CN115662537A - 一种转炉出钢量预测方法及*** - Google Patents

一种转炉出钢量预测方法及*** Download PDF

Info

Publication number
CN115662537A
CN115662537A CN202211287103.1A CN202211287103A CN115662537A CN 115662537 A CN115662537 A CN 115662537A CN 202211287103 A CN202211287103 A CN 202211287103A CN 115662537 A CN115662537 A CN 115662537A
Authority
CN
China
Prior art keywords
model
steel
amount
tapping
molten iron
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211287103.1A
Other languages
English (en)
Inventor
孙玉春
高放
周志伟
李立凯
王敏
包燕平
张小华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Dongfang Special Steel Co ltd
University of Science and Technology Beijing USTB
Original Assignee
Changzhou Dongfang Special Steel Co ltd
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Dongfang Special Steel Co ltd, University of Science and Technology Beijing USTB filed Critical Changzhou Dongfang Special Steel Co ltd
Priority to CN202211287103.1A priority Critical patent/CN115662537A/zh
Publication of CN115662537A publication Critical patent/CN115662537A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Carbon Steel Or Casting Steel Manufacturing (AREA)

Abstract

本发明属于钢铁冶金技术领域，具体为一种基于复合预测模型的转炉出钢量预测方法及***，综合机理模型和统计模型形成的复合预测模型，可实现转炉出钢量的准确预测，为合金配料提供重要参考，有利于合金的精准化控制，同时提高了转炉炼钢过程成分命中率和钢产品均质化及性能稳定性，具备良好的降本增效的效果。

Description

一种转炉出钢量预测方法及***
技术领域
本发明涉及钢铁冶金技术领域，具体为一种基于复合预测模型的转炉出钢量预测方法及***。
背景技术
目前，国内粗钢生产以高炉-转炉为代表的长流程为主，转炉生产的金属原料主要包括铁水、废钢，辅料主要包括石灰、白云石以及一些含铁冷料等。最终获得的钢水主要来源于金属料的转化，但在冶炼过程中，会有一部分铁元素被氧化变成烟尘进入除尘烟道，有一部分铁元素进入钢渣，还有一份铁元素因为喷溅等途径损失，这些途径的铁损失很难准确量化，且每炉之间存在较大变化。随着检测水平的不断提高，冶炼开始前，铁水重量，铁水成分等信息可准确获得，但废钢来源非常驳杂，且目前废钢分类手段有限，因此入炉废钢成分信息无法准确获得，这些对准确预测出钢量带来较大困难。
部分钢厂在炉后钢包车上配备了称量装置，但需要等出钢结束后才能准确获得出钢量的具体数值。但在实际生产过程中，合金化往往在出钢过程中完成，若等到出完钢获得准确钢水量时再称量合金，会拖慢时间节奏，影响高效冶炼。因此，很多企业是在出钢前，根据以往经验出钢量修正项，再根据估计的出钢量配加合金，这不利于合金的精准化控制，还易导致两种极端情况，其一，合金加入量过多，导致成分超出了目标成分范围，影响钢水质量。其二，合金加入量不足，LF精炼时仍补加大量的合金，不利于高效稳定的冶炼。
发明内容
为解决现有技术存在的问题，本发明的主要目的是提出一种基于复合预测模型的转炉出钢量预测方法及***，基于质量守恒定律，铁水转化成钢水量可通过机理模型计算，综合考虑其他铁元素的收得和损失，建立数据统计模型，综合机理模型和统计模型形成的复合预测模型，可在冶炼结束前准确预测出钢量；在转炉冶炼结束前可准确预测出钢量，为及时而精准的配加合金提供重要参考。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种转炉出钢量预测方法，包括如下步骤：
S1.建立模型数据库，采集历史生产数据形成模型数据库；
S2.建立机理模型，计算由铁水转化的钢水量W1，并计算实际出钢量与W1的差值W2；
S3.建立统计模型，以W2作为统计模型的因变量，以包括铁水成分、铁水温度、石灰耗量、轻烧白云石耗量、粒子钢耗量，耗氧量、终点成分和终点温度的可采集到的冶炼过程指标作为自变量，进行逐步回归，得到统计模型；
S4.现场应用，采集现场生产数据，带入机理模型计算W1，再带入统计模型得到出钢量修正项Y，相加得到预测出钢量W1+Y。
作为本发明所述的一种转炉出钢量预测方法的优选方案，其中：还包括：
S5.模型参数的定期修正，参考出钢量进行合金配料；出钢结束后，本炉实际生产数据被收录于模型数据库中，用于定期统计模型的参数更新。
作为本发明所述的一种转炉出钢量预测方法的优选方案，其中：所述步骤S1中，建立模型数据库时，在近一个月的生产记录中，删除重复数据，剔除残缺数据，随机选择N炉作为样本数据。
作为本发明所述的一种转炉出钢量预测方法的优选方案，其中：所述步骤S2中，建立机理模型不考虑其他损失途径，仅从杂质元素损失的角度考虑，由铁水转化的钢水重量计算机理模型如下：
W1＝Wiron×(αi-βi)
其中，Wiron表示铁水装入量，i表示铁水中的杂质元素，包括C、Si、Mn、P和S，α表示铁水中的杂质元素质量百分比，β表示冶炼终点钢水中的杂质元素的质量百分比。
W2的计算公式如下：
W2＝Wsteel-W1
其中，Wsteel表示样本数据的实际出钢量。
作为本发明所述的一种转炉出钢量预测方法的优选方案，其中：所述步骤S3中，基于样本数据，依据机理模型计算每炉的W1，再综合实际出钢量Wsteel计算二者差值W2，以W2为因变量，以包括铁水成分、铁水温度、石灰耗量、轻烧白云石耗量、粒子钢耗量，耗氧量、终点成分和终点温度的可采集到的冶炼过程指标项作为自变量，进行逐步线性回归，获得出钢量修正项Y的统计模型如下：
Y＝λ1X1+λ2X2+λ3X3+…+λmXm+L
其中，λ表示模型系数，X表示被选择的指标项，m表示指标项的个数，L表示常数项。
作为本发明所述的一种转炉出钢量预测方法的优选方案，其中：所述步骤S4中，模型实际应用时，基于机理模型和统计模型形成的复合预测模型中存在多个指标项，在应用过程中实时采集模型计算所需指标项数据，带入机理模型计算W1，再带入统计模型得到出钢量修正项Y，进而可在冶炼结束前得到预测出钢量W1+Y，为及时而精准的合金配料提供重要参考。
作为本发明所述的一种转炉出钢量预测方法的优选方案，其中：所述步骤S5中，模型的定期修正，在模型实际应用之后，模型指导炉次数据会被收录于模型数据库中，并定期按照步骤S3进行统计模型的参数修正。
为解决上述技术问题，根据本发明的另一个方面，本发明提供了如下技术方案：
本发明的另一目的在于提供一种实施上述转炉出钢量预测方法的转炉出钢量预测***。
本发明的另一目的在于提供一种实现上述转炉出钢量预测方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述转炉出钢量预测方法。
本发明的有益效果如下：
本发明提供了一种转炉出钢量预测方法及***，基于质量守恒定律，铁水转化成钢水量可通过机理模型计算，综合考虑其他铁元素的收得和损失，建立数据统计模型，综合机理模型和统计模型形成的复合预测模型，可实现转炉出钢量的准确预测，为合金配料提供重要参考，有利于合金的精准化控制，同时提高了转炉炼钢过程成分命中率和钢产品稳定性，具备良好的降本增效的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明出钢量预测方法示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种基于复合预测模型的转炉出钢量预测方法及***，综合机理模型和统计模型形成的复合预测模型，可实现转炉出钢量的准确预测，为合金配料提供重要参考，有利于合金的精准化控制，同时提高了转炉炼钢过程成分命中率和钢产品稳定性，具备良好的降本增效的效果。
根据本发明的一个方面，本发明提供了如下技术方案：
一种转炉出钢量预测方法，包括如下步骤：
S1.建立模型数据库，采集历史生产数据形成模型数据库；建立模型数据库时，在近一个月的生产记录中，删除重复数据，剔除残缺数据，随机选择N炉作为样本数据。
S2.建立机理模型，计算由铁水转化的钢水量W1，并计算实际出钢量与W1的差值W2；建立机理模型不考虑其他损失途径，仅从杂质元素损失的角度考虑，由铁水转化的钢水重量计算机理模型如下：
W1＝Wiron×(αi-βi)
其中，Wiron表示铁水装入量，i表示铁水中的杂质元素，包括C、Si、Mn、P和S，α表示铁水中的杂质元素质量百分比，β表示冶炼终点钢水中的杂质元素的质量百分比。
W2的计算公式如下：
W2＝Wsteel-W1
其中，Wsteel表示样本数据的实际出钢量。
S3.建立统计模型，以W2作为统计模型的因变量，以包括铁水成分、铁水温度、石灰耗量、轻烧白云石耗量、粒子钢耗量，耗氧量、终点成分和终点温度的可采集到的冶炼过程指标作为自变量，进行逐步回归，得到统计模型；基于样本数据，依据机理模型计算每炉的W1，再综合实际出钢量Wsteel计算二者差值W2，以W2为因变量，以包括铁水成分、铁水温度、石灰耗量、轻烧白云石耗量、粒子钢耗量，耗氧量、终点成分和终点温度的可采集到的冶炼过程指标项作为自变量，进行逐步线性回归，获得出钢量修正项Y的统计模型如下：
Y＝λ1X1+λ2X2+λ3X3+…+λmXm+L
其中，λ表示模型系数，X表示被选择的指标项，m表示指标项的个数，L表示常数项。
S4.现场应用，采集现场生产数据，带入机理模型计算W1，再带入统计模型得到出钢量修正项Y，相加得到预测出钢量W1+Y。模型实际应用时，基于机理模型和统计模型形成的复合预测模型中存在多个指标项，在应用过程中实时采集模型计算所需指标项数据，带入机理模型计算W1，再带入统计模型得到出钢量修正项Y，进而可在冶炼结束前得到预测出钢量W1+Y，为及时而精准的合金配料提供重要参考。
S5.模型参数的定期修正，参考出钢量进行合金配料；出钢结束后，本炉实际生产数据被收录于模型数据库中，用于定期统计模型的参数更新；模型的定期修正，在模型实际应用之后，模型指导炉次数据会被收录于模型数据库中，并定期按照步骤S3进行统计模型的参数修正。
本发明的另一目的在于提供一种实施上述转炉出钢量预测方法的转炉出钢量预测***。
本发明的另一目的在于提供一种实现上述转炉出钢量预测方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述转炉出钢量预测方法。
以下结合具体实施例对本发明技术方案进行进一步说明。
实施例1
一种转炉出钢量预测方法，包括以下步骤：
S1.建立模型数据库，在近一个月的生产记录中，删除重复数据，剔除残缺数据，随机选择180炉生产数据作为样本数据；
S2.采用建立的机理模型计算W1和W2，提取180炉样本数据的铁水装入量、铁水成分、冶炼终点成分以及实际出钢量等信息，带入下式进行计算每一炉的W1和W2；
W1＝Wiron×(αi-βi)
其中，Wiron表示铁水装入量，i表示铁水中的杂质元素，包括C、Si、Mn、P和S，α表示铁水中的杂质元素质量百分比，β表示冶炼终点钢水中的杂质元素的质量百分比。
W2的计算公式如下：
W2＝Wsteel-W1
其中，Wsteel表示样本数据的实际出钢量。
S3.建立统计模型，以W2作为统计模型的因变量，以铁水成分、铁水温度、石灰耗量、轻烧白云石耗量、粒子钢耗量，耗氧量、终点成分和终点温度等可采集到的冶炼过程指标作为自变量，进行逐步回归，获得出钢量修正项Y的统计模型如下：
Y＝0.908X1+0.832X2+1.380X3-4.874
式中，X1表示废钢装入量，X2表示铁水C含量，X3表示铁水Si含量，模型R2＝0.904，说明复合预测模型可以很好的拟合原始数据。
S4.现场应用，基于机理模型和统计模型，实时采集模型计算所需指标项数据，带入机理模型计算W1，再带入统计模型得到出钢量修正项Y，最终出钢量即为W1+Y，如表1所示：
表1实施例1复合预测模型应用效果
Figure BDA0003899865890000061
Figure BDA0003899865890000071
据表1可知，基于复合预测模型预测的连续生产10炉次的出钢量与实际出钢量的误差在±2％，说明模型预测精度较高，可以很好的预测出钢量，为合金化提供指导和参考。
S5.模型参数修正，根据计算出钢量进行合金配料，出钢结束后，10炉数据被收录于模型数据库中，样本数据为190炉，定期进行模型参数的更新与修正，请见实施例2。
实施例2
一种转炉出钢量预测方法，包括以下步骤：
S1.从数据库中选择样本数据，共计190炉；
S2.提取190炉样本数据的铁水装入量、铁水成分、冶炼终点成分以及实际出钢量等信息，带入下式进行计算每一炉的W1和W2；
W1＝Wiron×(αi-βi)
其中，Wiron表示铁水装入量，i表示铁水中的杂质元素，包括C、Si、Mn、P和S，α表示铁水中的杂质元素质量百分比，β表示冶炼终点钢水中的杂质元素的质量百分比。
W2的计算公式如下：
W2＝Wsteel-W1
其中，Wsteel表示样本数据的实际出钢量。
S3.建立统计模型，以W2作为统计模型的因变量，以铁水成分、铁水温度、石灰耗量、轻烧白云石耗量、粒子钢耗量，耗氧量、终点成分和终点温度等可采集到的冶炼过程指标作为自变量，进行逐步回归，得到出钢量修正项Y的统计模型：
Y＝0.915X1+0.824X2+1.219X3-4.937
式中，X1表示废钢装入量，X2表示铁水C含量，X3表示铁水Si含量。模型R2＝0.905，说明复合预测模型可以很好的拟合原始数据。
S4.现场应用，基于机理模型和统计模型，实时采集模型计算所需指标项数据，带入机理模型计算W1，再带入统计模型得到出钢量修正项Y，最终出钢量即为W1+Y；
表2实施例2复合预测模型应用效果
Figure BDA0003899865890000081
Figure BDA0003899865890000091
据表2可知，基于复合预测模型计算的连续生产的30炉次出钢量与实际出钢量的误差在±2％，说明模型预测精度较高，可以很好的预测出钢量，为合金化提供指导和参考。
S5.模型参数修正，根据计算出钢量进行合金配料，出钢结束后，30炉数据被收录于模型数据库中，样本数据为220炉，定期进行模型参数的更新与修正，请见实施例3。
实施例3
一种转炉出钢量预测方法，包括以下步骤：
S1.从数据库中选择样本数据，共计220炉；
S2.提取220炉样本数据的铁水装入量、铁水成分、冶炼终点成分以及实际出钢量等信息，带入下式进行计算每一炉的W1和W2；
W1＝Wiron×(αi-βi)
其中，Wiron表示铁水装入量，i表示铁水中的杂质元素，包括C、Si、Mn、P和S，α表示铁水中的杂质元素质量百分比，β表示冶炼终点钢水中的杂质元素的质量百分比。
W2的计算公式如下：
W2＝Wsteel-W1
其中，Wsteel表示样本数据的实际出钢量。
S3.建立统计模型，以W2作为统计模型的因变量，以铁水成分、铁水温度、石灰耗量、轻烧白云石耗量、粒子钢耗量，耗氧量、终点成分和终点温度等可采集到的冶炼过程指标作为自变量，进行逐步回归，得到出钢量修正项Y的统计模型：
Y＝0.914X1+0.9X2+1.695X3+10.201X4-5.683
式中，X1表示废钢装入量，X2表示铁水C含量，X3表示铁水Si含量，X4表示铁水S含量。模型R2＝0.908，说明复合预测模型可以很好的拟合原始数据。
S4.现场应用，基于机理模型和统计模型，实时采集模型计算所需指标项数据，带入机理模型计算W1，再带入统计模型得到出钢量修正项Y，最终出钢量即为W1+Y；
S5.模型参数修正，根据计算出钢量进行合金配料，出钢结束后，模型指导炉次生产数据被收录于模型数据库中，定期按照步骤3进行模型参数的更新与修正，修正周期可根据实际需要进行调整。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种转炉出钢量预测方法及***，其特征在于，包括如下步骤：
S1.建立模型数据库，采集历史生产数据形成模型数据库；
S2.建立机理模型，计算由铁水转化的钢水量W1，并计算实际出钢量与W1的差值W2；
S3.建立统计模型，以W2作为统计模型的因变量，以包括铁水成分、铁水温度、石灰耗量、轻烧白云石耗量、粒子钢耗量，耗氧量、终点成分和终点温度的可采集到的冶炼过程指标作为自变量，进行逐步回归，得到统计模型；
S4.现场应用，采集现场生产数据，带入机理模型计算W1，再带入统计模型得到出钢量修正项Y，相加得到预测出钢量W1+Y。
2.根据权利要求1所述的转炉出钢量预测方法，其特征在于，还包括：
S5.模型参数的定期修正，参考出钢量进行合金配料；出钢结束后，本炉实际生产数据被收录于模型数据库中，用于定期统计模型的参数更新。
3.根据权利要求1或2所述的转炉出钢量预测方法，其特征在于，所述步骤S1中，建立模型数据库时，在近一个月的生产记录中，删除重复数据，剔除残缺数据，随机选择N炉作为样本数据。
4.根据权利要求1或2所述的转炉出钢量预测方法，其特征在于，所述步骤S2中，建立机理模型不考虑其他损失途径，仅从杂质元素损失的角度考虑，由铁水转化的钢水重量计算机理模型如下：
W1＝Wiron×(αi-βi)
其中，Wiron表示铁水装入量，i表示铁水中的杂质元素，包括C、Si、Mn、P和S，α表示铁水中的杂质元素质量百分比，β表示冶炼终点钢水中的杂质元素的质量百分比。
W2的计算公式如下：
W2＝Wsteel-W1
其中，Wsteel表示样本数据的实际出钢量。
5.根据权利要求1或2所述的转炉出钢量预测方法，其特征在于，所述步骤S3中，基于样本数据，依据机理模型计算每炉的W1，再综合实际出钢量Wsteel计算二者差值W2，以W2为因变量，以包括铁水成分、铁水温度、石灰耗量、轻烧白云石耗量、粒子钢耗量，耗氧量、终点成分和终点温度的可采集到的冶炼过程指标项作为自变量，进行逐步线性回归，获得出钢量修正项Y的统计模型如下：
Y＝λ1X1+λ2X2+λ3X3+…+λmXm+L
其中，λ表示模型系数，X表示被选择的指标项，m表示指标项的个数，L表示常数项。
6.根据权利要求1或2所述的转炉出钢量预测方法，其特征在于，所述步骤S4中，模型实际应用时，基于机理模型和统计模型形成的复合预测模型中存在多个指标项，在应用过程中实时采集模型计算所需指标项数据，带入机理模型计算W1，再带入统计模型得到出钢量修正项Y，进而可在冶炼结束前得到预测出钢量W1+Y，为及时而精准的合金配料提供重要参考。
7.根据权利要求1或2所述的转炉出钢量预测方法，其特征在于，所述步骤S5中，模型的定期修正，在模型实际应用之后，模型指导炉次数据会被收录于模型数据库中，并定期按照步骤S3进行统计模型的参数修正。
8.一种实施权利要求1-7任一项所述的转炉出钢量预测方法的转炉出钢量预测***。
9.一种实现权利要求1-7任一项所述的转炉出钢量预测方法的信息数据处理终端。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行权利要求1-7任一项所述的转炉出钢量预测方法。
CN202211287103.1A 2022-10-20 2022-10-20 一种转炉出钢量预测方法及*** Pending CN115662537A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211287103.1A CN115662537A (zh) 2022-10-20 2022-10-20 一种转炉出钢量预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211287103.1A CN115662537A (zh) 2022-10-20 2022-10-20 一种转炉出钢量预测方法及***

Publications (1)

Publication Number Publication Date
CN115662537A true CN115662537A (zh) 2023-01-31

Family

ID=84990178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211287103.1A Pending CN115662537A (zh) 2022-10-20 2022-10-20 一种转炉出钢量预测方法及***

Country Status (1)

Country Link
CN (1) CN115662537A (zh)

Similar Documents

Publication Publication Date Title
Farla et al. The quality of energy intensity indicators for international comparison in the iron and steel industry
WO2021129350A1 (zh) 一种转炉炼钢冶炼后期碳含量预报方法
CN110874511B (zh) 一种智能炉料配比计算方法
CN116469481B (zh) 一种基于XGBoost算法的LF精炼钢水成分预报方法
CN110322057A (zh) 一种100t直流电弧炉出钢碳成分的预测***及预测方法
CN115232907B (zh) 一种转炉炼钢吹氧量的预测方法和***
CN113961865A (zh) 一种大型转炉精确控制tsc阶段调温剂加入量的方法
CN113512620B (zh) 气体分析+副枪的转炉冶炼全过程终点碳动态控制方法
CN115662537A (zh) 一种转炉出钢量预测方法及***
CN112884242A (zh) 一种短流程钢企需求响应潜力分析方法及***
Nuñez et al. New methodology for estimating the influence of Cu content of Ferrous Scrap materials in the Total Cost of Operation (TCO) of scrap mix in Electric Arc Furnace steelmaking
CN114381569B (zh) 一种转炉***煤气回收优化综合评价方法
Hasanbeigi et al. Comparison of energy-related carbon dioxide emissions intensity of the international iron and steel industry: case studies from China, Germany, Mexico, and the United States
Zhang et al. Prediction of lime utilization ratio of dephosphorization in BOF steelmaking based on online sequential extreme learning machine with forgetting mechanism
CN104328241B (zh) 一种获取炼钢过程中工序效益的方法
CN101592651B (zh) 电炉炼钢炉内钢水碳含量的测定方法
Wang et al. Hybrid model for predicting oxygen consumption in BOF steelmaking process based on cluster analysis
Hasanbeigi Analysis of the past and future trends of energy use in key medium-and large-sized Chinese steel enterprises, 2000-2030
Saxena Energy Management and Monitoring Systems
CN116579670B (zh) 热态精炼渣回收利用的经济效益计算和可行性评估方法
JP2020002390A (ja) 吹錬計算方法、吹錬計算プログラム
EP4394051A1 (en) Method for predicting impurity concentration of molten iron, method for manufacturing molten iron, method for creating trained machine learning model, and apparatus for predicting impurity concentration of molten iron
CN116676437A (zh) 一种定量化模式化精确控制高炉料速的冶炼方法
CN116516084A (zh) 一种煤调控温定量化模块化精确控制w([Si])的高炉冶炼方法
Cree et al. Effects of Varying SiC Purity on Cupola Melt Performance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination