ＬＦ）过程钢水成分微调模型并应用于现场。计算了不同合金加入钢包后引起钢水温度的变化，为ＬＦ钢水温度的精确控制提供了依据。

Al_2O_3的质量分数对衬瓷层组织及耐磨性的影响

针对表面工程领域对耐磨材料的迫切需要及制备耐磨材料的复杂性,发明了钢水余热衬瓷技术,并利用该技术对耐磨衬瓷层进行了研究.通过将不同比例的Al2O3和金属粉料混合、合成,制备出陶瓷复合粉,并将其涂覆在沾有高温胶的砂型型腔工作面上,通过正常的钢水浇铸工艺,利用钢水凝固时释放出的热量将陶瓷复合粉烧结到钢的表面,达到耐磨效果.利用扫描电镜观察分析了衬瓷层的组织、表面形貌、是否有脱落现象以及衬瓷层与基体的结合情况,利用能谱分析了衬瓷层的成分,利用磨损试验机检测了衬瓷铸件的耐磨程度.结果表明:Al2O3的质量分数在35%～45%之间的衬瓷效果最好,其耐磨性是淬火45号钢的80倍.

钢水连续测温用BN-AlN-TiB_2复合陶瓷热电偶保护管

首次采用BN -AlN -TiB2 复合陶瓷材料制作的热电偶保护管 ,在中间包钢水中连续使用了 4 .5h ,连续测温与点测值的误差仅为± 2℃ 保护管侵蚀最严重的部分是与钢渣的接触面 ,厚度仅减薄了 2 .5mm 造成保护管侵蚀较少的原因是TiB2 被氧化成TiO2 后阻止了氧化层向内部进一步扩散以及TiB2 ,TiO2

提高CSP连拉炉数的应用研究

对提高薄板坯连铸连轧(CSP)连拉炉数进行了应用研究,通过采取优化钢水化学成分,改善钢水流动性,控制精炼时间、净吹时间、钢水温度,对耐材进行改进,选用性能优良的保护渣,加强对结晶器的管理和控制,控制钢包下渣量及中间包内渣层厚度,降低漏钢事故,优化二冷水的控制等技术措施,使连拉炉数得到了提高,取得了较为满意的效果和效益。