鋼水“脫氧合金化”收得率的預測模型研究

姜皓月

（山東科技大學，山東 青島 266590）

脫氧合金化是鋼鐵冶煉中的重要環(huán)節(jié)。通過控制煉鋼過程中加入的合金比例和種類，可以使不同鋼種在冶煉結(jié)束時具有某些特定的物理性能。本文將通過歷史數(shù)據(jù)對脫氧合金化環(huán)節(jié)建立數(shù)學模型，計算歷史收得率并分析影響其變化的因素，在線預測金屬收得率。

1 元素歷史收得率及影響因素的求解

1.1 影響因素模型的建立

脫氧合金化環(huán)節(jié)中的各種物質(zhì)反應十分復雜，元素種類、元素含量、鋼水溫度等等，都有可能會對最終的合金收得率造成影響，直接從微觀的元素物質(zhì)層面分析影響脫氧合金化的因素較為復雜。本文從宏觀出發(fā)，分不同鋼號，并計算每個爐號對應的歷史收得率。由此對脫氧合金化過程中C、Mn的收得率的影響因素進行分析。

影響Mn的加入量的物質(zhì)有硅鋁錳合金球、硅錳渣、硅錳合金（FeMn64Si27）、硅錳合金（FeMn64Si27）。根據(jù)所給的不同物質(zhì)中C和Mn的含量，可分別得到C、Mn元素的加入總量。由此可分別計算出C、Mn的歷史收得率：

計算可知C、Mn元素收得率基本維持在0.9左右。由于其他未知雜質(zhì)或未知因素的影響，模型的假設(shè)不能被完全滿足，數(shù)據(jù)中可能會出現(xiàn)極個別收得率大于1的情況，可以忽略其影響。在得到每個爐號的收得率之后，便可以利用主成分分析法得出收得率和各個影響因素之間的相關(guān)性。

主成分分析法操作步驟如下：

原始數(shù)據(jù)標準化處理，若觀測樣本數(shù)據(jù)的矩陣為：

計算相關(guān)系數(shù)矩陣：

求解相關(guān)系數(shù)矩陣的特征值：

根據(jù)得出的總方差解釋表、成分得分系數(shù)矩陣，選擇重要成分，寫出主成分表達式。

最后根據(jù)表達式得出主要影響因素，收得率與它們的相關(guān)性。

1.2 影響因素模型的求解

以鋼號為HRB400B的鋼材料為例，鋼號為HRB400B的鋼材料對C元素進行主成分分析可得：

HRB400B中C元素的收得率與連鑄正樣C、連鑄正樣Ceq_val的正相關(guān)程度較高。與石油焦增碳劑、碳化硅、轉(zhuǎn)爐終點C負相關(guān)程度高。以此為例可求出不同金屬中不同元素的收得率。C、Mn兩種元素的歷史收得率都和本身元素的連鑄正樣有較大程度的正相關(guān)關(guān)系，也與連鑄正樣Ceq_val、連鑄正樣V_val有一定的程度的正相關(guān)關(guān)系。

因此，若想要提高元素的收得率，可以從提高脫氧合金化之后的該元素的含量入手。而對于C、Mn元素而言，連鑄正樣Ceq_val、連鑄正樣V_val的值也對其收得率的提高有較為明顯的貢獻。

2 元素收得率的預測

2.1 神經(jīng)網(wǎng)絡(luò)模型的建立

一個簡單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：感知器。它包含兩種節(jié)點：幾個輸入結(jié)點，用來表示輸入屬性，一個輸出節(jié)點，用來提供模型輸出。原始BP神經(jīng)網(wǎng)絡(luò)算法存在著一些不足：收斂速度慢；往往收斂于局部最小點；數(shù)值穩(wěn)定性差，學習率、動量項系數(shù)和初始權(quán)值等參數(shù)難以調(diào)整。

改進后的Levenberg Marquardt算法基本步驟：

（1）選取初始點x0，取參數(shù)ε、μ0、γ1、γ2、η1、η2使 得 0＜ε＜1,μ0＞0，0＜γ1＜1＜γ2，0＜ η1≤ η2≤11，令k=0；

在確立了基本模型和相應算法之后，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱不同鋼號金屬的C、Mn歷史收得率數(shù)據(jù)，按照每個爐號的各種因素指標和對應收得率，導入MATLAB進行處理。

2.2 預測分析模型的求解

以鋼號為HRB400B的鋼材料中C元素收得率為例，神經(jīng)網(wǎng)絡(luò)模型結(jié)果如圖1所示。HRB400B鋼材料共有632個樣本，24個衡量指標。

圖1 HRB400B-C元素收得率神經(jīng)網(wǎng)絡(luò)訓練及測試結(jié)果

LM算法的神經(jīng)網(wǎng)絡(luò)模型學習HRB400B-C的指標數(shù)據(jù)后，除極個別點誤差較大外，其他驗證及測試得出的收得率預測結(jié)果基本維持在0.9左右，符合收得率應有預期。

3 結(jié)語

對于C、Mn的收得率的預測分析模型，首先要區(qū)分不同鋼號的鋼材料，然后借助基于LM算法的神經(jīng)網(wǎng)絡(luò)模型結(jié)合誤差糾正，可以較好的擬合出各種因素對C、Mn收得率的影響規(guī)律。