第58卷第7期2023年7月钢铁IronandSteelVol.58,No.7,p46-53July2023DOI:10.13228/j.boyuan.issn0449-749x.20220790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110819)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Pearson系数和灰色关联度分析(GRA)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44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(PI-Net),该模型由输入层、3层隐藏层和输出层构成。研究结果表明,在测试集上PI-Net的均方误差为9.6×10-5、均方根误差为9.78×10-3、平均绝对误差为7.6×10-3、线性回归决定系数为0.9792,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PI-Net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:0449-749X(2023)07-0046-08PredictionmodelofblastfurnacepermeabilitybycombiningbigdatawithneuralnetworkWANGShuai,LIQiang(SchoolofMetallurgy,NortheasternUniversity,Shenyang110819,Liaoning,China)Abstract:Blastfurnace(BF)permeabilityisvitaltosmoothoperation,butrelatedstudiesarelimited,especiallyforBFstowardlow-carbonoperations.IntheBFproductionpractice,thepermeabilityindex(PI)isoftenobtainedbyaposteriorestimate,resultinginachallengetomakereasonableadjustmentsfortheBF'sstableproductionandre-sponsetoabnormaleventsintime.Inaddition,itisnotpossibletoeffectivelyobtainthepermeabilityunderthede-signstageoflow-carbonBFs.Thus,aprioriPIpredictionmodelisestablishedtocircumventtheseproblems.Spe-cifically,combiningbi...
