高炉模型
- 格式:ppt
- 大小:1.12 MB
- 文档页数:114
联合大数据和神经网络的高炉透气性预报模型随着工业化进程的不断推进,高炉透气性的预测成为冶金行业中一个重要的课题。
透气性是指高炉内煤气、固体物料和液态物料之间相互穿透和通过的能力,对于高炉炼铁过程的稳定运行和质量控制起着至关重要的作用。
本文将介绍一种联合大数据和神经网络的高炉透气性预报模型。
首先,我们需要收集大量的高炉操作数据。
这些数据包括炉温、炉压、炉料含碳量、炉渣成分等多种参数。
通过采集这些数据,我们可以建立一个完整的高炉运行数据库,作为模型训练的基础。
其次,我们需要针对高炉透气性的预测建立神经网络模型。
神经网络是一种模仿人类神经系统运作的数学模型,通过对大量数据的学习和模式识别,能够对未知数据进行预测。
在本模型中,我们将使用多层感知器(MLP)神经网络,该网络具有较强的非线性拟合能力。
模型的输入层将包括炉温、炉压、炉料含碳量、炉渣成分等高炉操作参数,输出层将为预测的高炉透气性。
为了提高模型的预测能力,我们还会将历史数据和实时数据相结合。
历史数据是指过去一段时间内的高炉操作数据,通过对历史数据的学习,模型可以掌握高炉运行的规律。
而实时数据则是指当前高炉的操作数据,通过将实时数据与历史数据相结合,模型可以及时调整预测结果。
在模型训练过程中,我们需要将数据进行预处理。
这包括数据的归一化、特征筛选等步骤。
归一化可以将数据缩放到一定的范围内,避免不同参数之间的差异对模型训练的影响。
特征筛选则可以选择对高炉透气性预测具有重要影响的参数,减少训练所需的计算资源。
在模型训练完成后,我们将进行模型的评估和验证。
我们将使用部分数据进行训练,另一部分数据进行验证。
通过与实际观测值的对比,可以评估模型的预测能力。
如果模型的误差较小且稳定,可以认为模型具有较高的准确性和可靠性。
最后,我们将实际应用该预测模型到高炉生产中。
通过监测实际操作数据和模型预测结果的差异,我们可以及时了解到高炉运行状态的变化,并根据模型的预测结果进行相应的调整。
高炉生产成本模型简介高炉生产成本模型是一个用于评估和优化高炉生产过程中成本的数学模型。
高炉是钢铁工业中重要的生产设备,通过将矿石和其他原料加热熔化,以生产出熔融的金属铁。
高炉生产成本模型可以帮助企业管理者了解和控制高炉生产过程中的成本,提高生产效率和经济效益。
模型构建高炉生产成本模型的构建基于高炉生产过程中的各个环节和成本因素。
主要包括以下几个方面:1.原料成本:高炉生产过程中需要使用大量的铁矿石、焦炭和石灰石等原料。
原料成本受到市场供求关系和原料质量等因素的影响。
2.能源成本:高炉生产过程中需要大量的能源,包括煤炭、焦炭和电力等。
能源成本受到能源价格和能源消耗量等因素的影响。
3.人工成本:高炉生产过程中需要大量的操作工人和技术人员。
人工成本受到劳动力市场的供求关系和人工工资等因素的影响。
4.设备维护成本:高炉生产过程中需要对设备进行定期的检修和维护,以保证生产的正常进行。
设备维护成本受到设备状况和维护费用等因素的影响。
5.环境治理成本:高炉生产过程中会产生大量的废气、废水和固体废物等污染物。
为了保护环境,企业需要进行环境治理和排放控制,这会增加生产成本。
以上各个方面的成本因素需要通过数据收集和分析,建立数学模型来表示和计算。
模型应用高炉生产成本模型可以应用于以下几个方面:1.成本评估:通过模型的应用,可以对高炉生产过程中的各项成本进行评估,包括原料成本、能源成本、人工成本、设备维护成本和环境治理成本等。
通过分析各项成本的变动和影响因素,企业管理者可以及时调整生产策略,降低生产成本,提高经济效益。
2.成本优化:通过模型的分析,可以找出高炉生产过程中的成本优化策略。
例如,可以通过优化原料配比、降低能源消耗、提高设备维护效率和改进环境治理技术等方式来降低生产成本。
同时,模型还可以帮助企业管理者评估不同的生产方案和技术改进方案的经济效益,从而选择最优方案。
3.决策支持:高炉生产成本模型可以为企业管理者提供决策支持。
基于智能算法的高炉炉况建模方法研究智能算法在工业领域中的应用日益广泛,其中高炉炉况建模是一个重要的研究方向。
高炉是冶金工业中的核心设备,对于高炉的炉况建模有助于提高生产效率和降低能源消耗。
本文将探讨基于智能算法的高炉炉况建模方法,并分析其优势和挑战。
高炉是冶金工业中常见的设备,用于将铁矿石还原为熔融铁。
高炉炉况建模的目标是通过对高炉的运行状态进行建模和预测,实现高炉的优化控制和运行管理。
传统的高炉炉况建模方法主要依赖于经验公式和数学模型,但这些方法往往受限于模型的复杂性和参数的确定性,无法准确地描述高炉的复杂特性。
基于智能算法的高炉炉况建模方法通过利用机器学习和数据挖掘等技术,从大量的历史数据中学习高炉的运行规律,并预测未来的炉况。
其中,最常用的智能算法包括神经网络、遗传算法、模糊逻辑等。
这些算法能够自动发现数据中的模式和规律,从而提高炉况建模的准确性和效率。
在基于智能算法的高炉炉况建模中,数据的质量和数量对于模型的准确性至关重要。
因此,首先需要对高炉的运行数据进行采集和预处理。
采集到的数据应包括高炉的输入参数、操作条件和输出指标等。
预处理的过程包括数据清洗、特征选择和数据变换等。
清洗数据可以去除异常值和噪声,确保数据的可靠性;特征选择可以从大量的输入参数中选择出对于建模和预测最为关键的参数;数据变换可以将数据转化为适合算法处理的形式。
在数据预处理完成后,可以使用各种智能算法来建立高炉炉况模型。
神经网络是一种常用的算法,它可以通过对大量的输入和输出数据进行训练,学习到高炉的非线性映射关系。
遗传算法是一种模拟生物进化过程的优化算法,它可以通过对模型参数进行优化,找到最佳的参数组合。
模糊逻辑是一种可以处理不确定性和模糊性的推理方法,它可以将模糊的输入映射到模糊的输出,从而实现对高炉炉况的建模和预测。
基于智能算法的高炉炉况建模方法具有以下优势。
首先,智能算法能够处理复杂的非线性关系,相比传统的建模方法更为准确和有效。
唐钢2BF热状态模拟的研究摘要高炉热状态模拟系统目前已广泛应用于国内外炼铁过程控制中,其核心是知识库。
它决定了整个系统的成败,展示了整个高炉的温度,对整个冶炼过程有着重大意义。
高炉热状态是衡量高炉运行状况的重要参数,它直接关系到高炉的稳定和顺行,与生产的各项技术经济指标紧密相关。
铁水中硅的含量表明着高炉冶炼过程中炉缸的热状态,影响着高炉冶炼进程、能量消耗及生铁质量。
因此在日常操作中及时地掌握铁水中的含硅量及其变化趋势,预见性的采取调剂措施,这对于稳定高炉热度、减少炉况的波动、降低铁水含硅量及提高生铁质量和降低焦比等都具有重要意义。
本文主要目的是研究高炉铁水硅质量分数预测问题,使用MATLAB建BP神经网络来预测铁水含硅量,通过以往数据来训练权值和阈值,并通过网络神经元不断自我修正、自我完善,高炉铁水中硅质量分数的变动间接反应炉温的变化。
关键词:高炉,硅含量,BP神经网络,热状态模型AbstractThe heat state simulation system of Blast Furnace,whose core is knowledge base, has been widely used in ironmaking process control at home and abroad. It decides the success or failure of the whole system, shows the temperature of the whole Blast Furnace and has a great effect on the smelting process. Blast furnace heat state is an important parameter of Blast Furnace operation. It is directly related to the stability of the Blast Furnace and the technical and economic indicators of production .Silicon content in hot metal shows the thermal state in the process of smelting of the Blast Furnace and affect the blast furnace smelting process,energy consumption and quality of cast iron. So, in the daily operation, mastering silicon content of hot metal and its change trend and taking relief measures foreseeingly have great significance on the stability of Blast Furnace heat, reducing the Furnace condition fluctuation, reducing hot metal silicon content ,improving the quality of cast iron , decreasing coke rate and so onThe main purpose of this paper is the study of Blast Furnace hot metal silicon mass fraction prediction problem, using MATLAB to build the BP neural network for predicting hot metal silicon content, through the previous data to train the weights and thresholds, and through the network neurons constantly self-correcting, self-perfection, changes in the mass fraction of Blast Furnace hot metal silicon indirect reaction temperature change.Key words: Blast Furnace, silica content, the BP neural network, The heat state simulation system目录第一章绪论 (1)1.1前言 (1)1.2高炉炼铁工艺 (1)1.2.1炼铁的工艺流程和主要组成工序 (1)1.2.2炼铁工艺流程的主要设备及炼铁过程简述 (2)1.2.3高炉炼铁生产的主要经济指标 (2)1.2.4影响高炉热状态的工艺参数 (2)1.3高炉热状态模型的发展 (3)1.3.1离线分析模型 (3)1.3.2炉热指数模型 (3)1.3.3铁水硅含量综合预报模型 (4)1.4研究的目的 (4)第二章神经网络 (6)2.1神经网络定义 (6)2.2神经网络发展历史 (6)2.3神经网络分类及组成 (7)2.4神经网络的基本机理 (8)2.5 BP神经网络的构成 (9)第三章建立高炉热状态模型 (11)3.1 输入层的确定及数据处理 (11)3.1.1输入层参数的确定 (11)3.1.2输入层参数的数据处理 (12)3.2输出层神经元个数 (16)3.3隐藏层神经元数目的确定 (16)3.4神经网络模型的算法流程和改进方案 (16)3.4.1BP算法流程 (16)3.4.2BP算法的改进 (17)3.5具体程序 (19)3.5.1具体程序代码 (19)3.5.2显示图像 (20)第四章唐钢热状态模型 (24)4.1唐钢简介 (24)4.2唐钢高炉 (25)4.3预测铁水硅含量系统流程 (26)4.4硅含量预报模型在唐钢上的作用 (27)结论 (28)参考文献 (29)致谢 (30)第一章绪论1.1前言随着世界经济发展,人们生活水平提高,特别是中国加入WTO以后,世界对于钢铁的需求量日益增大。
管理及其他M anagement and other 高炉炉缸炉底侵蚀模型的应用姚 萍摘要:高炉寿命的长短主要决定于高炉炉缸、炉底。
如果炉缸、炉底严重侵蚀没有及时发现,容易导致烧穿等重大事故,针对新钢两座2500M3高炉炉缸、炉底侵蚀状况,通过利用热电偶及冷却设备数据监测炉缸炉底侵蚀监测模型,提供了高炉炉缸、炉底的侵蚀程度与注意事项。
本论文详细阐述了本技术的具体实施方案、思路及其功能的实现。
关键词:高炉;炉缸炉底;侵蚀模型;应用新钢两座2500M3高炉自2009年开炉投产以来,已安全运行约10年,目前处于炉役中后期。
由于高炉设计时,炉缸侧壁,尤其是象脚侵蚀区域热电偶预埋偏少,导致形成较大的监控盲区。
高炉炉缸第六层、第七层、第九层、第十一层、第十二层碳砖采用德国西格里碳砖。
炉底封板上下两层热电偶,炉底碳砖内预埋三层热电偶,炉缸环砌碳砖内预埋5层热电偶,热电偶分8个角度监测炉缸炉底耐材安全,合计安装106个热电偶监测点。
高炉安全运行至今超过10年,已进入高炉服役中后期,炉缸炉底耐材内预埋的热电偶数据完好率超过90%,炉缸炉底内耐材及热电偶保护完好,可以继续使用。
1 高炉目前炉缸、炉底侵蚀状况高炉炉缸炉底侧壁冷却采用密闭循环水方式,单块冷却壁水管采用四进四出方式,冷却水支管没有安装温度和流量监测点,不能测算单块冷却壁的热流强度数据。
两座高炉每层冷却壁分别有176根冷却水管,但炉缸、炉底1层~4层冷却壁只有8个水温差在线检测点,其余均靠人工手动检测,这种方法既不及时,又不连续,不容易看到规律和进行数据对比,且工人劳动强度高,误差大,无法真实反映热流强度变化,容易造成生产事故影响高炉寿命,且作业区煤气较大,存在较高的安全风险。
2500M3高炉铁口附近均有个别点的温度一直居高不下,受到现有检测手段的限制,无法得到及时监控和采取相应防范措施,不能满足高炉20年长寿目标的需要。
此外受限于现有单一的监测手段和缺乏对热电偶的数据进行实时的采集和存储,单纯的依靠现有条件无法建立起炉缸、炉底的侵蚀模型。
基于运动轨迹和径向距离的高炉料面堆积形状建模方法蒋朝辉 1, 2周 科 1桂卫华 1, 2曹 婷 2潘 冬 1朱既承1摘 要 高炉料面形貌是反映煤气流分布和煤气利用率的关键指标, 研究高炉料面炉料堆积形状数学建模方法对实现高炉精准布料控制和“双碳”战略在钢铁行业落地具有重要意义. 针对高炉多环布料情况下料面堆积形状预测难的问题, 本文提出了一种基于炉料运动轨迹和径向移动距离的高炉料面炉料堆积形状建模方法. 首先, 提出了一种与炉料初始状态和溜槽状态相关的炉料运动轨迹建模方法, 获取炉料从节流阀至料面的炉料运动轨迹, 并确定炉料在炉喉空区的内轨迹曲线和外轨迹曲线. 然后, 基于炉料运动轨迹和初始料面形状, 以体积守恒原则为约束, 提出了一种基于炉料径向移动距离的高炉料面炉料堆积形状数学建模方法, 获取炉料在料面的堆积形状. 最后, 基于某钢铁厂2# 高炉的尺寸建立离散单元法 (Dis-crete element method, DEM) 仿真模型, 模型仿真结果验证了所提方法的准确性和有效性.关键词 高炉料面, 数学建模, 运动轨迹, 径向距离, 堆积形状, 离散单元法引用格式 蒋朝辉, 周科, 桂卫华, 曹婷, 潘冬, 朱既承. 基于运动轨迹和径向距离的高炉料面堆积形状建模方法. 自动化学报,2023, 49(6): 1155−1169DOI 10.16383/j.aas.c220768A Modeling Method of Blast Furnace Burden Surface Accumulation ShapeBased on the Motion Trajectory and Radial DistanceJIANG Zhao-Hui 1, 2 ZHOU Ke 1 GUI Wei-Hua 1, 2 CAO Ting 2 PAN Dong 1 ZHU Ji-Cheng 1Abstract The blast furnace burden surface is the key index to reflect the distribution of gas flow and the utiliza-tion rate of gas. Studying the mathematical modeling method of burden flow accumulation shape on the blast fur-nace burden surface is of great significance to realize the precise charging control and the implementation of “dual carbon” strategy in the steel industry. Aiming at the difficulty of predicting the burden flow accumulation shape in the blast furnace multi-ring charging, a modeling method for the accumulation shape of the burden flow on the blast furnace burden surface based on the burden flow motion trajectory and radial movement distance is proposed.Firstly, a modeling method of burden flow motion trajectory relate to the burden flow state and chute state is pro-posed to obtain the motion trajectory of burden flow from throttle valve to the burden surface, and further determ-ine the internal and external trajectory of burden flow in the blast throat. Secondly, a mathematical modeling meth-od of burden flow accumulation on the blast furnace burden surface based on the radial moving distance is pro-posed to obtain the accumulation shape of burden flow on the burden surface according to the motion trajectory,initial shape of burden surface, and the principle of volume conservation. Finally, a discrete element method (DEM)simulation model is established based on the 2# blast furnace of a steel plant, and the simulation results verify the accuracy and effectiveness of the proposed method.Key words Blast furnace burden surface, mathematical model, motion trajectory, radial distance, accumulation shape, discrete element method (DEM)Citation Jiang Zhao-Hui, Zhou Ke, Gui Wei-Hua, Cao Ting, Pan Dong, Zhu Ji-Cheng. A modeling method of blast furnace burden surface accumulation shape based on the motion trajectory and radial distance. Acta Automat-ica Sinica , 2023, 49(6): 1155−1169钢铁工业是国民经济的重要基础产业, 是国家工业发展的重要支柱产业, 也是衡量国家经济水平和综合国力的重要标志. 高炉炼铁是钢铁工业中的上游核心工序, 其炼铁产量占世界生铁产量的95%收稿日期 2022-10-04 录用日期 2023-02-10Manuscript received October 4, 2022; accepted February 10,2023国家重大科研仪器研制项目(61927803), 国家自然科学基金基础科学中心项目(61988101), 湖南省科技创新计划(2021RC4054), 国家自然科学基金青年基金(62103206), 中国博士后科学基金(2021M701804)资助Supported by National Major Scientific Research Equipment of China (61927803), National Natural Science Foundation of China Basic Science Center Project (61988101), Science and Techno-logy Innovation Program of Hunan Province (2021RC4054), Na-tional Natural Science Foundation for Young Scholars of China (62103206), and Postdoctoral Science Foundation of China (2021M701804)本文责任编委 董峰Recommended by Associate Editor DONG Feng1. 中南大学自动化学院 长沙 4100832. 鹏城实验室 深圳5180001. School of Automation, Central South University, Changsha 4100832. Peng Cheng Laboratory, Shenzhen 518000第 49 卷 第 6 期自 动 化 学 报Vol. 49, No. 62023 年 6 月ACTA AUTOMATICA SINICAJune, 2023以上, 是钢铁制造过程中能耗最大、CO2排放最多和成本最高的环节[1−2]. 炉料在高炉料面的堆积形状是判断煤气流分布是否合理、及时发现异常情况的关键指标, 而高炉布料制度直接决定了炉料在高炉料面的堆积形状. 因此, 研究高炉料面炉料堆积形状数学建模方法对实现高炉精准布料控制和“双碳”战略在钢铁行业中落地具有重要意义.当前料面形状建模主要有基于实体模型的比例模型实验法、基于数值计算的离散单元法(Discrete element method, DEM)和基于物料运动规律的机理模型法. 比例模型实验法是以实体高炉为参考,搭建等比例或缩比例的物理模型, 模拟高炉布料全过程, 并安装高精度检测设备获取料流运动轨迹和料面堆积形状. 例如, Jimenez等[3]用1/10的比例高炉测试布料模式和煤气流对炉料分布的影响. Mitra 等[4]用多段折线描述料面堆积轮廓, 并在1/10的高炉模型中进行验证. Kajiwara等[5]使用等比例模型研究高炉布料全流程, 发现高炉料面混合层的存在,并基于实验结果建立高炉布料仿真模型. 比例模型实验法能够直接观察炉料运动状态及料面堆积形状, 但模型费用高、实施过程繁琐、数据精度难保证, 该方法难以作为一种常规研究方法为研究者提供帮助.DEM以数值仿真软件为基础, 设定高炉布料初始条件, 仿真分析高炉布料运动过程. 随着计算机性能的增强, 国内外研究学者采用DEM对高炉炉顶炉料运动进行了大量的研究, 包括高炉布料操作参数[6−9]、旋转溜槽形状[10−12]、颗粒属性[13−15]等对炉料运动速度的影响. 此外, 诸多学者将比例模型实验法和DEM结合进行了大量相关研究. 例如, Mio 等[16]使用高速相机记录1/3比例模型的高炉布料行为, 并与DEM仿真结果进行对比, 验证了DEM仿真预测粒子运动轨迹具有较高的可靠性. Wei等[17]基于DEM研究了粒子滚动系数和摩擦系数对炉料堆积休止角的影响, 并利用比例模型实验确定了DEM 仿真中粒子的摩擦系数. Holzinger等[18]基于DEM 研究了溜槽起始倾斜角度和旋转方向对布料过程料面堆积料层的质量分数的影响, 并用工业生产温度数据进行了验证. Yu等[19]将物理试验和DEM结合, 研究了高炉炉顶料流运动轨迹及料面堆积轮廓的形成, 发现焦炭在下落轨迹与料面的交汇处堆积,而球团则向高炉中心运动. Mitra等[20−21]使用1/10比例模型和DEM研究了高炉料面焦炭的塌陷和混合层的形成, 并定量评估了焦炭的混合和塌陷程度. DEM不仅能很容易获取粒子的空间运动状态, 还具有较高的精度, 获得了大量研究者的青睐, 被广泛应用于实验室环境仿真高炉冶炼, 但因其计算时间长、对计算机性能要求高, 难以应用于工业现场.机理模型法是通过物料的受力情况分析炉料运动轨迹及炉料在料面的堆积形状. Radhakrish-nan等[22]提出了一种二维数学模型来描述高炉顶部料流的运动轨迹和料面堆积形状. 朱清天等[23]在考虑煤气流的情况下建立料流运动轨迹模型, 为实现布料控制奠定了基础. 杜鹏宇等[24]在建立料流运动数学模型时重点考虑了炉料受力变化对料流宽度的影响, 进而建立了无钟炉顶布料的料流宽度数学模型. Fu等[25]建立了料面分布数学模型, 并考虑了料面下降对料面分布的影响. 张森等[26]提出了一种基于雷达数据和机理模型双驱动的高炉料面形状建模方法, 用一条概率分布的带来描述高炉料面形状. Fojtik等[27]根据料流落点位置、颗粒半径和最大休止角确定内外堆积角度, 并通过大量实验来确定修正系数, 进而确定料面堆积形状. Nag等[28]基于激光检测仪获取料线高度, 提出了一种正态分布函数来描述料面堆积轮廓, 并基于体积守恒原则确定正态分布曲线的参数. Li等[29]以料流运动轨迹模型为基础, 并基于炉料运动散射距离建立料面轮廓模型,进而开发高炉布料模型.前人的研究对高炉高效冶炼做出了巨大的贡献, 但仍存在一些问题需要解决: 1) 所建炉料运动轨迹模型仅能获取单质点的运动轨迹, 难以确定料流在料面的落点宽度; 2) 料面堆积形状建模需要通过大量实验获取散射距离, 忽视了炉料运动速度与料面堆积形状之间的关系. 因此, 本文提出了一种基于炉料运动轨迹和径向移动距离的高炉料面炉料堆积形状建模方法.本文的主要贡献是:1)提出了一种基于坐标变换的炉料运动轨迹建模方法. 该方法分别计算节流阀不同位置处炉料颗粒在高炉炉顶的运动轨迹, 形成料流运动轨迹集合, 并找出料流运动轨迹在炉喉空区的内轨迹与外轨迹以进一步计算料面堆积形状. 在计算炉料在溜槽上滑动的初始运动速度时充分考虑碰撞位置和炉料碰撞前的速度, 以此求解炉料与溜槽碰撞后的三维运动速度. 同时, 利用绝对运动与相对运动和牵连运动之间的关系, 将炉料在溜槽上的运动分析从静坐标系转移到与溜槽一同旋转的动坐标系中, 减小炉料在旋转溜槽上运动建模的复杂程度.2)提出了一种基于径向移动距离的炉料堆积形状建模方法. 以炉料在炉喉空区的内外轨迹和运动速度为基础, 计算炉料在料面的落点位置以及炉料落到料面后的最大径向移动距离, 并以体积守恒原则为约束建立料面堆积形状描述方法, 实现高炉多环布料时的料面堆积形状预测.1156自 动 化 学 报49 卷1 基于坐标变换的炉料运动轨迹建模高炉布料过程实际上是炉料颗粒从节流阀流出经中心喉管、旋转溜槽、炉喉空区落到料面, 堆积形成新的料面形状的运动过程, 如图1所示. 为简化数学模型, 炉料运动过程机理建模时做出以下假设[22]:1) 炉料颗粒离开节流阀时的水平速度分量为零;2) 炉料颗粒只有质量, 没有形状大小; 3) 高炉布料过程中炉料颗粒之间互不影响; 4) 炉料在溜槽上运动时始终在溜槽上滑动且不存在滚动摩擦力; 5) 炉料在料面运动中其摩擦系数保持不变, 且只存在滑动摩擦.称量料罐节流阀中心喉管旋转溜槽高炉料面炉喉空区图 1 高炉炉顶炉料运动过程示意图Fig. 1 Schematic diagram of the moving process ofburden flow on the blast furnace top1.1 坐标变换方法n 高炉布料过程中料流由 个初始速度相同、初OXY Z Z βY r γO ′X ′Y ′Z ′始位置不同的小颗粒组成. 因此, 不同位置的颗粒离开节流阀时的运动轨迹不同, 为快速计算不同初始位置炉料在高炉炉顶的运动轨迹, 建立相对高炉静止的静坐标系和与溜槽一同旋转的动坐标系, 如图2所示. 溜槽运动过程中, 溜槽到达的任意位置均可由溜槽初始位置经两次旋转到达. 围绕静坐标系 的 轴旋转角度 , 得到过度旋转坐标系;再绕过度旋转坐标系的 轴旋转角度 即可得到溜槽当前的位置, 即动坐标系 . 颗粒在静坐标系和动坐标系之间的位置关系为(x,y,z )(x ′,y ′,z ′)其中 为颗粒在静坐标系中的位置; 为颗粒在动坐标系中的位置.1.2 炉料运动轨迹建模n 炉料运动过程机理建模分为5个部分: 炉料离开节流阀、炉料在中心喉管自由下落、炉料与溜槽发生碰撞、炉料在旋转溜槽上运动、炉料在炉喉空区运动. 本节对料流运动过程进行力学分析, 建立炉料到达料面的运动轨迹数学模型,并根据 个炉料颗粒的运动轨迹集合确定料流在炉喉空区的内轨迹曲线和外轨迹曲线.1.2.1 节流阀排料模型节流阀是高炉炉顶布料操作的关键设备之一,(a) 整体示意图(a) Overall schematic(b) 绕 Z 轴旋转(b) Rotate around the Z -axis(c) 绕 Y r 轴旋转(c) Rotate around the Y r -axisY r图 2 坐标变换过程示意图Fig. 2 Schematic diagram of the coordinate transformation process6 期蒋朝辉等: 基于运动轨迹和径向距离的高炉料面堆积形状建模方法1157v 0是调节排料速度和排料时间的唯一手段. 炉料离开节流阀时的速度可以通过水力学连续性方程计算,炉料离开节流阀时的位置和速度可以表示为Q ρS L s d x 0,y 0,h a 其中 为料流质量流量, 单位为kg/s; 为炉料的堆积密度, 单位为kg/m 3; 为料流在节流阀处的流通面积, 单位为m 2; 为节流阀打开长度, 单位为m; 为炉料的平均直径, 单位为m. 分别表示炉料离开节流阀时在静坐标系中的三维空间位置.1.2.2 炉料在中心喉管下落模型炉料离开节流阀后进入中心喉管, 在重力的作用下做自由落体运动, 则炉料落到溜槽前其运动速度表示为g h w β0γ0h w 其中 为重力加速度, 单位为m/s 2; 为溜槽悬挂点到炉料与溜槽接触时的有效高度, 单位为m. 假设炉料从节流阀开始运动至到达溜槽表面, 溜槽水平旋转了 , 倾斜了 , 则 可以表示为e θ0R 其中 为溜槽倾动距, 单位为m; 为炉料落到溜槽上时在溜槽上的偏析角度, 单位为 °; 为溜槽半径, 单位为m. 则炉料与溜槽碰撞前的位置和速度在动坐标系中表示为r ′1v ′1其中 和 分别表示炉料与溜槽碰撞前在动坐标系中的位置和速度.1.2.3 炉料与溜槽碰撞模型n 炉料与溜槽碰撞后存在速度损失, 且速度损失可以分解为法向速度损失和切向速度损失. 图3显示了炉料与溜槽碰撞前后的入射速度与出射速度之间的关系, 其中 为碰撞点的法向量, 由碰撞点的位置直接决定, 表示为f (·)θint 其中 为溜槽曲面表达式. 为入射速度与法向量之间的夹角, 与入射速度和碰撞点法向量相关,表示为v ′2=[v ′2,x ,v ′2,y ,v ′2,z ]T当炉料与溜槽碰撞时入射速度和碰撞点均已求出, 即法向量和入射角度可求出. 角 为待求出射速度, 表示为θout为炉料与溜槽碰撞后出射速度与碰撞点法向量之间的夹角, 出射角与出射速度和法向量之间的关系表示为根据图3的几何关系可得e n e t 其中 为炉料与溜槽的法向碰撞恢复系数, 与碰撞物的材质有关, 为定值. 为炉料与溜槽碰撞的切向恢复系数, 与碰撞物的材质及碰撞时的入射角相关, 表示为θout 根据式(10)可以求出炉料与溜槽碰撞后的出射角 为1图 3 炉料与溜槽碰撞前后速度关系示意图Fig. 3 Schematic diagram of the velocity relationshipbetween the burden flow and chute collision1158自 动 化 学 报49 卷()进一步可以求出炉料与溜槽碰撞后的速度大小同时, 炉料与溜槽碰撞前后的速度以及碰撞点的法向量符合共面性质, 即出射速度可以表示为a b 其中 和 为常数. 将式(14)展开表示为a b v ′2,x v ′2,y v ′2,z v ′2联立式(8)、(9)和(15)可分别求出 、 、 、 和 , 即可求出颗粒与溜槽碰撞后的出射速度 .1.2.4 炉料在溜槽上滑动模型炉料在旋转溜槽上运动时受到重力、支持力、摩擦力、科氏力等的作用, 在动坐标系内分析炉料的受力情况有助于减少分析复杂程度, 能简单、快速解出炉料在溜槽上的运动轨迹.在动坐标系中, 颗粒相对溜槽的位置如图4所示. 炉料在溜槽内的相对位置、速度和加速度分别表示为[30]θY ′其中 为颗粒在溜槽上的偏析角, 规定颗粒在 负轴时为正值.在溜槽上与颗粒接触的点为牵连点, 牵连点的位置、速度和加速度分别为ωa a r a e a c 其中 为溜槽的角速度, 为溜槽的角加速度. 溜槽旋转时, 炉料的绝对加速度为相对加速度 、牵连加速度 和科氏加速度 之和, 表示为a c =2ω×v r G ′F ′N F ′f 其中 , 为科氏加速度. 在动坐标系中,炉料受到重力、支持力和摩擦力 的作用,分别表示为F N µ其中 为颗粒受到支持力大小, 单位为N; 为颗粒与溜槽的摩擦系数. 则颗粒在溜槽上受到的合力为(a) 整体示意图(a) Overall schematic (b) O ′X ′Z ′ 截面(b) O ′X ′Z ′ section(c) O ′Y ′Z ′ 截面(c) O ′Y ′Z ′ section图 4 炉料在溜槽上位置示意图Fig. 4 Schematic diagram of the positionof the burden flow on the chute6 期蒋朝辉等: 基于运动轨迹和径向距离的高炉料面堆积形状建模方法1159结合牛顿第二定律, 联立式(18)和(20)并进行化简, 得到r 3v 3Runge-Kutta 算法是一种求解微分方程使用最广泛、最有效的方法之一, 利用计算机仿真求解时可以省去求解微分方程的复杂过程[31]. 调用MAT-LAB 软件中的ode45函数迭代求解炉料在溜槽上运动不同时刻的位置、速度和加速度. 则炉料离开溜槽末端时在静坐标系中的位置 和速度 可以表示为β1γ1r ′3v ′3其中 和 分别表示炉料颗粒到达溜槽末端时, 相对离开节流阀水平旋转的角度和倾斜的角度. 和 分别表示在动坐标系中炉料在溜槽末端的位置和速度.1.2.5 炉料在炉喉空区斜抛模型X Y Z 炉料离开溜槽后, 在炉喉空区受到重力和煤气阻力的影响. 若在炉喉空区只考虑重力对炉料运动轨迹的影响, 则炉料在 轴和 轴做匀速运动, 在 轴做匀加速运动, 则炉料在空区的运动轨迹表示为v 3,x v 3,y v 3,z x 3y 3z 3其中 、 和 表示炉料离开溜槽末端时的三维空间速度; 、 和 表示炉料离开溜槽末端t 时的三维空间位置; 表示炉料从溜槽末端到料面的运行时间, 由炉料离开溜槽末端时的位置和速度以及料面高度直接决定.在多环布料中, 假设料面形状对称, 布料操作所形成的料流落点也对称, 因此, 可以用炉料在炉喉的径向移动距离和落点高度表示炉料落点位置,表示为S r S z Z 其中 和 分别表示炉料的径向移动距离和 轴移动距离.Z v 4,z OXY v 4,p OXY v 4,r v 4,n OXY OP θ3炉料落到料面后的速度可以分解为 轴速度 和 平面速度 , 其中 平面速度又可以分解为径向速度和切向速度 . 图5显示了炉料在炉喉水截面的速度分布几何关系, 根据几何关系可以求出 平面速度与 之间的夹角 , 表示为P 4Z 则炉料在落点 处的 轴速度、径向速度和切向速度分别表示为v 4,r 根据炉料在落点处的径向速度 可以求出炉料在料面处的最大径向移动距离.图 5 炉料在料面落点位置和速度分布示意图Fig. 5 Schematic diagram of the position and velocity distribution of the burden flow on the burden surface1160自 动 化 学 报49 卷1.2.6 炉料在炉喉空区内外轨迹模型n f int f out 节流阀不同位置处的炉料在高炉炉顶形成不同的运动轨迹, 根据第1.2.1 ~ 1.2.5节求出 个颗粒在高炉炉顶的运动轨迹集, 并确定炉喉空区中距离高炉中心轴最近的轨迹为内轨迹 , 距离高炉炉壁最近的轨迹为外轨迹 .2 基于径向移动距离的料面堆积形状建模炉料离开溜槽落到料面后堆积形成料面形状.料面形状可以采用高斯分布[28]、两段直线[32]、两段直线和一段曲线[33]等方法描述. 为了简化模型, 本文采用两段直线方法描述料面堆积形状. 根据物料堆积特性, 当物料自由堆积时形成圆锥形状, 即堆积的截面为等腰三角形. 高炉布料时在料面的堆积截面也可看作三角形, 但由于炉料落到料面时存在径向速度, 即炉料会向炉墙方向移动一段距离, 因此,炉料的外堆角比内堆角小.2.1 等体积原则基于质量守恒原理, 离开节流阀的炉料质量与堆积在料面的炉料质量相同. 为更好研究基于高炉布料矩阵的料面堆积形状, 作出如下假设: 1) 炉料堆积过程中堆积密度保持不变; 2) 同一节流阀开度下炉料经过节流阀的流量恒定; 3) 高炉布料过程中溜槽旋转的圈数为整数, 即保证炉料在料面堆积形状高度对称. 则高炉布料的实际体积为Q ∆t ρ其中 为炉料离开节流阀的质量流量, 单位为kg/s; 为炉料经过节流阀的时间, 单位为s; 为炉料在称量料罐和料面的堆积密度, 单位为kg/m 3.则高炉布料操作完成后, 炉料在料面的堆积体积为f b 1(r )f b 0(r )R f 其中 为布料结束后料面形状, 为布料开始前料面形状, 为炉喉半径. 根据体积守恒原则, 料面堆积炉料的体积与离开节流阀的炉料体积应一致, 即η式中 为允许的误差范围, 本文为2.5%.2.2 料面堆积形状建模f b 0(r )f int (r )f out (r )S 0Q 0O ′′R ′′Z ′′R ′′OXY Z X Y R ′′=√X 2+Y 2Z ′′Z 高炉料面对称时, 料面形状可以用料面径向轮廓表示. 炉料堆积过程如图6所示. 图6(a)展示了炉料在料面的堆积过程, 原始料面函数表示为, 料流内轨迹函数为 , 料流外轨迹函数为 , 料流内轨迹和外轨迹分别与初始料面相较于点 和 . 在炉喉建立局部二维坐标系, 径向坐标系的原点与静坐标系的原点重合; 径向坐标系的 轴为静坐标系 的 轴和 轴的二维范数, 即 ; 径向坐标系的 轴为静坐标系的 轴. 图6(b)和6(c)分别展示了炉料未到达炉壁和到达炉壁的两种料面堆积示意图.φint φmax S (r s ,z s )φint g int (r )炉料落到料面后在内外轨迹间开始堆积, 形成料面, 当内堆积角 小于最大自然堆角 时,炉料从 点开始堆积, 且内堆角 逐渐增大, 则内堆积直线 表示为g int (r )f out (r )联立 和 可求解内堆直线与料流f (r )f b 0(r )S 0Q 0f out (r)高炉中心高炉中心(a) 炉料堆积(a) Accumulation(b) 炉料未到达炉壁(b) The burden flow can not reachthe wall(c) 炉料到达炉壁(c) The burden flow reach the wall图 6 炉料堆积过程示意图Fig. 6 Schematic diagram of burden flow accumulation6 期蒋朝辉等: 基于运动轨迹和径向距离的高炉料面堆积形状建模方法1161Q (r Q ,z Q )Q T QT 外轨迹函数的交点 . 炉料落到料面后, 因存在径向移动速度而会向右继续移动, 直到径向移动速度为零. 设 点的炉料会移动到位置 , 则 之间的距离表示为v Q,r Q v 4,r µ1η2∈(0,1]其中 为 点的径向移动速度, 可根据式(26)中的 计算获取; 为炉料与料面的摩擦系数,与原始料面粒子属性和当前布料炉料属性有关;, 为径向移动距离修正系数. 则炉料到达的最远位置为r max ≤R f T 若 , 即炉料未到达炉壁, 如图6(b)所示, 点的位置表示为QT g out (r )直线 所形成的直线为外堆角直线 表示为r max >R f 若 , 即炉料到达高炉炉壁时其径向移动速度还不为零, 则炉料开始纵向堆积, 如图6(c).此时修正外堆角直线, 表示为T 点的位置表示为g int (r )g out (r )f b 0(r )函数 、 和 包围的形状即为二维径向坐标系中的炉料堆积形状.Q 当内堆积角度达到最大自然堆角所形成的料面堆积形状仍然不满足体积守恒原则, 则堆积过程中内堆角为最大自然堆积角度, 且 点将会向左移进行炉料堆积.2.3 料面堆积形状求解过程V cal V act 根据料流运动轨迹可以确定料流在料面的落点范围, 再根据炉料在料面落点处的径向移动速度即可求出料流在料面的最大径向移动距离, 进而可以求出炉料在料面的堆积区域及堆积形状. 进一步的,根据体积约束原则, 使得新料面形状与原始料面形状之间的堆积体积 与离开节流阀的炉料体积 在误差范围内, 即可求出布料完成后的新料面形状, 主要流程如图7所示, 具体步骤说明如下:f b 0(r )i =1步骤 1. 初始化. 设置高炉参数, 包括中心喉管高度、溜槽倾动距、溜槽长度等几何参数; 炉料属性, 包括炉料与溜槽的摩擦系数、炉料与溜槽碰撞的法向恢复系数等; 高炉布料参数, 包括节流阀开度、溜槽旋转速度和溜槽倾斜角度等; 初始料面形状 ; .f int (r )f out (r )S i Q i 步骤 2. 确定炉料运动轨迹及炉料落点位置. 根据第2.2节的炉料运动轨迹模型计算出节流阀不同位置处炉料在高炉炉顶的运动轨迹, 并求出在炉喉空区最靠近中心的内轨迹曲线函数 和最靠近炉墙的外轨迹曲线函数 ; 同时计算内轨迹曲线函数与料面轮廓函数的交点 和外轨迹曲线函数与料面轮廓函数的交点 .T i Q i D i T i 步骤 3. 计算料面轮廓最远点 . 根据外轨迹曲线计算炉料在料面落点位置的径向移动速度, 并根据式(31)计算 在料面的最远移动距离 , 进而根据式(32) ~ (36)计算堆积形状最远点 的位置.S i Q i T i V cal S i Q i Q i T i S i Q i T i V cal 步骤 4. 确定料面堆积轮廓 , 计算料面堆积体积 . 以 所形成的直线为内堆直线, 内堆直线与水平面所形成的夹角为内堆角; 所形成的直线为外堆直线, 外堆直线与水平面所形成的夹角为外堆角; 为料面堆积轮廓. 根据料面堆积轮廓和初始料面形状计算料面堆积体积 .|V cal −V act |/V act <η步骤 5. 判断布料是否结束. 判断当前料面堆积体积与实际布料体积的绝对误差百分比, 若 , 则转到步骤11, 否则转到步骤6.|φint,i −φmax |≥1◦步骤 6. 判断内堆角是否需要更新. 若 , 则转到步骤7, 否则转到步骤10.φint,i <φmax −1◦步骤 7. 更新内堆角. 若 , 则转到步骤8, 否则转到步骤9.Q i i =i +1φint,i =φint,i −1+1◦S i S i Q i 步骤 8. 更新 . , , 保证 的位置不变, 根据 的位置和内堆角计算内堆积直线函数, 更新 , 使其为内堆角直线与外轨迹曲线函数的交点坐标; 转到步骤3.i =i +1φint,i =φint,i −1−1◦Q i Q i S i 步骤 9. 更新 , ,保证 的位置不变, 根据 的位置和内堆角计算内堆积直线函数, 计算内堆积直线与料面的交点 ;转到步骤3.S i Q i φint,i =φint,i −1Q ir Q,i =r Q,i −1−∆r Q i Z Q i Q i S i 步骤 10. 更新 和 . , 令 的径向坐标为 , 根据外轨迹曲线计算此时 的 轴坐标, 更新 ; 根据 的位置和内堆角更新内堆积直线函数, 更新 , 使其为内堆角直线与料面轮廓函数的交点坐标; 转到步骤3.步骤 11. 输出料面轮廓, 结束.通过上述步骤, 可以获取单环布料时的料面堆积形状. 改变布料操作参数, 并重复步骤1 ~ 11, 即1162自 动 化 学 报49 卷。
理想高炉冶炼模型碳铁比方程1、假设:1)高炉中是纯Fe 2O 3;2)鼓风空气不含湿。
2、高炉冶炼的化学反应过程炉顶气体 CO :2x+2r-1-1/3-1/6 CO 2 :1-r+1/3+1/6 N 2:x(1-a)/a61CO+21Fe 2O 3=31Fe 3O 4+61CO 231CO+31Fe 3O 4=FeO+31CO 2CO+FeO=Fe+CO 22CO=CO 2+C 炉底空间 风口燃烧CO 2=O 2+C3、根据以上反应过程构筑一元二次方程解得碳铁比。
(1)设:焦炭中碳含量为x mol;在高炉冶炼中被直接还原的碳含量为r mol;其中鼓风含氧量为a (常数)。
可以根据整个反应过程得到炉顶气体各组分含量 CO=2x+2r-3/2 mol CO 2=3/2-r mol CO+CO 2=2x+r molN 2=aa x )1( molx2x+2rx直接还原r间接还原1-r1-r+1/32x+2r-12x+2r-1-1/3 1/61/61/31/3111N 2碳铁比(摩尔比)FeC =2x+r(2)因此炉顶气体各组分的摩尔浓度可得[CO]=aa x r x r x )1(22322-++-+ [CO 2]=aa x r x r )1(223-++-(3)根据组分的摩尔浓度解得:焦炭中碳含量x=aCO a CO CO CO a2])[1(][2])][]([1[2322-+++-被直接还原的碳含量r=aCO a CO a CO CO a 2])[1(][2]2])[])([1[(2322-++-++ 所以碳铁比(摩尔比)FeC =2x+r=a CO a CO CO CO a 2])[1(][2])[])([1(2322-+++-=1)(a )][CO 2a-a -(1)1(232++-ηa=)11()1][][1(2][][][123222--+-++aCO CO CO CO CO其中CO 2反应效率为][][][22CO CO CO +=η。
高炉炉缸水系统热负荷检测与炉缸侵蚀模型技术方案1 高炉炉缸基本情况两座350m3高炉自2017年7月份开始投产,到目前为止服役4年半的时间。
单座高炉现有测量条件:(1)热测量:炉缸碳砖第五层至第六层之间(标红方位),分8方位,内外两点电偶,共16个;炉底4个电偶,合计共20个电偶。
(2)水流量:冷却壁总进口1个、总出口1个;风口套总进口1个。
(3)水温测量:冷却壁总进水口测温1个。
高炉炉缸砌砖图2 技术要求(单座高炉)2.1 热工测量5875mm6275mm 6675mm 7475mm(1)安装炉壳无线测温装置。
无线测温装置:仍分8个方位(与原有第五层至第六层碳砖热电偶方位一致。
),第2段冷却壁和第1段冷却壁上部对应炉壳,分4个标高设置(标高具体设定5475/5875/6275/6675/7475)。
参见上图,施工时电偶具体位置可根据遮挡情况作适当的就近调整,共40个(32个磁吸、8个螺纹)。
备注:6275mm (6.27m标高)即第一段冷却壁与第二段冷却壁空隙8个方位各8支无线测温装置(螺纹)(炉皮开孔,穿过填料层接触碳砖表面即可)。
(2)炉缸热负荷测量冷却壁:高炉冷却壁28块,每块测1根水温差。
每根水管安装第3段出水测温计,按28根计算;铁口水管2根(进出4个)共32个测温计。
利用总的进水温度,可计算出1、2、3段冷却水管的分段水温差。
利用已有的水管水流量数据,可计算出1、2、3段冷却水管的分段热流量和热负荷。
风口套:单座高炉设置14个风口套,大中、小套(中套与大套串联)各14个。
中套每根水管进水、出水两个测温计,小套每根水管进水、出水两个测温计,共56个测温计。
冷却壁、风口套进出水总管4个。
(要求使用重庆川仪十七厂有限公司产品)合计:冷却壁32+风口套14*2*2+冷却壁、风口套进出水总管4个=92个。
(3)热流强度测量每个风口套加水流量计,大套14个,小套14个,冷却壁28个(任选可肉眼(现场)观察一段),铁口部位2个,另风口套回水总管加1套。
高炉生产成本模型摘要:一、高炉生产成本模型概述二、高炉生产成本模型的组成部分三、高炉生产成本模型的计算方法四、高炉生产成本模型的应用实例五、高炉生产成本模型的优缺点分析正文:一、高炉生产成本模型概述高炉生产成本模型是一种对高炉炼钢生产过程中的各项成本进行系统分析和预测的工具。
通过对高炉生产过程中的各种成本因素进行详细分析,可以帮助企业更好地制定生产计划,实现成本控制,提高生产效率。
二、高炉生产成本模型的组成部分高炉生产成本模型主要包括以下几个部分:1.原材料成本:包括铁矿石、焦炭、石灰石等在内的原材料的价格和消耗量。
2.能源成本:主要包括高炉生产过程中所需的电力、蒸汽等能源的费用。
3.人力成本:包括直接生产工人的工资、福利等费用。
4.设备维护成本:包括高炉生产过程中所需设备的维修、更新等费用。
5.环保成本:包括环保设施的投入、环保税等费用。
6.折旧成本:高炉生产设备的折旧费用。
三、高炉生产成本模型的计算方法高炉生产成本模型的计算主要包括以下几个步骤:1.收集数据:收集高炉生产过程中各项成本的数据,包括原材料价格、消耗量,能源消耗量,人力成本,设备维护成本,环保成本等。
2.计算单位成本:根据收集的数据,计算出各项成本的单位成本,如单位铁水成本、单位钢水成本等。
3.预测总成本:根据历史数据和市场情况,预测未来的总成本。
4.制定成本控制策略:根据成本模型的计算结果,制定相应的成本控制策略,以实现成本最低化。
四、高炉生产成本模型的应用实例某钢铁企业,通过对高炉生产成本模型的应用,成功降低了生产成本。
具体操作如下:1.根据成本模型,分析各项成本的构成,找出成本控制的重点。
2.优化生产过程,降低原材料消耗,减少能源浪费,降低人力成本。
3.加强设备维护,减少设备故障,降低设备维护成本。
4.投资环保设施,减少环保罚款,降低环保成本。
五、高炉生产成本模型的优缺点分析优点:1.高炉生产成本模型可以帮助企业全面了解生产过程中的各项成本,为成本控制提供依据。
高炉炉缸的瞬态侵蚀过程的数学模型已经建立能够估计瞬态高炉炉缸侵蚀过程的数学模型。
这个数学模型,把铁水流动,传热和砖/耐火材料的侵蚀联系起来。
为了验证数学模型的可用性,把炉膛最终侵蚀的计算结果与解剖高炉的计算结果进行分析比较发现二者基本相符。
利用这一模型研究炉内铁水流入炉缸流量,焦炭自由层的大小,铁水的产出率,碳砖导热性及焦炭填充床的流体流动阻力。
关键词:数学模型,高炉炉缸侵蚀,流体流动,传热。
1.简介关于高炉炉缸现象如铁水质量流量,焦炭填充床/焦炭自由层的传热等很多学者已经做了大量研究。
为了延长高炉寿命,在发展高炉操作,高炉设计,高炉维修方面也做了很多努力。
然而,炉缸砖/耐火材料,在高炉操作过程中是很难修复的,因此,它是影响高炉寿命的一个关键因素。
尽管在这一领域付出了很多努力,但是高炉炉缸的侵蚀机理仍不明确。
人们普遍认为,铁水流动影响炉缸壁砖/耐火材料及在炉缸中焦炭自由层之间存在的焦炭填充床和底砖的侵蚀。
在估算炉缸侵蚀时,两个主要的机制可能需要考虑,一个是热化学溶液侵蚀,另一个是热机械损伤。
在这两种情况下,了解铁水流动及通过焦炭填充床/焦炭自由层和砖/耐火材料之间的传热非常重要。
许多数学模型已经给出了关于高炉炉缸铁水流动和传热的基本知识。
但是,那些数学模型不适用于炉体结构设计。
为了设计炉体结构,必须分析短暂的侵蚀过程。
本次研究的目的是为了建立出适用于铁水流动,传热和炉缸侵蚀的完全耦合分析的数学模型,并了解短暂的侵蚀过程。
2.数学模型分析的系统包括焦炭填充床区域,焦炭自由层和砖炉/耐火材料区域,如图1所示。
图1.炉缸侵蚀模型系统2.1.控制方程在这一系统中,铁水原料与动量的平衡,铁水和炉缸砖/耐火材料的平衡的要求如下式(1)到(3)所示,其中(2)是Navier-Stokes方程,U代表实际速度,流量F由厄根方程确定。
▽•(ℇρU)=0 (1)ρρ(U▽)U=-▽p-µ▽2U+F (2)ρ+ρ(U▽)C P T=▽(k▽T) (3)其中F={150[]2µ+1.75[]ρU}U2.2.边界条件给出的边界条件如下:1) 上边界:温度和铁水流量给出,且耐火材料区域是绝热的;2) 出铁口:铁水流出速率作为出口边界;3)侧面和底部的壁表面的总传热系数给出;4)耐火材料与焦炭填充床之间传热系数给出;5)焦炭填充床区域:在验证的情况下由炉内应力分析结果给出,其他情况应适当。
基于CFD方法的宝钢1号高炉冶炼过程模型李云涛;宋文刚;毛晓明【摘要】采用计算流体力学(CFD)方法,建立了宝钢1号高炉(1BF)的多相流冶炼过程模型,对高炉内部多相物质的流动、质量转递和热传递行为同时进行模拟.该模型开发了具有层状结构的软熔带模型,能够细致呈现炉内软熔带形状和位置.倒V字形软熔带决定炉内煤气流二次分布,其状态受到高炉入炉焦比显著影响;不同焦比条件下软熔带状态变化规律较为合理.模型计算得到的气相和固相温度分布结果与1BF 典型工况特征一致;炉喉处气相、固相的温度差接近100 K,在炉内高温区间的气固相最高温差达到493 K;煤气流分布模拟结果反映了宝钢开放中心、兼顾边缘的高炉操作特点.模型可根据高炉布料制度来调整径向O/C比和粒径分布,研究布料制度对软熔带影响,为高炉操作制度优化和高炉“黑匣子”炉内冶炼可视化提供了一种有效的手段.【期刊名称】《宝钢技术》【年(卷),期】2018(000)005【总页数】6页(P54-59)【关键词】高炉;CFD;多流体模型;数值模拟;软熔带【作者】李云涛;宋文刚;毛晓明【作者单位】宝山钢铁股份有限公司中央研究院,上海201900;宝山钢铁股份有限公司炼铁厂,上海200941;宝山钢铁股份有限公司中央研究院,上海201900【正文语种】中文【中图分类】TF512高炉是一个滞后、变量多的非线性系统,炉内现象复杂且不可见,是公认的复杂冶炼反应器之一[1-2]。
高炉数学模型以冶炼过程热力学、动力学和冶炼过程传输理论为基础,采用计算流体力学和数学建模等方法低成本模拟高炉内的主要现象,有效预测高炉的操作指标,对提高炉内冶炼过程认识、优化高炉操作制度具有重要作用,一直是冶炼工作者的重要研究方向[2-4]。
杨永宜等[5]基于Ergun方程建立了风口回旋区和高炉下部的初始煤气流分布的双流体模型;毕学工等[6]对复杂高炉现象进行简化,开发一维全高炉模型,对风温、喷煤时高炉炉况及指标的变化进行了数值计算研究;20 世纪90 年代初,以日本八木顺一郎为代表的学者开展了基于多流体理论的高炉数学模型研究,用多相流和相间双向相互作用来描述发生在炉下部的现象,炉内物质通过相应流动机制来加以区分[7-9]。
高炉炼铁简化模型摘要:高炉炼铁是一个复杂的生产过程,影响冶炼结果的因素众多,其中冶炼的关键技术是控制高炉炉温的升降,铁水中的硅含量,以及硫的含量。
基于高炉炼铁中过程的不可控性,通过数据挖掘中的BP神经网络来建立对硅的预测模型是可行的方法。
关键词:高炉炼铁;BP神经网络模型;曲线拟合引言钢铁冶炼是国民经济支柱性产业之一,质优价廉节能环保是发展的必然要求,高炉炼铁过程是一个高维的大数据时间序列,影响因素众多,但最终生产指标都与冶炼过程的一项控制性中间指标——炉温,即铁水含硅量[Si](铁水含硅质量百分数)密切相关,准确预测[Si]时间序列关系着当前高炉各项操作参数的调控方向。
因此,[Si]的准确预测控制建模成为冶炼过程优化与预测控制的关键技术。
铁水质量也受多种因素影响,其中硫含量占重要地位,依据数据,假设铁水质量仅受硫含量影响且硫含量越低,质量水平越高。
因此,如何优化调整以减少硫含量成为产品控制的关键因素。
1 BP神经网络理论BP神经网络是一种按照误差逆向传播算法来进行训练的多层次前馈网络。
其能学习并存贮大量输入-输出模式的映射关系,其模型处理相关信息的基本原理为:输入信号xi通过其中间节点(即隐层点)作用于输出节点,经非线性变换,可产生输出信号Yk,如图1所示。
最终经过反复学习、训练,来确定最小误差对应的权值和阈值。
经过训练的BP神经网络模型能对类似的样本进行自行处理,输出误差最小的经过非线形转换的具体信息2 硅含量及炉温的预测2.1 数据初始化处理为消除量纲的影响,对原始数据进行归一化处理,是数据分布在0-1的区间内。
2.2 选取训练样本集及测试样本集以[Si]-[S]-FL-PML的前八百组数据为输入层,相应下一组的[Si]为输出层,进行训练。
一步预测:输入每组[Si]-[S]-FL-PML数据,每组数据可得到1个[Si]的值即为下一组中[Si]的预测值。
二步预测:将一步预测中所得到的预测值代入相应想要预测的[Si]的位置,再选取本组剩余三个数据,以这4个量作为新的输入,来预测接下来一组的[Si]的值。