中圖分類(lèi)號(hào)：TF53 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1003-5168（2025）07-0088-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.07.017

Study and Prediction of Blast Furnace Gas Flow Distribution and Compositon

CAO Shengfu （International Institute for Innovation，Jiangxi Universityof Scienceand Technology，Nanchang 330000， China）

Abstract：[Purposes] This study explores the impact of particle size on blast furnace gas flow distribution and develops a machine learning model for rapid prediction.[Methods] The research uses a coupled CFD-DEM approach to simulate gas flow and particle dynamics， while employing machine learning to create a predictive model for eficient gas flow forecasting.[Findings] The results show that larger particle sizes shift gas flow from the periphery to the center.The developed machine learning model was able to predict the internal gas distribution quickly and accurately.[Conclusions] The conclusions drawn from this study provide practical recommendations for industrial operations and offer a novel approach for constructing efficient predictive models for blast fumace gas flow distribution.

Keywords：blast furnace gas flow distribution; particle size; CFD-DEM coupling;machine learning; predictive model

0 引言

煤氣流分布對(duì)高爐煉鐵效率和質(zhì)量至關(guān)重要。合理分布優(yōu)化燃燒和還原過(guò)程，能夠提高熱效率，減少能耗和污染，并維持爐內(nèi)穩(wěn)定性，預(yù)防異常工況。機(jī)器學(xué)習(xí)能夠精準(zhǔn)預(yù)測(cè)和優(yōu)化煤氣流分布，提升自動(dòng)化和生產(chǎn)效率，推動(dòng)綠色冶金技術(shù)的發(fā)展。

目前已有許多研究關(guān)注高爐煤氣流分布。楊國(guó)盼等[1在鞍鋼七號(hào)高爐通過(guò)三層取樣裝置確認(rèn)煤氣流具有三次分布特征。陳生利等2通過(guò)調(diào)節(jié)煤氣流技術(shù)，將韶鋼高爐煤氣利用率提升至 4 7 % 。張存旺3總結(jié)了首鋼高爐的調(diào)控措施，有效調(diào)節(jié)煤氣流分布確保長(zhǎng)期穩(wěn)定運(yùn)行。鄧超群4通過(guò)優(yōu)化送風(fēng)和裝料制度，提高了羅源閩光高爐煤氣利用率。此外，張躍輝通過(guò)建立高爐冷態(tài)物理模型，分析了死料柱位置、軟熔區(qū)域形狀、鼓風(fēng)量和料層高度對(duì)煤氣流分布的顯著影響。奚旺等通過(guò)數(shù)值模擬分析提高球團(tuán)礦比例對(duì)高爐內(nèi)煤氣流和壓力場(chǎng)的影響，發(fā)現(xiàn)提高球團(tuán)比例會(huì)增大總壓差，抑制煤氣流速。在機(jī)器學(xué)習(xí)方面，肖東峰等開(kāi)發(fā)了基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的煤氣發(fā)生量預(yù)測(cè)模型。崔桂梅等[8結(jié)合FF-ARMAX和RFMLS-RELM算法，提高了煤氣流預(yù)測(cè)的準(zhǔn)確性，優(yōu)化了高爐運(yùn)行效率。趙彥兵通過(guò)支持向量回歸（SVR）模型進(jìn)行高爐預(yù)測(cè)?，F(xiàn)有研究顯著提升了高爐的運(yùn)行效率、經(jīng)濟(jì)性和環(huán)保性。結(jié)合先進(jìn)模擬技術(shù)與智能算法，有望進(jìn)一步提高高爐效率與穩(wěn)定性，推動(dòng)綠色冶金發(fā)展。本研究通過(guò)數(shù)值模擬分析粒徑變化對(duì)煤氣流分布的影響，并構(gòu)建了快速預(yù)測(cè)煤氣流分布的機(jī)器學(xué)習(xí)模型，以期為構(gòu)建高效的煤氣流分布預(yù)測(cè)模型提供新的思路，為實(shí)際生產(chǎn)提供優(yōu)化建議。

1機(jī)理模型

本研究采用CFD-DEM耦合方法，使用已驗(yàn)證的一種模擬高爐瞬態(tài)過(guò)程的顆粒尺度數(shù)學(xué)模型[10]。該模型整合了氣相與顆粒相（礦石和焦炭）的流動(dòng)特性、傳熱傳質(zhì)過(guò)程及主要化學(xué)反應(yīng)機(jī)制。以下將簡(jiǎn)要介紹該模型。

1.1顆粒相控制方程

顆粒相控制方程為式（1）至式（4）。

式中： 為顆粒的平移速度、角速度; 為轉(zhuǎn)動(dòng)慣量 和 分別表示彈性力和粘性阻力 為相互作用力； 為重力； 和 分別代表顆粒j作用在顆粒 i 上力矩分量。

1.2氣體相控制方程

氣體相控制方程為式（5）至式（8）。

式中： 為密度； 為體積分?jǐn)?shù)； 為氣體組分源相； u 為速度； p 是壓力； 為相互作用力， τ 為應(yīng)力張量； g 為重力加速度； 氣體溫度與比熱容； 為有效導(dǎo)熱系數(shù)； 為單位體積內(nèi)氣體與顆粒、壁面及環(huán)境輻射的換熱量； 為化學(xué)反應(yīng)熱； $C _ { m } ＼Lt ， S _ { m }$ 、 分別為化學(xué)組分 m 的濃度分?jǐn)?shù)、反應(yīng)源相、擴(kuò)散系數(shù)。

1.3 化學(xué)反應(yīng)模型

模型應(yīng)用的主要6個(gè)主要的化學(xué)反應(yīng)和反應(yīng)速率見(jiàn)表1。

2預(yù)測(cè)模型

3煤氣流分布及組分預(yù)測(cè)

梯度提升決策樹(shù)（Gradient BoostingDecisionTrees，GBDT）是一種集成學(xué)習(xí)方法，通過(guò)逐步加入決策樹(shù)來(lái)提升模型性能，每棵新樹(shù)修正前一棵樹(shù)的預(yù)測(cè)誤差。它基于梯度下降算法，通過(guò)最小化損失函數(shù)優(yōu)化模型.訓(xùn)練過(guò)程從簡(jiǎn)單模型開(kāi)始，計(jì)算殘差并訓(xùn)練新樹(shù)擬合誤差，經(jīng)過(guò)多次迭代直到滿(mǎn)足停止條件。GBDT具體模型結(jié)構(gòu)如圖1所示。圖1展示了數(shù)據(jù)流動(dòng)的過(guò)程，從特征輸入到每棵樹(shù)的訓(xùn)練，再到最終的預(yù)測(cè)輸出。每棵樹(shù)的預(yù)測(cè)結(jié)果會(huì)逐步改進(jìn)模型的準(zhǔn)確度，最終形成強(qiáng)模型。

3.1粒徑改變煤氣分布狀態(tài)

高爐煤氣流分布分為中心型、平坦型和雙峰型。中心型集中于爐心，可能導(dǎo)致加熱和還原不足；平坦型分布均勻但難以長(zhǎng)期維持；雙峰型在中心和邊緣形成雙高峰，促進(jìn)均勻加熱和還原，應(yīng)用廣泛。結(jié)果表明，當(dāng)粒徑從 3 0 m m 增至 3 5 m m 時(shí)，煤氣流由雙峰型轉(zhuǎn)為中心型.較大粒徑顆粒因慣性和重力集中于中心，增加中心流量，減少邊緣流量。粒徑增大降低煤氣對(duì)顆粒的曳力，顆粒沿重力下落，改變氣流路徑。合理控制粒徑可優(yōu)化煤氣分布，提高利用效率，增強(qiáng)高爐穩(wěn)定性和冶煉效率。

3.2煤氣組分預(yù)測(cè)

本研究采用（GBDT）模型預(yù)測(cè)高爐內(nèi) 的質(zhì)量濃度，并與機(jī)理模型對(duì)比。GBDT的預(yù)測(cè)結(jié)果如圖2所示。由圖2（a）可知，GBDT在 預(yù)測(cè)中表現(xiàn)優(yōu)異，決定系數(shù) 達(dá)到0.95，顯示出強(qiáng)大的預(yù)測(cè)能力。誤差分析發(fā)現(xiàn)軟熔帶區(qū)域偏差較大，可能與該區(qū)域煤氣流動(dòng)和化學(xué)反應(yīng)的復(fù)雜性有關(guān)，但整體誤差在可接受范圍內(nèi)。由圖2（b）可知，預(yù)測(cè)值與機(jī)理值高度相關(guān)，大部分點(diǎn)接近理想的 對(duì)角線(xiàn)，只有少部分點(diǎn)在軟熔帶區(qū)域有所偏離?？傮w而言，GBDT模型在高爐內(nèi) 濃度預(yù)測(cè)方面優(yōu)于傳統(tǒng)方法，具備較高的預(yù)測(cè)精度和擬合度。盡管軟熔帶區(qū)域存在一定誤差，但整體結(jié)果具有較高的實(shí)用價(jià)值。通過(guò)優(yōu)化模型參數(shù)并增加該區(qū)域的訓(xùn)練數(shù)據(jù)，未來(lái)有望進(jìn)一步提升預(yù)測(cè)精度，為高爐運(yùn)行優(yōu)化提供更可靠的支持。

4結(jié)論

本研究探討了粒徑變化對(duì)高爐煤氣流分布的影響，并構(gòu)建了基于GBDT的預(yù)測(cè)模型。結(jié)果顯示，粒徑增大則使煤氣流分布由雙峰型轉(zhuǎn)為中心型。GBDT模型在預(yù)測(cè) 濃度方面表現(xiàn)優(yōu)異，決定系數(shù) 達(dá)到 0 . 9 5 。研究為高爐操作優(yōu)化提供了理論支持，合理調(diào)整粒徑有助于提升煤氣利用效率和高爐運(yùn)行穩(wěn)定性。結(jié)合CFD-DEM模擬與機(jī)器學(xué)習(xí)方法，推動(dòng)了綠色冶金技術(shù)的發(fā)展，并為多尺度耦合問(wèn)題提供了創(chuàng)新解決方案。未來(lái)將優(yōu)化GBDT模型，結(jié)合更多數(shù)據(jù)并探索深度學(xué)習(xí)，以進(jìn)一步提升預(yù)測(cè)精度，促進(jìn)冶金行業(yè)的可持續(xù)發(fā)展。

參考文獻(xiàn)：

[1]楊國(guó)盼，馬樹(shù)涵，陳廣恩，等.大型高爐煤氣流分布的研究[J].鋼鐵，1984（1）：5-11.

[2]陳生利，余駿，秦躍林.韶鋼 1 0 5 0 m3 高爐合理煤氣流分布研究[J].冶金與材料，2022，42（4）：4-6，9.

[3]張存旺.首鋼長(zhǎng)鋼8號(hào)高爐煤氣流分布調(diào)控實(shí)踐[J].山西冶金，2022，45（7）：85-88.

[4]鄧超群.高爐爐內(nèi)煤氣流調(diào)整分析[J].四川冶金，2022，44（6）：23-26，31.

[5]張躍輝.高爐煤氣流分布影響因素的實(shí)驗(yàn)研究[J]遼寧科技學(xué)院學(xué)報(bào)，2022，24（4）：5-7，14.

[6]奚旺，王振陽(yáng)，張建良.高爐高球團(tuán)比冶煉的煤氣流流場(chǎng)與壓力場(chǎng)數(shù)值模擬[J].河北冶金，2024（10）：20-27.

[7]肖冬峰，楊春節(jié)，宋執(zhí)環(huán).基于改進(jìn)BP網(wǎng)絡(luò)的高爐煤氣發(fā)生量預(yù)測(cè)模型[J].浙江大學(xué)學(xué)報(bào)：工學(xué)版，2012，46（11）：2103-2108.

[8]崔桂梅，李靜，張勇，等.高爐鐵水溫度的多元時(shí)間序列建模和預(yù)測(cè)[J].鋼鐵研究學(xué)報(bào)，2014，26（4）：33-37.

[9]趙彥兵.高爐冶煉過(guò)程煤氣流的建模及其調(diào)控[D]秦皇島：燕山大學(xué)，2017.

[10]HOUQF，DIANYUE，KUANGS，etal.Atransient discrete element method-based virtual experimental blast furnace model[J].Steel Research International，2020.

（欄目編輯：陳萌萌）