一种含挥发组元炉渣实际成分及物性随时间变化的预测方法与流程

本发明涉及冶金技术领域，具体来说，是一种利用bp神经网络模型对含挥发组元炉渣的实际成分以及所对应炉渣的高温物性参数随时间变化规律进行预测的方法。

背景技术：

冶金炉渣成分及其物理化学性能对熔炼过程的温度控制、界面反应特性、夹杂物去除、甚至是熔炼过程顺行均息息相关。但是部分冶金炉渣组分具有易挥发特性，在高温条件下易挥发组分会随着时间持续挥发，会导致炉渣组分在熔炼中不断发生变化，进而引起炉渣物性参数的变化，并影响冶炼生产顺行。在炉渣高温性能测定中也会由于易挥发组分的大量挥发，导致最终测定的炉渣性能实际上并非对应设定的初始炉渣成分。这类问题在含易挥发组元渣熔炼和性能测定中普遍存在。近年来，随着直接炼铅新工艺逐渐成熟，研究者们对pbo-feox-cao-sio2-zno多元系物理化学性能与还原特性的关注倍增，相继取得了一些很有成效的研究结果。但对含pbo等易挥发分的炉渣进行高温物性测定时，不可避免地会造成易挥发组分挥发，导致炉渣成分发生不同程度的变化，所测数据实际上是炉渣组分变化后的物性参数，而并非是初始的炉渣成分设定值，而对已经变化了的实际组分并未做检测分析；另外，含氟连铸结晶器保护渣中一般常添加na2o、caf2、li2o、mgo、mno等添加剂来改善保护渣的物理化学性能，na2o、caf2在保护渣中起降低熔化温度和粘度的作用，但缺点是高温下易发生反应产生挥发性物质致使渣成分变化，导致炉渣组分与初始成分出现偏差，影响到渣性能；同理，电渣重熔过程中的含中、高氟渣系，高温下渣中的caf2会与其他组分反应生成挥发性气体，影响电渣重熔过程实际渣性能和生产顺行。综上，对含挥发组分炉渣，使用现有的炉渣性能测定方法不能解决炉渣物性与成分随时间变化的问题，高温停留时间越长，炉渣物性与成分的偏差越大，目前尚缺乏有效的解决办法。

人工神经网络(artificialneuralnetwork)简称神经网(nn)，它是模仿生理神经网络结构及功能的一种信息处理系统。其中，bp反向传播算法是在众多的神经网络模型中应用最广泛且较为完善的算法，由于其多种优势，因此在冶金行业得到广泛的应用，并且取得了良好的结果。因此本申请旨在利用bp神经网络模型在一定温度范围、加热时间(保温持续)条件下，对含挥发性组元炉渣的实际组分与其相关高温物性参数之间对应关系进行预测。

技术实现要素：

针对含挥发组元炉渣利用现有技术进行高温性能测定时存在的组分和性能随时间变化难以确定问题，本发明旨在提供一种含挥发组元实际炉渣实际成分及物性随时间变化的预测方法，该方法通过检测多组不同温度、时间条件下炉渣的实际成分与物性参数，从而获取建模条件及数据，并结合炉渣初始成分建立bp神经网络模型，对含挥发组元炉渣的实际组分及其相关高温物性参数的对应关系进行预测。

为实现上述技术目的，本发明采用的技术方案如下：

一种含挥发性组元炉渣实际成分及物性随时间变化的预测方法，包括如下步骤：

(1)对含挥发组元炉渣初始成分进行检测分析；

(2)在加热温度为600～1600℃，加热时间为0～300分钟的条件下，对步骤一中的含挥发性组元炉渣进行多组物性检测，获得炉渣在不同加热温度、加热时间条件下的物性参数测定结果；

(3)对步骤二中的相关炉渣立刻进行急冷处理至室温，并对该炉渣实际成分进行检测分析；

(4)根据步骤(1)确定的炉渣初始成分，以及步骤(2)、(3)的炉渣在不同加热温度、加热时间条件下获得的物性参数与炉渣实际成分，建立bp神经网络模型预测相应时间下的炉渣实际成分和物性参数对应关系，所述bp神经网络模型按照如下步骤建立：

(41)采集步骤(2)、(3)中不同加热温度、加热时间条件下的炉渣物性参数和实际成分作为样本数据，并进行归一化处理，将样本数据分为训练样本和测试样本；

(42)将炉渣初始成分、加热温度与加热时间作为bp神经网络模型的输入层，所需预测的炉渣实际成分和物性参数作为炉渣相应时间下bp神经网络模型的输出层；输入层和输出层之间设有一隐含层，确定隐含层单元数；

(43)选用随机数作为初始权值初始化所述bp神经网络模型，选择激活函数；

(44)将训练样本输入bp神经网络模型进行训练，计算输出层的预测结果，然后计算预测结果与步骤(3)所测结果之间的误差，判断输出误差是否达到要求或训练次数达到最大训练次数，若达到前述任一条件，则结束训练；否则调整各节点的权重后执行下次训练；

(45)训练结束后输入测试样本进行测试，计算并记录本次神经网络的预测结果，以及预测结果与实际数值之间的误差；

(46)调整隐含层的节点数，重建bp神经网络模型，重复第(43)至第(45)步；

(47)比较预测性能，选择最优的bp神经网络模型来进行预测。

进一步限定，所述炉渣包括含铅渣、含氧化钠渣、含挥发性氟化物渣以及含挥发性氯化物渣。

进一步限定，所述物性参数包括熔点、粘度、密度、表面张力、导电性以及导热性。

进一步限定，所述激活函数选取

进一步限定，所述训练样本采用traingdm算法进行训练。

在含挥发性组元炉渣实际成分的测定中，由于炉渣都要经历升温与保温的过程，这时易挥发组元不可避免的会进行持续性挥发，导致炉渣的实际成分处于不断变化中，高温条件下保持时间越长，组分产生的挥发越大，相应地性能测定偏差越来越大。

本申请提供的预测方法将时间作为变量条件考虑，通过对挥发后的高温炉渣进行急冷处理和检测分析测得准确的炉渣实际成分，并且通过建立神经网络模型，解决了含挥发组元高温炉渣组分随着时间不断变化而导致的高温性能测定时的测不准问题，得到一定温度条件下相应时刻的炉渣实际成分和物性参数的对应关系。

附图说明

图1含铅渣挥发后pbo含量预测模型的bp神经网络性能参数图；

图2含铅渣熔点预测模型bp神经网络性能参数图；

图3含铅渣粘度预测模型的bp神经网络性能参数图；

图4含铅渣挥发后pbo含量预测模型在180min时的预测值与实验值的对比图；

图5含铅渣挥发后pbo失重率预测模型在180min时的预测值与实验值的对比图；

图6含铅渣熔点预测模型的预测值与实验值的对比图；

图7含铅渣粘度预测模型在180min时的预测值与实验值的对比图。

具体实施方式

为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。

现行高温物性检测手段对含挥发组元炉渣进行测定过程中存在很大的结果偏差，原因在于高温下炉渣中的易挥发组分持续挥发导致炉渣实际成分一直处于变化中，因此所测物性参数数据实际上对应的是已经变化了的炉渣组分，而炉渣的实际组分在性能测定后并未进一步检测分析。通常是用初始炉渣组分对应的所测物性参数，这就存在炉渣成分和性能测定结果之间的不对应问题。

针对这一问题，本申请提出了一种能够利用bp神经网络预测含挥发组元的炉渣实际成分及物性随时间变化的方法，主要包括如下步骤：

s1：对含挥发组元炉渣(主要包括含铅渣、含氧化钠渣以及含挥发性氟化物渣和氯化物渣等)初始成分进行检测分析。

s2：在加热温度600～1600℃以及加热时间0～300分钟的条件下，对s1中的含挥发组元炉渣进行多组物性检测，得到在不同指定温度、持续加热时间条件下的炉渣的物性参数测定结果，该物性参数可以是炉渣的熔点、粘度、密度、表面张力、导电性或者导热性等。

s3：对s2中的相关高温炉渣立刻进行急冷处理至室温(20～25℃)，并对炉渣实际成分进行检测分析。

s4：根据s1确定的炉渣初始成分，以及s2、s3炉渣炉渣在不同加热温度、加热时间条件下获得的高温物性参数与炉渣实际成分的对应关系，建立bp神经网络模型来预测相应时间下的炉渣实际成分和物性参数对应关系。

上述bp神经网络模型建立方法如下：

s41：采集步骤s2、s3中一定加热温度、加热时间条件下的炉渣物性参数和实际成分作为样本数据，并进行归一化处理，将样本数据分为训练样本和测试样本。

s42：bp神经网络模型具有输入层和输出层，将炉渣初始成分、加热温度与加热时间作为bp神经网络模型的输入层，所预测的炉渣实际成分和物性参数作为炉渣相应时间下bp神经网络模型的输出层；输入层和输出层之间设有一隐含层，确定隐含层单元数。

s43：选用随机数作为初始权值初始化所述bp神经网络模型，选择激活函数。

s44：将训练样本输入bp神经网络模型进行训练，计算输出层的预测结果，然后计算预测结果与步骤s3所测结果之间的误差，判断输出误差是否达到要求或训练次数达到最大训练次数，若达到前述任一条件，则结束训练，否则调整各节点的权重后执行下次训练。

s45：训练结束后输入测试样本进行测试，计算并记录本次神经网络的预测结果，以及预测结果与实际数值之间的误差。

s46：调整隐含层的节点数，重建bp神经网络模型，重复s43至s45。

s47：比较预测性能，选择最优的bp神经网络模型来进行预测。

本预测方法可以适用于任何含挥发性组元炉渣不同时刻下炉渣高温物理化学性能和实际成分的预测。

下面通过具体实施例对本发明进一步描述：

以测定高铅渣在一定时间下的高温炉渣实际成分与所对应的熔点(半球法)和1250℃熔融状态下的粘度为例。经过大量实验验证，含铅渣的高温挥发过程主要是铅元素的损失，因此在实际操作过程中仅考虑pbo的挥发。

对不同feo/sio2和cao/sio2的高铅渣的初始成分与不同时刻下高铅渣的实际成分和所对应的熔点(半球点熔化温度)进行测定，如下表1。

表1

测过程选取a1～a9组数据作为训练样本，a10～a12组作为测试样本。

对不同feo/sio2和cao/sio2的高铅渣的初始成分与不同时刻下高铅渣的实际成分和此时所对应的1250℃熔融状态下粘度进行测定，如下表2。

表2

其中b1、b2、b3、b5组作为训练样本，b4、b6和b7组作为测试样本。

通过上述两表的数据建立模型：

输入层与输出层的选取：根据实验方案选取含铅炉渣的输入层组分为pbo、zno、feo、cao、sio2，加热时间t，对不同时刻下高温炉渣实际成分作为输出进行预测；对所对应的半球点熔点，对不同时刻下1250℃熔融状态下粘度作为输出层进行预测。

隐含层单元数的选取：通过多次试验后，铅渣隐含层单元数设为10。

激活函数的选取：

学习速率的选取：一般将学习速率选为在0.01～0.8之间，现对含铅渣训练过程中的学习速率选为0.1。

初始权值的确定：均选用随机数作为初始权值。

期望误差的选取：误差的选取一般是根据对比训练结果得出的。一般情况下我们可以通过对比不同期望误差值的网络进行训练，对比后综合考虑来确定，本方法选取1.0×10^-9。

样本的归一化处理：对样本数据采取无量纲归一化处理，使其提高网络的预测精度将训练的样本数据处理到0～1之间。

x’＝(xi-ximin)/(ximax-ximin)

其中，xi’为处理后的值；xi为原始数据值；ximax为数据的极大值；ximin为数据的极小值。

神经网络权阵采用traingdm算法训练，网络的隐含层单元数定为10，总误差设为1.0×10^-9。

图1为含铅渣挥发后pbo含量预测模型经过221次迭代后的bp神经网络性能参数图，图4、图5显示了对应迭代学习后预测值和实验值的对比图，最终完成训练误差分别对应为4.2469×10^-5。

图2为含铅渣熔点预测模型经过6000次迭代后的bp神经网络性能参数图，图6显示了对应迭代学习后预测值和实验值的对比图，最终完成训练误差分别对应为1.4524×10^-5。

图3为含铅渣粘度预测模型经过1947次迭代后的bp神经网络性能参数图，图7显示了对应迭代学习后预测值和实验值的对比图最终完成训练误差分别对应为1.5851×10^-9。

以下是对traingdm算法模型参数的设置语言：

net.trainparam.show＝20；//show—显示训练迭代过程间隔次数；

net.trainparam.lr＝0.1；//lr—学习速率；

net.trainparam.mc＝0.9；//mc—动量因子；

net.trainparam.epochs＝7000；//epochs—最大训练次数；

net.trainparam.goal＝1e^-9；//goal—目标误差；

将预测结果与实际结果进行比对，如下表3：

表3基于改进bp算法铅渣熔点和黏度的预测结果

由表3可知，挥发后pbo含量值的预测值最大误差为3.29％，最小为0.98％；熔点预测值最大误差为0.29％，最小为0.04％，粘度预测最大误差为2.70％，最小为0.98％，效果较好。

由此以上分析而知，本预测方法能够较好的预测含挥发组元高温炉渣不同时刻下的实际成分和物性参数，如果能够增加样本量提高训练效果，预测误差将会进一步减少。

以上对本发明提供的一种含挥发组元炉渣实际成分及物性随时间变化的预测方法进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。