基于机器学习算法的熔渣液相线温度预测

炼钢 ›› 2022, Vol. 38 ›› Issue (3): 12-19.

基于机器学习算法的熔渣液相线温度预测

钟巍^1，2，鲍光达²，王海川²，吴婷²，仇圣桃^1，2

(1.钢铁研究总院，北京 100083；
2.安徽工业大学冶金工程学院，安徽马鞍山 243032)

出版日期:2022-06-05 发布日期:2022-05-18

Prediction of slag liquidus temperature based on machine learning algorithm

Online:2022-06-05 Published:2022-05-18

摘要/Abstract

摘要： 炉渣流动性能是冶金流程高效安全进行的重要因素，由于熔渣成分复杂、高温试验难以精确开展，熔渣液相线温度的准确预测是一个难点。近年来人工智能技术的快速发展，在流程长、工艺复杂的冶金领域得到了广泛应用。通过BP神经网络模型、RBF神经网络模型以及随机森林模型来预测转炉渣CaO-SiO₂-MgO-Fe₂O₃-MnO-P₂O₅-Al₂O₃多元渣系的液相线温度，通过相关误差值评价模型训练效果。结果表明，三个模型的均方根误差分别为6.1141 ℃、8.8340 ℃和5.1115 ℃，所建模型能较好地预测该多元渣系的液相线温度。模型可以在冶金流程中涉及炉渣流动性控制的环节发挥关键作用，为相关工艺优化提供参考，如在转炉智能溅渣护炉控制中，基于随机森林模型预测转炉渣液相线温度，动态改变溅渣护炉工艺参数，为最佳溅渣护炉方案的确定提供理论指导。

关键词: 多元渣系, 液相线温度预测, BP神经网络, RBF神经网络, 随机森林, 溅渣护炉

钟巍, 鲍光达, 王海川, 吴婷, 仇圣桃, . 基于机器学习算法的熔渣液相线温度预测[J]. 炼钢, 2022, 38(3): 12-19.

[1]	何孝雨, 王敏, 冀建立, 包燕平, 杨俊峰, 王仲亮. 基于GA-BP神经网络预测转炉出钢过程Mn元素合金化收得率[J]. 炼钢, 2022, 38(4): 14-20.
[2]	李晨晓1，2，赵定国1，2，薛月凯1，2，王书桓1，2，艾立群1，2，周朝刚1，2. 承钢半钢熔渣气化脱磷循环利用试验研究[J]. 炼钢, 2019, 35(4): 19-22.
[3]	薛志1，郭伟达1，李强笃1，王忠刚1，高志滨1，杨龙2，姜在彬2，雷雨田2，傅杰2. 高效节能型旋流氧枪喷头的设计与应用[J]. 炼钢, 2019, 35(2): 11-19.
[4]	冯文甫，马富平，赵世杰，郭键，叶凡新，郭志彬. AOD炉利用脱碳渣进行溅渣护炉工艺的开发与应用[J]. 炼钢, 2018, 34(3): 29-33.
[5]	薛月凯1，王书桓1，李晨晓1，赵定国1，王黎光1，陈建军2. 60 t转炉炉渣气化脱磷后循环利用试验研究[J]. 炼钢, 2018, 34(1): 20-24.
[6]	钟良才1，朱英雄1，姚永宽2，蔡可森2，周贺贺2. 转炉高氧化性炉渣溅渣护炉工艺优化及效果[J]. 炼钢, 2015, 31(5): 1-6.
[7]	艾晓礼;王玉生;唐文明. 基于BP神经网络的转炉炼钢吹氧量预测[J]. 炼钢, 2013, 29(2): 34-37,4.
[8]	李军;贺东风;徐安军;田乃媛. 基于GA-PSO-BP神经网络的LF终点温度预测[J]. 炼钢, 2012, 28(3): 50-52.
[9]	何飞;贺东风;汪红兵;徐安军;田乃媛. BOF→LF→CC流程钢水温度预报[J]. 炼钢, 2012, 28(3): 53-56,6.
[10]	朱坦华;冯春松;何飞. 260 t转炉终点磷含量预报模型的开发实践[J]. 炼钢, 2012, 28(2): 10-13,2.
[11]	赵成林;张维维;李德刚;王丽娟;李广帮. 基于BP神经网络的VD温度预报模型[J]. 炼钢, 2010, 26(3): 47-50，7.
[12]	陈元学;张义才. 复吹转炉溅渣护炉工艺优化[J]. 炼钢, 2009, 25(06): 22-25.
[13]	王希娟;崔建华;冯京晓. 基于维度缩减的合金加料智能预测模型的研究[J]. 炼钢, 2009, 25(04): 65-67，7.
[14]	黄标彩. 转炉炉型数字化控制技术实践[J]. 炼钢, 2008, 24(02): 1-3,14.

基于机器学习算法的熔渣液相线温度预测

Prediction of slag liquidus temperature based on machine learning algorithm

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 14

编辑推荐

Metrics

本文评价