1、 第5 8卷 第7期 2 0 2 3年7月钢 铁I r o na n dS t e e lV o l.5 8,N o.7,p 4 6-5 3 J u l y2 0 2 3 D O I:1 0.1 3 2 2 8/j.b o y u a n.i s s n 0 4 4 9-7 4 9 x.2 0 2 2 0 7 9 0联合大数据和神经网络的高炉透气性预报模型王 帅,李 强(东北大学冶金学院,辽宁 沈阳1 1 0 8 1 9)摘 要:高炉的透气性对炉况的顺行至关重要,尤其是对受透气性约束(焦比大幅降低)的低碳高炉,但相关的研究十分有限。在生产实践中,高炉的透气性往往由后验获得,当高炉生产不稳定或炉
2、况异常时,后验方法使得透气性的提高变难,此外,在低碳高炉的设计阶段是不可能通过后验方法获得其透气性的。因此,需建立先验的透气性指数预测模型以解决上述问题。基于现场收集的大数据,通过P e a r s o n系数和灰色关联度分析(G R A)系数的相关性热力图方法对影响高炉透气性指数的变量集进行分析,明确了4 4个影响高炉透气性指数的特征参数。然后,对这些参数进行了数据清洗和归一化处理,以避免因存在数据值缺失、异常、特征变量间存在数量级差异等而引起的问题,构建了预测透气性指数的数据集。进而基于这些过滤后的大数据,建立并训练了一个用于预测高炉透气性指数的神经网络模型(P I-N e t),该模型由
3、输入层、3层隐藏层和输出层构成。研究结果表明,在测试集上P I-N e t的均方误差为9.61 0-5、均方根误差为9.7 81 0-3、平均绝对误差为7.61 0-3、线性回归决定系数为0.9 7 92,表明了建立的模型具有合理的准确性、鲁棒性和泛化能力。最后,应用P I-N e t评估了几个典型低碳高炉设计方案的透气性指数特性,并探讨了受透气性约束的低碳高炉设计方案可行性。关键词:高炉透气性;大数据;神经网络模型;低碳高炉;预报模型文献标志码:A 文章编号:0 4 4 9-7 4 9 X(2 0 2 3)0 7-0 0 4 6-0 8P r e d i c t i o nm o d e l
4、 o fb l a s t f u r n a c ep e r m e a b i l i t yb yc o m b i n i n gb i gd a t aw i t hn e u r a l n e t w o r kWANGS h u a i,L IQ i a n g(S c h o o l o fM e t a l l u r g y,N o r t h e a s t e r nU n i v e r s i t y,S h e n y a n g1 1 0 8 1 9,L i a o n i n g,C h i n a)A b s t r a c t:B l a s t f
5、u r n a c e(B F)p e r m e a b i l i t y i sv i t a l t os m o o t ho p e r a t i o n,b u t r e l a t e ds t u d i e s a r e l i m i t e d,e s p e c i a l l y f o rB F s t o w a r d l o w-c a r b o no p e r a t i o n s.I n t h eB Fp r o d u c t i o np r a c t i c e,t h ep e r m e a b i l i t y i n d
6、e x(P I)i so f t e no b t a i n e db yap o s t e r i o re s t i m a t e,r e s u l t i n g i nac h a l l e n g et om a k er e a s o n a b l ea d j u s t m e n t sf o rt h eB F ss t a b l ep r o d u c t i o na n dr e-s p o n s e t oa b n o r m a l e v e n t s i nt i m e.I na d d i t i o n,i t i sn o t
7、p o s s i b l e t oe f f e c t i v e l yo b t a i nt h ep e r m e a b i l i t yu n d e r t h ed e-s i g ns t a g eo f l o w-c a r b o nB F s.T h u s,ap r i o r iP Ip r e d i c t i o nm o d e l i se s t a b l i s h e dt oc i r c u m v e n t t h e s ep r o b l e m s.S p e-c i f i c a l l y,c o m b i n
8、 i n gb i gd a t a f r o mt h ep r a c t i c a l p r o c e s s,a l l v a r i a b l e s a f f e c t i n gB FP Iw e r e a n a l y z e db a s e do nb o t ha p-p r o a c h e so fP e a r s o nc o r r e l a t i o na n dh e a tm a po fG R A(G r e yR e l a t i o nA n a l y s i s)c o e f f i c i e n t s,a n
9、d4 4v a r i a b l e sw e r ei d e n t i f i e da s t h ep r i m a r yp a r a m e t e r s f o rp r e d i c t i n gP I.T h e n,b i gd a t a c o n s i s t i n go f t h e s ep a r a m e t e r sw e r e c l e a n e d t oa v o i dt h ep r o b l e m sr a i s e dd u et ot h ee x i s t e n c eo f i n c o m p
10、l e t e,a b n o r m a l,o r d e r-o f-m a g n i t u d ed i f f e r e n c ev a l u e s,a n df u r t h e rw e r en o r m a l i z e d.T h u s,t h er e s u l t a n td a t as e t f o rp r e d i c t i n gt h eP Iw a s f o u n d.F u r t h e r m o r e,an e u r a ln e t-w o r km o d e l f o rP Ip r e d i c t
11、 i o no fB F s(P I-N e t),w h i c hc o n s i s t so f a n i n p u t l a y e r,a3-l a y e rh i d d e n l a y e r a n da no u t-p u t l a y e r,w a se s t a b l i s h e da n dt r a i n e db a s e do nt h o s eb i gd a t a.T h er e s u l t ss h o wt h a t t h em e a ns q u a r ee r r o ro fP I-N e t i
12、s9.61 0-5,t h er o o tm e a ns q u a r ee r r o r i s9.7 81 0-3,t h em e a na b s o l u t ee r r o r i s7.61 0-3,a n dt h e l i n e a r r e g r e s s i o nc o e f f i c i e n t o f d e t e r m i n a t i o n i s0.9 7 92,i n d i c a t i n gt h a t t h ee s t a b l i s h e dm o d e l h a s r e a s o n
13、a b l ea c c u r a c y,r o b u s t n e s sa n dg e n e r a l i z a t i o na b i l i t y.F i n a l l y,P I-N e tw a sa p p l i e dt oe v a l u a t e t h eP Io f s e v e r a l t y p i c a lB Fd e s i g n e dt o w a r d l o wc a r b o no p e r a t i o n sa n de x p l o r e t h e f e a s i b i l i t yo
14、f t h e s ep r o p o s a l sd u e t ob e i n gr e s t r i c t e db yP I.K e yw o r d s:b l a s t f u r n a c ep e r m e a b i l i t y;b i gd a t a;n e u r a l n e t w o r km o d e l;l o w-c a r b o nb l a s t f u r n a c e;p r e d i c t i o nm o d e l基金项目:国家自然科学基金面上资助项目(5 2 0 7 4 0 7 9,5 2 2 7 4 3 2
15、 8);中央高校基本科研业务费交叉融合发展资助项目(N 2 1 2 5 0 1 8)作者简介:王 帅(1 9 9 7),男,硕士生;E-m a i l:2 5 4 9 3 3 3 9 0q q.c o m;收稿日期:2 0 2 2-1 2-2 0通信作者:李 强(1 9 7 8),男,博士,副教授;E-m a i l:l i q s mm.n e u.e d u.c n第7期王 帅,等:联合大数据和神经网络的高炉透气性预报模型 炼铁高炉是一个涉及许多传输现象和化学反应的多相高温反应器,而且它被公认为是化学和冶金领域最复杂的反应器之一1-5。高炉的块状带本质上是由焦炭颗粒与矿石颗粒交替填充构成的
16、移动床,它的透气性主宰着煤气流分布、压降、传热及还原反应的进行6-7,进而影响着高炉生产效率、炉况稳定性和可行性。特别是在低碳高炉操作时,由于作为料柱骨架的焦炭减少,焦比大幅降低,料柱内的透气性会急剧恶化8-1 2。考虑到透气性对高炉生产的重要影响,准确有效地预测透气性不仅对当前用于生产的传统高炉有提高效率、避免炉况波动的现实意义,更重要的是可以为低碳高炉的设计与实现,尤其是在受料柱透气性约束方面提供基础依据。在高炉生产中,透气性指数一般通过入炉冷风流量与热风入口压力和炉顶压力之差的商计算得到,因此在实际生产过程中,透气性指数往往后验获得。若能基于生产数据先验预报,对高炉稳定生产和对异常的炉况及时做出相应调整,将起到非常关键的作用1 3-1 5。此外,针对低碳高炉焦比大幅降低的要求,其透气性必然需要额外关注,但在设计阶段无法有效获得设计低碳高炉工艺条件下的透气性指数情况及规律,从而不能推断在此条件约束下其设计参数的可行性。因此,若能有方法对设计的低碳高炉进行透气性指数和相关关键参数关联,从而进行预报,对高炉面向低碳操作工艺的跃升将具有重要价值1 6-1 7。神经网络模型,尤其是近年发展
