鞍钢100吨 LF精炼炉概述

第二章模型建立

2.1鞍钢100吨 LF精炼炉概述

鞍钢一炼钢目前拥有2座100吨LF精炼炉，其年处理能力为100万吨，所生产的产品包括普碳钢、低合金钢、合金结构钢及优碳钢等多个钢铁品种。现运行稳定，且具有较高的技术含量。

2.1.1 100吨LF精炼炉的主要工艺参数

电极直径：500mm.

分布圆直径：800mm

电极升降速度：5m/min

钢水升温速度：4℃/min

一次电压：35kV

二次电压：420-250kV

二次电流：449kA

钢水罐车速度：300-600m/min，行程30m

液压系统：工作压力12Mbar

工作介质：水乙二醇

水冷系统：进水＜33℃

出水＜50℃

冷却水流量：500t/h

氩气系统：工作压力0.6-0.8Mbar

耗量最大：60Nm3/h

氮气系统：工作压力＞0.4Mbar

2.4模型操作参数的确定

2.4.1参数变量筛选的原则

LF炉精炼效果受很多现场因素的影响，通常不同的钢种，要求钢中有不同的硫含量，但总的来说，在所有钢种中，硫都是有害的元素，所以多数钢的生产理念是脱硫、脱磷、调节合金含量。脱硫的影响因素有很多，而且很多影响参数都是很难明确的，因此正确的选择钢包精炼的输入变量因子，对网络的建立和运行都是很很重要的。本文选取变量的动力学和热化学分析如下：

⑴精炼渣；炉渣作为精炼的主要化学成分，其对脱硫的贡献率是很大的。适当增加渣量，可以稀释渣中CaS浓度，加快脱硫速率。但渣量过大会使炉渣过厚，影响钢渣界面反应。从热力学角度考虑，脱硫反应是在还原性气氛中进行，渣中FeO含量高不利于脱硫反应。根据生产数据，在脱硫反应中渣中FeO含量与硫分配系数成反比例关系，所以炉渣的成分对脱硫的程度起到很大的影响。

⑵石灰（CaO）；CaO脱硫反应是固—液相反应，脱硫过程主要通过以下反应式完成：

此外，精炼过程加入一定活性石灰改变了渣的组成，不仅提高了炉渣碱度、改善炉渣黏度和流动性，而且新渣系组成有利于提高渣中硫容，因此有利于脱硫。另有研究发现，CaO脱硫的限制性环节和脱硫速度随钢水原始硫含量不同而有所不同，石灰的脱硫速度与料流密度和粉粒在钢水水中的逗留时间成正比，而与粉粒的大小成反比。

⑶萤石（CaF2）；CaF2 本身没有脱硫能力，但CaF2在脱硫过程中可以起到类似于催化剂的作用，加入炉渣中可使脱硫速率显著提高。首先，CaF2能显著降低渣的熔点，改善动力学条件，使硫容易向CaO等破网组元固相扩散; 其次，氟离

子可以破坏硅酸盐赖以结合的化学键，形成空隙，使硫更容易扩散到 CaO 等金属氧化物内部。最终的结果是随着CaF2的增加，脱硫速率和脱硫率都大大提高。

⑷酸溶铝；酸溶铝对精炼脱硫的影响主要是根据其成分含量而定的。实测钢中<70×10-6时，钢水>20×10-6，不利于脱硫反应。钢水的脱氧与脱硫是相互联系的，脱氧良好的钢水可提高渣的脱硫能力，是深脱硫的必需条件，通过对生产数据的统计，得出溶酸铝与脱硫率的关系，将溶酸铝含量控制在一定范围内有利于脱硫。

⑸氩气搅拌；氩气搅拌可以增加钢—渣反应界面，加快反应速度。从动力学角度分析，钢包精炼炉中脱硫反应的限制环节是钢液本体向钢—渣界面的传质过程。因此,加强氩气搅拌有利于提高脱硫反应速度。

⑹钢水温度；提高钢水温度将有利于脱硫反应的进行，同时可以加快渣料熔化，提高钢水流动性，加快反应速度，从而加速脱硫。生产实践表明，钢水温度低于1560 ℃时，脱硫速率明显降低;钢水温度高于1560℃时，渣料熔化快，炉渣流动性好，脱硫反应快。因此，要求转炉钢水进站温度要大于1560℃。

除以上因素外，钢水精炼的处理时间对终点硫含量也有一定的影响，通常情况下，在其他化学及动力学因素允许的条件下，增大精炼处理时间，可以得到更好的脱硫效果。但是在现场生产中，通常考虑生产效率问题，所以合理的处理时间对脱硫的影响也是不可忽视的。

通过以上物理化学分析，并结合现有的数据条件，本文最后确定LF网络模型的七个输入参数分别为：石灰石、萤石（CaF2）、铝矾土、酸溶铝、钢水温度、处理时间、进占硫含量。

2.5 样本数据处理

输入样本的的预处理在神经网络的模式识别过程中的重要作用，已经受到了越来越广泛的关注，对BP网络而言，合理的数据处理显得尤为重要。通过预处理可以加快网络的收敛速度，并且对预测精度的提高也很重要。简单的说，数据处理包括样本数据筛选和归一化数据。

结论

⑴本课题所选数据全部来自鞍钢第一炼钢厂LF钢包炉，经过分析和筛选确定其中的70组数据进行训练和学习。选用BP神经网络，应用Matlab6.5软件来实现网络的建立和训练，最后实现网络的预测及操作参数的合理优化；

⑵经过对LF炉的热力学及动力学分析，并结合现场生产情况，最后确定模型中影响终点硫含量的因素为：石灰石、萤石（CaF2）、铝矾土、酸溶铝、出钢温度、处理时间、进占硫含量等因素。此外，由于数据条件的限制，LF炉的重要参数吹氩量无法获得；

⑶采用BP神经网络模型，构成模型的具体参数为：输入层节点数7、输出层节点数1、隐含层数目2、隐含层节点数[12，11]、网络学习速率0.2、学习率增量因子1.01、学习率减量因子0.1、学习动量因子0.6、预测精度:0.0001。应用本模型对70组数据进行预测，预报误差在0~0.0005%之间的炉次为62炉，占88.57%，预报误差在0.0001~0.001%之间的炉次为67炉，占95.71%；

⑷通过所建立的BP网络模型的预测优化，得出如下优化区域：石灰含量在580~730kg之间，萤石含量在91~98kg之间，钢水温度在1550~1585℃之间，铝矾土的加入量在192~225kg之间时，有利于脱硫进行；处理时间控制在27~40min

范围内，会使脱硫更加充分。