高渣系黏度研究模型

1、高渣系黏度研究模型     高炉渣的黏度直接影响料柱的透气性、炉料顺行、渣铁分离以及炉渣的脱硫能力等，对高炉冶炼具有极其重要的作用。近年来，由于进口矿（如高铝矿）的大量使用，国内部分高炉入炉矿石成分波动较大，为适应冶炼条件的变化，需不断调整高炉渣系，否则会导致料柱透气性变差、炉墙结瘤等严重问题。高炉渣系中，终渣成分组成波动较小，且便于取样测量，国内外学者已进行深入研究。沈峰满指出，在大量使用高铝矿时，提高炉渣中的含量，将有助于降低炉渣黏度和提高炉渣脱硫能力。马丽等通过理论研究与生产实践分析，对炉渣中氧化铝不同含量下的氧化镁含量及二元碱度控制进行了研究，提

2、出了炉渣的合理控制范围。然而高炉渣特别是初渣和中间渣成分复杂，组成多变，且黏度的测量极其困难，因此现阶段所做的工作还远远满足不了高炉渣对于合理渣系的要求。为了更方便地研究高炉渣黏度随成分变化的规律，建立了渣系黏度预报模型，预报结果与试验结果一致；李金锡通过试验以及理论计算建立了渣系黏度的计算模型，可以反映渣系的实际结构。然而以上模型仅仅适用于含量较低（少于）的渣系。高炉初渣、中间渣含量高，成分变化剧烈，黏度波动较大且不便于取样测黏度，而其流动性直接影响煤气流的分布和高炉顺行，因此有必要建立模型分析高渣系黏度的变化规律。本文利用五元渣系模拟高炉初渣、中间渣。根据在工厂所测得初渣中成分的含量范围，

3、设计正交试验测定黏度。随后采用本课题组开发的基于的神经网络遗传（）系统，利用试验结果以及文献中部分数据训练模型，建立黏度预报模型。经验证发现，该模型预报值与试验值的误差在以内。随后利用对其各因素进行单因素分析，规律与文献及试验结果基本一致。试验方法为了较全面地反映各组分对渣黏度影响的规律，笔者采用一组正交试验测量黏度值。选择二元碱度（）（）、（）、（）、（）作为正交试验的个因素。在各个钢铁厂现场统计平均成分范围的基础上适当延展，确定此因素变化的个水平，并据此选择（）正交表设计试验，因素水平如表所示。测量黏度所用渣样均采用分析纯试剂配制。为制作预熔渣，首先将、按表所示比例称量混合，放人钼坩埚中，

4、于高温炉内下恒温。待合成渣充分熔化混匀后，取出渣样淬冷、粉碎以备使用。本试验采用东北大学研发的型熔体物性综合测定仪测定高炉渣的黏度，装置如图所示。将准备好的、预熔渣粉与一定量的粉末混合成如表所示成分。本试验所用钼坩埚的尺寸为：×，壁厚。称取样品放入钼坩埚中，将钼坩埚置于炉子恒温带内，接通冷却水，开启设备电源。设定合适的升温程序，打开程序升温，熔化渣样。当炉温升至时从炉子的下部通入氩气（）防止坩埚以及渣样氧化，实测炉温达时，恒温使渣样混合均匀。安装好钼转头及转杆，按上升按钮，使炉体以一定速率缓慢上升，控制转头使其停止在距离坩埚底部的位置，按下停止按钮。设定钼转头转速，转动钼转头，黏度测

5、量开始，待屏幕显示黏度数据稳定之后选择开始记录数据，系统即可连续测定并记录出当前的黏度和温度等参数，直至熔渣黏度过大无法继续测量为止。保存试验数据，重新将炉温升至，取出钼转头及转杆。待炉温下降至时关闭冷却水以及氩气。为了检验测定装置的测量误差，用具有确定黏度数值的标准油对黏度测定装置进行检验。结果表明，该黏度仪平均相对误差为，表明本套装置所得出的黏度数据可靠性较强。结果与讨论按照正交表进行试验，部分试验结果如表所示。下面采用试验结果以及文献中部分高渣系的黏度数据，利用本课题组创立的基于的神经网络遗传算法（）建立高炉渣黏度预报模型。粘度模型的训练将影响炉渣黏度的个因素：温度、二元碱度、（）、（）

6、、（）、（）和（）作为模型的个输入节点，即网络输入，网络输出即为渣黏度值。采用××网络结构，即输入层神经元数为，隐含层神经元数为，输出层神经元数为。将所用黏度数据输入神经网络后用算法训练次。训练结果如图所示，训练相关系数为，可见训练结果较好，保存结果。黏度模型的预测神经网络一经训练成功，就相当于建立了高炉渣黏度模型。该模型可以模拟高炉渣黏度的客观变化规律，可以在某组分炉渣特征值（温度、二元碱度、（）、（）、（）、（）和（）已知的情况下预测其目标值，即高炉渣的黏度。为了验证该模型预测的准确性及可靠性，选取文献中几组特征值不同的高炉渣进行黏度预测，炉渣成分组成见表。将网络预测的

7、结果与实际的结果进行对比，误差分析见表。由表可见，神经网络的预报结果与实测结果吻合较好（误差基本在以内），说明用神经网络建立的黏度模型是可信的，在温度和成分变化的情况下，可以用来预测高炉渣的黏度，从而为调整入炉原料配比提供一定依据。黏度影响因素分析通过该模型对影响炉渣黏度的参数进行单因素分析，绘制出高炉渣黏度随单个因素变化的趋势线。下面讨论在，（），（）和（）的条件下，各个因素对高炉渣黏度的影响规律。单因素分析结果如图所示。温度从图（）可看出，炉渣的黏度随着炉温的上升而减小，这符合炉渣黏度和温度的关系式，即：（）含量从图（）可看出，（）小于时，炉渣黏度随含量增加而较平缓上升，这主要是因为充当网

8、络形成体的原因，所形成的四面体通过或等阳离子的电荷补偿与连接形成空间网络结构；与此同时，或等阳离子由于充当电荷补偿功能，从而使得熔体中网络修饰体的数量减少，这在一定程度上也增加了熔体的聚合度。当（）大于时，黏度开始急剧上升，也就是说本试验没有发现氧化铝的两性现象。这主要是由于高含量的易于与形成高熔点的尖晶石或与和形成晶体，从而使炉渣黏度急剧增大。通过上述分析，可知在一般冶炼条件下，应控制高炉入炉原料的（）不大于。含量从图（）可以看出，含量的增加可以降低炉渣黏度，这主要是由于在在液态炉渣中解离出来的阳离子能够作用于空间四面体结构，在其形成的网状结构中造成断口，简化了空间网络的复杂程度，故可导致黏

9、度的下降。此外，会和渣中酸性氧化物发生一系列反应，生成低熔点化合物，对炉渣起到稀释作用从而降低黏度。但当含量超过一定范围，炉渣黏度会逐渐增大。其原因是含量过多，将会在渣中形成熔点较高的镁橄榄石和方镁石（图），使渣熔化性温度显著升高，黏度增大，流动性变差，透气性下降，从而影响高炉顺行以及煤气的顺利通过。因此必须注意，利用含量的增多来提高炉渣的流动性能，应该控制其含量在适宜的范围内（此试验条件下（）低于），不能过大，也不能过小。含量从图（）可以看出，炉渣黏度随着含量的增大而减小。这是因为：首先是碱性氧化物，其含量增多会简化空间网络的复杂程度，因为阳离子消灭了一个为两个相邻的所共有的，机制与其他碱性

10、氧化物的作用类似；其次本身熔点低，其含量过高也会对炉渣起到稀释作用，导致渣黏度下降。从图中可知，在的温度下，（）在范围内，炉渣黏度会明显降低。高炉冶炼过程中，若炉料中的含量过高，其在下降过程中不断被还原，可能导致初渣、中间渣的熔化性温度以及黏度发生剧烈变化，因此会导致炉况不顺。所以为保证高炉顺行以及炉况稳定，必须控制初渣中含量在适宜的范围内。通常入炉原料中的总铁含量是固定不可变的，因此为实现初渣中含量的降低，可以通过降低软融层位置或者增大烧结矿的金属化率来实现。含量从图（）可看出，随着渣中含量的不断增加，黏度逐渐降低，直至达到图中黏度的最低值。降低炉渣黏度的机制与类似。如果超过黏度的最小区继续

11、增加，将引起黏度的急剧增高。这是因为随着的增大，炉渣逐渐由酸性渣转变为碱性渣，解离出的阳离子对的破坏已趋于最大值。而在碱性渣中，过高含量的炉渣中会形成高度弥散的固体悬浮小质点（小于等于），尽管这些质点总的体积分数很小，但其绝对数量很多，而且细小颗粒的比表面积大，过剩的表面能使其强烈吸附周围介质中的质点，形成了十分稳定的双电层，无形中扩大了质点的体积，从而使熔体的黏度与的关系呈现指数函数形式急剧增长。含量从图（）可以看出，炉渣黏度随着含量的升高，先有略微的下降，这是因为在含量较小的情况下，渣碱度大，过量会导致渣黏度的升高（见下文的影响规律），而的加入将使其与反应生成较低熔点的化合物，从而一定程度

12、上降低炉渣的黏度。随含量的进一步升高，渣黏度显著增大，这是由在炉渣中的存在形式造成的。在炉渣中以形式存在，而为空间四面体结构，是构成液态渣的基本结构单元，四面体角上的可以与相邻的共有，众多的四面体可形成向三位空间延伸的网状结构，在此网状结构中的每个质点由于离子键的相互制约而不能任意移动，这就是的加入导致黏度变高的原因。图给出了三元相图，条件是，（）。随着含量的升高，渣系黏度首先会略微下降，然后急剧升高，与模型所给出的单因素分析结果符合。采用极差分析法，将的黏度试验结果绘制出因素与指标趋势图，如图所示。可见各因素变化趋势和单因素分析结果大致相同，进一步证明了模型的可靠性。黏度模型应用前景由上述讨

13、论可知，通过基于的神经网络模型得到的高渣系黏度预报模型在实际黏度预测中有一定的可靠性，而且还可以给出单个组分对炉渣黏度的影响趋势。近年来，钢铁企业原燃料条件的变化，如增加进口矿配比（高铝矿居多），及高炉生产指标的改进等因素，对高炉顺行、煤气流的正常分布提出了更高的要求，而影响高炉冶炼的最主要因素即为炉渣的流动性能（黏度）。尽管人们进行了很多黏度实验检测工作，但是炉渣的黏度数据还远远满足不了现代冶金技术发展的需要。采用本模型可以近似模拟高炉初渣、中间渣黏度的变化规律，结合其他科研工作者的终渣黏度模型，不仅可以在炉况变化时及时了解炉渣流动性的改变，合理操作高炉，也可以辅助指导高炉原料配料方案（原理见图）。但是由于高炉冶炼情况复杂多变，该模型预报与实际情况还有不小的偏差。为解决此问题，应该在该模型的基础上，进一步完善高炉渣数据库，优化该模型。结语通过试验研究了富含高炉渣的黏度变化规律，应用基于的神经网络遗传算法（）系统，