铁精矿粒度对球团强度的影响

以大红山、曼南坎和滇滩等精矿的粒度以及膨润土用量和润磨时间为因子,以生球落下强度、生球爆裂温度、预热球抗压强度和焙烧球抗压强度为评价指标,进行了五因子二次回归组合实验研究。结果表明:随着铁精矿小于0.074mm粒级含量的增加,生球爆裂温度下降,预热球和焙烧球抗压强度提高;当铁精矿小于0.074mm粒级含量小于75%(质量分数)时,生球落下强度逐渐上升,当小于0.074mm粒级含量为75%时,生球落下强度达到最大值,之后有下降趋势。并不是铁精矿粒度越细球团强度就会越好,铁精矿粒度还应该满足一个合适的粒度组成。     

高岭石脱水反应的非等温热重法研究

在系统分析非等温固相反应特点的基础上,建立了非等温脱水反应速率方程.采用非等温热重法、通过计算机辅助计算,对高岭石脱水反应动力学规律进行了研究.结果表明:由于高岭石晶体结构中内、外羟基脱除的顺序不同,其脱水反应机制在反应分数(α)为0.7左右时发生改变.在反应前期(0＜α＜0.7)时,脱水反应遵循二维扩散控制规律,脱水反应表观活化能为159.682 kJ/mol、表观频率因子为1.007×10 10/min.     

基于自组织神经网络的烧结终点自适应预报系统的开发

烧结终点的在线检测和提前预报对于稳定终点,进而提高烧结矿强度和产量、降低能耗有重要意义。文章介绍了烧结终点的软测量方法;提出了一个新的预报参数——风箱废气温度曲线拐点;将多层前向人工神经网络应用于烧结终点的预报,对BP算法做了较大改进,使学习算法可以自组织神经网络的结构。应用这些技术开发的烧结终点自适应预报系统能够快速、准确地判断和预报烧结终点的状态,可用于在线操作指导或作为自动控制的依据。     

高炉精料与科学配矿

原料是钢铁工业发展的基础。高炉的技术进步，必须建立在高炉精料的基础上。为此。本文提出高炉精料的内涵，研究了烧结科学配用矿的方法。     

铁矿石烧结工艺参数优化模型的设计与应用

在分析配矿方案、工艺参数、产、质量指标三者相互关系的基础上,提出了两种优化烧结工艺参数的数学逻辑模型,即网络输出参数优化模型和网络输入参数优化模型.通过神经网络建模,比较建模结果,网络输入参数优化模型的效果更好.在神经网络模型的基础上结合遗传算法求解网络输入参数优化模型,计算出最佳的工艺参数.模型通过应用,不仅降低了烧结能耗,而且提高了烧结矿的产、质量,验证了模型的有效性和实用性.     

一种开发烧结过程专家系统的新方法及其应用

在研究烧结过程专家系统的结构和特点的基础上,提出了用面向对象的方法来建造烧结过程专家系统骨架,实现了骨架系统的两大功能:外壳功能和语言功能。系统提供了原型系统的生成平台和用于专家系统开发的类代码。并应用骨架系统,开发了由化学成分控制、烧结过程状态控制、能耗控制、异常诊断四个子系统组成的烧结过程控制专家系统,取得了良好的效果。     

铁矿烧结过程氯的反应行为及脱除规律

为查明Cl元素在烧结过程中的流向、物相转化规律和脱除特性,本文通过理论研究并结合烧结杯试验揭示Cl元素在烧结过程中的脱除行为及影响因素。研究结果表明：混合料中Cl元素主要由含铁尘泥带入,占比为84.93%;烧结过程中,Cl元素的脱除率高达89.99%,焦粉配比、碱度对Cl元素的脱除率影响较大,Cl脱除率随着焦粉配比提高而升高,随着碱度提高而降低;Cl元素脱除后主要富集在除尘灰及排空颗粒物中,其中有78.24%的Cl元素进入到了机头灰中;机头灰和排空气溶胶颗粒中Cl元素的富集现象较为明显,且主要以金属氯化物的形式存在。     

一水硬铝石型铝土矿焙烧碱浸脱硅新工艺(Ⅰ)

针对中、低铝硅比的一水硬铝石—高岭石型铝土矿 ,以山西铝土矿作原料 ,在回转窑上进行了焙烧脱硅工艺研究 ,结果表明 :采用回转窑焙烧铝土矿是可行的 ,其焙烧工艺条件为 :矿石粒度 0～ 2 0mm ,焙烧温度10 5 0～ 110 0℃ ,焙烧时间 15～ 2 0min。在碱浸溶出脱硅条件下焙烧矿的脱硅率达 5 5 .6 1% ,精矿铝硅比为 9.92。X射线衍射分析表明 :焙烧过程中高岭石发生热分解产生的非晶态SiO2 ,在碱浸溶出脱硅过程中溶于NaOH脱除。高压溶出试验表明 :脱硅铝精矿中Al2 O3 的溶出率比原矿要高。     

Desilication from illite by thermochemical activation

Illite occurs widely in bauxite ores and results in low alumina grade of the ores. Differential thermal analysis (DTA), thermal gravimetric analysis (TGA) and X-ray diffraction analysis (XRD) show the OH groups split off from the structural framework of illite between 500 ℃ and 700 ℃. With the increase in temperature up to about 1 100 ℃, the layer structure of illite breaks up and Si in the layers is transformed into the amorphous state. Meanwhile, mullite comes out at 1 100 ℃. Quartz occurring in illite keeps unchanged in structure in the range of 500 -1 200 ℃. A desilication process from illite by thermochemical activation followed by alkali leaching is therefore developed on the basis of the behavior that amorphous silica is alkali soluble. The investigation finds that the optimum parameters for desilication are activation temperature of 1 100 - 1 150 ℃, activation time of 90 - 120 min, leaching temperature of 95 - 110 ℃, leaching time of 90 - 120 min and concentration of caustic soda (Na2Ok) 120 - 150 g/L. An overall desilication about 45% is attained under these conditions. XRD analysis confirms that the active amorphous SiO2 has been dissolved in the alkali solution and removed from the samples, while quartz and mullite have not. The investigation also shows that the formation of mullite during activation and formation of sodium hydroalu minosilicates (Na96 Al96 Si96 O384 and 0.95Na2 O · Al2 O3 · 3.25SiO2 · 4.79 H2 O) during leaching lead to the relatively low desilication of illite.     

基于智能方法的铁矿石烧结过程建模

针对铁矿石烧结过程控制复杂性问题,提出了一种将其分解为烧结矿化学成分控制和烧结终点控制的方案。根据不同模型的控制目标差异,分别采用人工神经网络,模糊控制算法建立控制模型。工业现场应用表明,这种方法切实可行,是解决烧结过程控制复杂性问题的一条有效途径。