一种低铁水比条件下基于大数据炼钢模型的精炼造渣方法技术

本发明专利技术公开了一种低铁水比条件下基于大数据炼钢模型的精炼造渣方法。其中，方法包括利用所述历史数据训练初始模型，获得预测模型；采集钢水精炼过程中的实时数据；将所述实时数据输入所述预测模型中，获取所述预测模型输出的精炼造渣总量；计算钢水精炼过程中已添加的渣量；将所述预测模型输出的精炼造渣总量减去所述已添加的渣量，确定钢水精炼过程中待添加的渣量；利用Factsage计算CaO‑Al2O3‑SiO2‑MgO四元相图，根据所述精炼造渣总量、已添加的渣量、待添加的渣量和相图计算结果，计算渣料中各组元的待加入量；在钢水精炼过程中以计算的所述渣料中各组元的待加入量添加渣料。本发明专利技术提供的方案可实现精炼过程的智能化，减少精炼时间，提高产品质量。

【技术实现步骤摘要】

本专利技术涉及钢铁冶炼，尤其涉及一种低铁水比条件下基于大数据炼钢模型的精炼造渣方法。

技术介绍

1、lf精炼炉是钢铁冶炼过程中的重要设备，其通过精炼处理使钢液中的杂质得以除去，从而提高钢水的质量。而造渣技术则是lf精炼炉操作中的关键环节，对炉内的化学反应和钢液的质量有着至关重要的影响。近年来，随着钢铁行业对钢水质量和生产效率要求的不断提高，lf精炼炉高效造渣技术的研究与应用受到了广泛关注。钢铁企业迫切需要通过优化造渣技术来提高生产效率、降低生产成本，并满足市场对高质量钢材的需求。

2、传统的精炼过程依赖人工判断和操作，存在过程控制波动大、物料消耗和能耗偏高、产品质量稳定性差等问题，由于人工经验和操作的局限性，传统造渣技术的造渣效果往往不够理想，钢液中的杂质去除不彻底。并且受转炉下渣的影响，lf精炼过程中经常出现造白渣困难，精炼时间长，脱硫和夹杂物控制效果差，产品质量不稳定和生产成本高等问题。

3、物联网、大数据、人工智能等技术将推动钢铁生产向智能化、自动化发展，提升效率和产品质量。如何利用大数据模型等先进手段优化精炼造渣过程，是当前本文档来自技高网...

【技术保护点】

1.一种低铁水比条件下基于大数据炼钢模型的精炼造渣方法，其特征在于，所述方法包括：

2.根据权利要求1所述的低铁水比条件下基于大数据炼钢模型的精炼造渣方法，其特征在于，计算钢水精炼过程中已添加的渣量，包括：

3.根据权利要求1所述的低铁水比条件下基于大数据炼钢模型的精炼造渣方法，其特征在于，利用Factsage计算CaO-Al2O3-SiO2-MgO四元相图，根据所述精炼造渣总量、已添加的渣量，待添加的渣量和相图计算结果，计算渣料中各组元的待加入量；

4.根据权利要求1所述的低铁水比条件下基于大数据炼钢模型的精炼造渣方法，其特征在于，所述初始模型为梯度...

【技术特征摘要】

1.一种低铁水比条件下基于大数据炼钢模型的精炼造渣方法，其特征在于，所述方法包括：

2.根据权利要求1所述的低铁水比条件下基于大数据炼钢模型的精炼造渣方法，其特征在于，计算钢水精炼过程中已添加的渣量，包括：

3.根据权利要求1所述的低铁水比条件下基于大数据炼钢模型的精炼造渣方法，其特征在于，利用factsage计算cao-al2o3-sio2-mgo四元相图，根据所述精炼造渣总量、已添加的渣量，待添加的渣量和相图计算结果，计算渣料中各组元的待加入量；

4.根据权利要求1所述的低铁水比条件下基于大数据炼钢模型的精炼造渣方法，其特征在于，所述初始模型为梯度提升分类器算法模型。

5.根据权利要求4所述的低铁水比条件下基于大数据炼钢模型的精炼造渣方法，其特征在于，所述梯度提升分类器算法模型中参数的范围为：弱分类器数量的范围为800~1200，学习率的范围为0.01~0.02，决策树最大深度的范围为4，决策树分裂最小样本数的范围为2，决策树叶子节点最小样本数的范围为1。

6.根据权利要求4所述的低铁水比条件下基于大数据炼钢模型的精炼造渣方法，其特征在于，所述梯度提升分类器算法模型中参数范围的确...

【专利技术属性】
技术研发人员：徐光，梁亮，刘旭辉，严立新，李国仓，彭霞林，齐江华，罗钢，邓之勋，许浩，吴志强，张青学，姜周华，邓新跃，张鹏，
申请(专利权)人：湖南华菱涟源钢铁有限公司，
类型：发明
国别省市：