钢铁研究学报

作者：吴志豪，贺铸，谭方关，肖爱达，李光强，王强

单位：1.武汉科技大学钢铁冶金及资源利用省部共建教育部重点实验室，湖北武汉430081；2.武汉科技大学省部共建耐火材料与冶金国家重点实验室，湖北武汉430081；3.昆明理工大学省部共建复杂有色金属资源清洁利用国家重点实验室，云南昆明650093；4.湖南华菱涟源钢铁有限公司，湖南娄底417009

关键词：关键词：LF精炼,炉衬蚀损,神经网络,预测模型,预测误差。

摘要：长期服役的LF钢包渣线处炉衬存在严重蚀损，该处炉衬的蚀损程度决定了钢包是否需要离线大修。为了明确钢包大修周期并降低生产成本，生产现场会对渣线处炉衬的蚀损程度进行判断，目前常用的方法有直接测量法和数值模拟法。直接测量法需进行特定的设备布置与调整以确保精度，而数值模拟所需时间较长。为了给出准确的钢包离线大修时间，以某钢厂LF精炼记录数据和配套钢包大修数据为基础，根据LF精炼原理和炉衬蚀损机制对原始数据进行筛选和预处理生成了训练数据。根据LF精炼记录数据与钢包大修数据之间多对一的特点，修改了基于误差反向传播算法的神经网络参数的更新时间，采用Python与PyTorch建立了具备特定结构的钢包渣线处炉衬蚀损预测模型。通过对比使用了不同种类神经网络、不同神经网络层数、不同学习率与激活函数的预测模型在测试集上的表现结果，筛选出了表现最优异的预测模型。使用该模型在测试集上预测100炉次后的蚀损，95%的预测误差小于10mm。

来源：2023年第6期

《钢铁研究学报》期刊编辑部

查看钢铁研究学报杂志2023年第6期