随着钢铁工业长期高速发展,可供应的铁矿石品位不断下降。为了缓解原料供应紧张的局面,一些有害元素高、铁矿品位低的资源和含铁固废也应用到了烧结工艺中,导致烧结原料种类多、成分不稳定。烧结矿作为高炉炼铁的主要炉料,原料成分波动对其生产指标和烧结产品的稳定性有很大影响。尽管基于烧结杯或高温模拟实验的研究能得出不同铁矿石的基础特性,以及不同原料配比对成品矿性能影响的规律,但配矿实验属于试探性方法,盲目性较大,需要耗费大量的人力、物力和时间,不能实现掌握成分波动对烧结矿性能影响的快速响应。因此,有必要根据烧结相关影响因素建立预测模型,在原料成分波动时能及时反馈烧结矿质量的变化,有利于稳定烧结生产和提高烧结矿质量。实际生产过程中为了保证烧结厂运行稳定,在一定时间内,烧结原料成分波动不大,过程工艺参数基本不变,烧结矿性能稳定,导致数据分布集中。另外,烧结原料成分与成品矿性能检测过程存在大时滞性,导致系统输入与输出之间的关系不能很好的对应。而且现场可能出现异常工况等问题,导致采集的数据存在较大的噪音。故本课题首先搜集国内外文献中具有较高可信度的烧结实验数据,建立了烧结矿成分和性能指标数据的样本库。本文利用人工神经网络耦合FactSage热力学计算的方法,提取了热力学平衡态条件下烧结过程生成的液相量和尖晶石量,建立了基于烧结机理的烧结矿转鼓指数、成品率和低温还原粉化率预测模型。与直接利用工厂生产数据以及利用样本库数据仅采用BP神经网络建立预测模型相比,基于烧结机理的神经网络模型对数据的拟合能力以及模型的泛化性能更优越。首先以烧结矿主要成分Fe O、Al₂O₃、Mg O、Ca O、Si O₂和Fe₂O₃含量作为输入变量,以热力学平衡态条件下烧结过程生成的液相和尖晶石的质量为输出变量,建立了神经网络结构为6-22-17-2的烧结过程物相生成预测模型。模型测试集上的输出液相和尖晶石的质量均方误差分别为0.23和0.10,表明模型能够准确预测出烧结过程理论生成的物相量;模型训练集上的输出液相和尖晶石的质量决定系数R~2分别为0.9984和0.9993,表明预测值对实际值有很高的解释程度;测试集上的决定系数分别为0.9983和0.9992,与训练集结果差异很小,表明模型泛化能力良好。以热力学平衡态条件下烧结过程生成的液相量和尖晶石量结合实际点火温度和配碳量作为为输入变量,分别建立了神经网络结构为4-13-8-1、4-5-3-1和4-14-1的烧结矿转鼓指数、成品率和低温还原粉化率预测模型。模型训练集上的均方误差分别为6.07、2.27和14.23,决定系数R~2分别为0.90、0.97和0.66,模型测试集上的均方误差分别为19.25、2.44和16.95,决定系数R~2分别为0.80、0.96和0.64,模型测试集与训练集结果差别不大,说明模型具有良好的非线性拟合能力和泛化能力,能根据烧结矿的化学成分及烧结工艺参数准确预测出烧结矿相关性能指标。利用建立的模型探讨了烧结矿化学成分变化对其性能的影响,在设定范围内,模型得到的化学成分变化对烧结矿强度和低温还原粉化率的影响规律与较为公认的实验研究结论基本吻合。Fe O含量和Mg O含量升高不利于烧结过程液相生成,导致烧结矿转鼓指数下降,但有利于抑制低温还原粉化现象;提高Ca O含量有利于烧结过程液相的生成和烧结矿转鼓强度的改善,对烧结矿低温还原粉化现象的影响存在峰值;Al₂O₃含量、Si O₂含量和Fe₂O₃含量过高会导致烧结矿性能恶化。论文提出的研究方法具有实用性,研究成果对烧结试验和生产具有一定的指导作用。