Page 40 - 国外钢铁技术信息内参（ 2022年5月）

ᇏݓࣁඋ࿐߶

（四）应用多种人工智能（AI）方法估算硫化物容

量、预测炉渣化学成分，提高 LF 炉冶炼质量 ᇏݓࣁඋ࿐߶

ᇏݓࣁඋ࿐߶
Marla L. Argaez， Nelson E. Sanchez， Alex Alvarez

德国 ECON 工业公司

摘要：脱硫是炼钢的一项重要工艺。标准规定的硫含量越来越低。硫化物容量指

数（Cs）用于描述炉渣脱硫的潜力。通过开发一个机器学习+LF 炉数字模型来预

测炉渣的化学成分，然后将数值输入人工神经网络（ANN）Cs 估计模型。通过 ᇏݓࣁඋ࿐߶

2
验证数据集，ANN 的结果显示 R 等于 83.26%，MSE 为 0.0045，MAE 为 0.0534。
统计参数显示结果可接受，说明模型能够预测新数据输入的结果。

关键词：硫化物容量，人工智能，炉渣成分调整，钢包炉

1. 引言 ᇏݓࣁඋ࿐߶

ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
炉渣是炼钢和精炼过程的副产品，主要由金属氧化物和杂质组成。熔渣漂浮
在钢水上表面，保护其免受氧化，并有助于洁净钢水。值得一提的是，脱硫能力

指标值（Cs）评价了炉渣的脱硫能力。有必要对其进行跟踪监测，从而获得优质

钢材。所以，研究脱硫能力指标和炉渣化学成分对于达到炉渣目标化学成分、从

而生产低腐蚀性耐火材料炉渣和提高钢材质量至关重要。

通过计算模型进行各种研究和分析，创建或修改炉渣工艺，以提高钢的质量
ᇏݓࣁඋ࿐߶
和满足客户的要求。这些计算算法在钢铁行业得到改进，例如计算钢包炉（LF）

添加量以调整炉渣成分并获得所需炉渣的化学成分，以及通过操作变量和工艺条

件估计脱硫能力指标值。这些研究在炼钢阶段均面临挑战，例如不符合要求的炉

渣、炉渣化学成分未达到目标、炉渣脱硫能力指标不理想、最低耐火性能、钢中

杂质、从电弧炉（EAF）到 LF 炉的炉渣量和未监控过程变量的不确定性，都是

对该过程的行为及其属性不了解的结果。

ᇏݓࣁඋ࿐߶
本文提出了预测 LF 炉添加物的建议，然后估计炉渣中存在的氧化物，最后

37