基于BP神经网络的烧结过程预报模型

根据烧结矿化学成分与烧结工艺的预报、控制特点,采用了BP神经网络方法建立了烧结矿化学成分的预报模型。仿真实验的结果表明,模型具有较高的预测精度和较强的自学习功能,用拓扑结构为15-21-4的BP神经网络和0.6×10~(-3)的网络误差进行训练,模型的预报命中率在75%以上,充分验证了基于过程参数控制的烧结矿化学成分预测模型的准确性和有效性。     

沙质滩涂颗粒物对磷酸盐的吸附过程研究

以沙质滩涂颗粒物对磷酸盐的吸附过程为对象,通过拟一级和拟二级方程进行吸附动力学研究,采用Langmuir和Freundlich方程描述平衡吸附等温线,并计算得到吸附热力学参数。结果表明:拟二级动力学模型能够较好拟合吸附过程,Langmuir模型能更好的描述吸附等温线,吸附是焓推动作用、自发且放热的过程。     

基于过程参数控制的烧结矿质量预测模型

针对烧结过程非线性、强耦合性和大时滞的特点,从过程参数控制的角度对烧结工艺进行了总体分析,确定了烧结矿性能评价指标及其主要影响参数,在此基础上提出了一种带动量项和变学习率的BP神经网络算法,建立了烧结矿质量预测模型。仿真实验结果表明,模型具有较强的自学习功能和较高的预测精度,用拓扑结构为15-25-4的BP神经网络和0.65×10^-3的网络误差进行训练,模型的预报命中率在81.25%以上,充分验证了基于过程参数控制的烧结矿质量预测模型的准确性和有效性。     

MgO对高碱度高铝烧结矿的影响

 随着钢铁企业高铝铁矿粉使用比例的提高,带来了高炉炉渣黏度增大、渣铁分离困难等一系列问题。采用烧结杯试验,研究了MgO含量增加对高碱度高铝烧结矿经济技术指标、冷强度和冶金性能的影响,采用Nova400 NanoSEM型场发射扫描电子显微镜分析了烧结矿微观结构。试验结果表明,高碱度高铝烧结矿中MgO质量分数从1.72%提高到2.49%时,垂直烧结速度降低4.38 mm/min,利用系数降低0.51 t/(m2·h),低温还原粉化指数增加6.7%;当烧结矿中MgO质量分数为2.11%时,转鼓指数和还原度最高,分别达到61.93%和86.39%;Mg2+主要固溶在磁铁矿晶格中并替代Fe2+,替代的质量分数最高达3.64%,生成的含镁磁铁矿抑制烧结矿降温过程中由Fe₃O₄→Fe₂O₃氧化过程的相变,减少了二次赤铁矿的生成,有利于改善烧结矿的低温还原粉化性能。研究结果可以为改善高碱度高铝烧结矿性能和提高炉渣流动性提供理论指导和参考依据。