铁水预处理脱硫模型研究进展与应用

01 研究背景

铁水预处理是复杂的渣-金-气的多相反应，伴随着复杂的物理变化和化学反应，各个反应参量之间存在极其复杂的非线性关系，因而对该过程的精准控制非常困难。传统的冶炼工艺设计主要依赖工程师的专业知识，通过实验试错的方式进行冶炼工艺设计，成本高且周期长，亟需通过变革研究方法加速生产工艺的优化设计。高精度的模型是保障铁水预处理脱硫过程精确控制的核心。本文针对铁水预处理脱硫模型研究展开综述，对现有的模型进行分类和总结，指出目前需要解决的关键问题。

02 国内外研究现状

目前针对铁水预处理脱硫过程广泛使用的模型包括：机理模型、统计回归模型、专家系统、机器学习模型。

1）机理模型铁水预处理脱硫过程的机理模型是基于物料平衡、热平衡以及冶金学原理，在一定的假设条件下，通过理论推导和反应方程式确定各变量之间关系，建立反应输入参数与输出参数之间关系的模型。研究者从脱硫反应机理出发，分析铁水状态和冶炼工艺参数之间的关系，研究了铁水预处理过程脱硫动力学模型、脱硫反应热力学驱动力模型、铁水温降与脱硫剂用量及铁水成分含量的对应关系模型等，模拟铁水脱硫过程成分含量以及铁水状态的演变。

在实际的铁水预处理过程中，机理模型的性能主要由操作工艺规程、铁水成分含量以及设备运行的稳定性来决定，目前的建模工作均对脱硫反应的热力学及动力学行为做了不同程度的简化。高炉铁水的状态复杂，生产过程中受到的干扰因素繁多，例如迸溅的铁水液滴、脱硫剂的粘附行为对脱硫效果的影响等，无法将其全部考虑到模型中；机理模型中的参数如铁水中元素的传质系数和铁水与脱硫剂的反应界面面积随时间的动态变化等难以确定，要从理论上求解相当困难；基于目前的探测技术，高温环境下实现对铁水与矿渣的精确组成配比以及铁水温度的波动等过程参数的直接测量难度很大。这些问题是阻碍机理模型发展的主要因素。

2）统计回归模型统计回归模型是基于观测数据构建的数学模型，拟合观测数据，并推断目标未知数据。回归模型的优势在于其参数具有解释性，可以帮助理解变量之间的关系及其影响的方向。由于铁水内部动态规律的复杂性以及目前研究程度的限制，部分情况下无法构建机理模型，近年来许多研究者将统计回归的思想应用于铁水脱硫过程的建模。其构造的统计回归模型主要依托脱硫剂单耗、脱硫工艺参数、铁水内元素含量等参数实现对终点脱硫率的回归分析。

对于铁水预处理过程，统计回归模型的局限性主要表现在以下两个方面：回归分析对一些假设条件较为敏感，如数据的正态性、同方差性等，对应铁水脱硫过程各类问题采用的假设条件和回归方法均不同，导致经验公式繁多且不一致；简单的回归模型难以适应铁水原材料及炉况的复杂变化，部分情况中预报精度不达标。因此，构造高精度的脱硫预报统计回归模型难度较大。

3）专家系统专家系统是一种基于知识的计算机系统，通过将专家的知识嵌入系统中，模拟专家的决策过程。在铁水预处理脱硫过程中，专家系统通过获取专家知识，利用推理机制进行问题求解，提供决策支持和智能化控制。通过专家系统对铁水预脱硫过程的模拟，可以实现脱硫过程的知识融合、监督生产的实时决策、系统故障的定位诊断和基于数据更新的自学习等。在生产应用中，许多研究者实现了脱硫剂配比用量的指导以及脱硫工艺参数的优化。例如可以通过铁水硫含量和目标硫含量等参数自动计算本炉喷吹时间、供镁速度等工艺参数。专家的合作程度、经验丰富度是影响专家系统预测效果的重要因素；每个专家给出的结论可能大相径庭，故开发一个严谨的专家系统困难且费时；专家系统的构造需要设计大量规则，但人为可考虑的范围总是有限的；专家系统解决问题的范围是特定的且不具备可移植性，模型面对超出知识库范围的问题预测性能将显著下降。因此，专家系统在钢铁冶金预报控制方面的应用和发展受到相应限制。4）机器学习模型随着Alpha Go、Chat GPT等人工智能模型的诞生，以数据为核心的智能化模型引起了研究人员的广泛关注。基于大量的铁水预处理过程数据，采用机器学习方法建立输入变量与输出变量之间的映射关系，可以不通过建立条件假设而只基于数据，将机理模型中无法包含的异构数据用于建模，从而在实际生产中实现更精确的预测。与其他模型相比，对于模拟铁水脱硫处理这一复杂的、非线性的生产过程，采用机器学习方法的人工智能模型具有更高的精度和适应性。构建铁水预脱硫机器学习模型可以用于有效指导脱硫剂的投放配比及添加量。吴思炜等利用深度学习算法预测KR机械搅拌脱硫过程石灰的利用率，将一维数据转为二维数据作为卷积神经网络的图像输入，采用贝叶斯优化算法寻找模型的最优超参数以提高模型性能。图1所示为模型的网络结构以及石灰利用率预测结果，采用3个卷积层的ReLU函数作为激活函数，卷积核数目分别设置为8、16和32，第一个全连接层中设置100个隐藏神经元，第二个全连接层设1个隐藏神经元。

针对铁水预处理脱硫过程建立机器学习模型，其建模效果最主要的影响因素是数据的规模和质量。数据采集不完备或者过多的异常值都会导致模型无法包含全面、准确的信息。此外，数据的时效性、数据的特征选择以及数据分布的多样性与均衡性等问题也会影响到建模效果，因此数据质量是影响机器学习模型建模效果的关键。

03 发展趋势展望

为满足铁水预处理精确控制的需求，该流程的模型应用围绕铁水预处理终点硫含量与脱硫率预测、铁水预处理工艺参数预测及优化模型、铁水预处理脱硫剂耗量与利用率预测不断深入研究，取得了一定成效。随着建模技术的发展，研究人员有望解决更多复杂情况下的建模问题，预计今后一段时间内的研究方向可能如下。

1）工业数据治理。工业生产数据包含了各个反应参量间的相关性规律和实际生产的规律，是模型的研究基础，获得能够真实反映铁水预处理过程生产规律的真实和全面的数据至关重要。在采集离线数据的过程中会由于各种问题导致实际生产数据出现缺失值、异常值、数据分布不均衡等问题，导致模型的准确性和鲁棒性较差。为了避免数据分析工作功亏一篑，应在建模前对数据进行适当的预处理。

2）机器学习模型中机器学习算法选择。目前国内外研究者将各类繁多的机器学习算法应用于铁水预脱硫过程，如何在众多算法中选择调用最适合于铁水预处理过程的机器学习模型成为值得研究的问题。此外，针对铁水预处理脱硫模型进行超参数优化的研究还较少，通常是凭借经验调整参数以使模型的“泛化误差+偏差”达到最小来保证模型的最佳预测性能。当多个超参数同时变化时，只能通过不断枚举或有限的超参数寻优方法来确定模型的最优超参数组合。由此可见，机器学习的算法选择和模型超参数的确定仍需耗费大量的时间，迫切需要一套科学有效的方法来快速寻找最优机器学习模型及其超参数。

3）数据加密问题。企业的生产数据反映了企业的核心技术，关系着企业产品的质量和科技竞争力。基于工业数据的机器学习模型需要采集大量的生产过程数据，企业对数据开放后的安全性存有疑虑。因此数据的加密处理是一个亟需优化的问题，开发可实现加密数据的建模方法，包括采用联邦学习系统等方式处理数据涉密问题，实现数据的“可算不可见”，也将是一个重要的发展方向。

4）机理模型的深度细化。针对铁水预处理过程深入理解脱硫反应机理，研讨脱硫热力学、动力学反应过程，建立数学量化模型。通过采用数学量化模型解释反应机理、细化反应流程，有助于更全面地理解铁水预脱硫过程部分参量间的相关性。因此，对反应机理的探究并将其量化是科研工作者一直追求的目标。

5）多种模型融合。无论是机理模型、统计回归模型、专家系统还是机器学习模型，各种模型均具有一定的局限性。实践表明在机理模型基础上，融合各个模型优势，引入数据驱动的方法加以补充，可以有效提高模型的预测精度。首先，机器学习模型可以考虑更多机理模型无法考虑的因素（如生产环境的变化、设备的使用状态等），提高模型在真实生产环境中的适应性。其次，机理模型中存在一些需要依靠实验和经验确定的参数，这些参数的确定需要辅助大量实验，耗费大量时间，模型应用至现场时还需根据现场环境进行人工调试。可以基于实际生产数据，结合智能优化方法快速自动获取最优参考值，节省时间的同时提高了模型在工业场景的适用性；此外，采用数据驱动方法建立机理模型的误差修正模型也是在工业数据建模中始终受关注的一个问题。综上所述，融合不同建模方法的优势进一步开发新的模型以提升模型的实用性、适用性与泛化能力是一个值得探索的研究方向。