Науковий вісник НГУ

Модель оптимального управління параметрами завантажування шихтою металовідновлювальних установок

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №6 2024

Останнє оновлення: 28 грудня 2024

Опубліковано: 30 листопада -0001

Перегляди: 125

Authors:

Б.І.Мороз*, orcid.org/0000-0002-5625-0864, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Г.Г.Швачич, orcid.org/0000-0002-9439-5511, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

А.М.Селегей, orcid.org/0000-0003-3161-5270, Український державний університет науки і технологій, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

M.А.Крекотень, orcid.org/0009-0005-3952-0833, Український державний університет науки і технологій, м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

І.Г.Олішевський, orcid.org/0000-0001-8573-3366, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Б.У.Жаманбаєв, orcid.org/0000-0001-9027-9540, Євразійський національний університет імені Л.М.Гумільова, м. Астана, Республіка Казахстан, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2024, (6): 129 - 135

https://doi.org/10.33271/nvngu/2024-6/129

Abstract:

Мета. Основна мета дослідження полягає в тому, щоб при оптимізації процесу завантаження доменної печі враховувати одночасно два основних чинники. Перший – максимізація використання відновлювального потенціалу газів у «сухій зоні» доменної печі, що дозволяє підвищити ефективність процесу відновлення рудних матеріалів. Другий – підвищення продуктивності плавки шляхом оптимізації температурних режимів і рівномірного розподілу шихти по колошниковому простору, що забезпечує стабільність роботи печі. Досягнення балансу між цими чинниками є критично важливим для підвищення загальної ефективності доменного виробництва.

Методика. У процесі дослідження був використаний регресійний аналіз для дослідження кількісних залежностей між ступенем використання відновлювальних газів і показниками ефективності доменної плавки. Оцінка результатів дозволила створити прогнозну модель для визначення основних характеристик процесу.

Результати. У результаті дослідження була створена прогнозна модель для визначення основних характеристик процесу доменної плавки. Аналіз проводився на основі експериментальних даних, отриманих із промислових доменних печей з урахуванням різних режимів завантаження й розподілу сировини.

Наукова новизна. Розроблена модель є новим підходом до оптимізації керуючих впливів на завантаження доменної печі з урахуванням динамічної зміни рудного навантаження. Це дозволяє враховувати поточні зміни технологічних параметрів й оперативно вносити корективи у процес плавки. Такий підхід дає можливість покращити техніко-економічні показники процесу та ефективно прогнозувати його подальший розвиток.

Практична значимість. Запропонована методика керування процесом завантаження забезпечує більш точний контроль за використанням відновлювальних газів і ефективність їх впливу на руду. Це призводить до зниження втрат палива, зменшення екологічного навантаження, а також підвищення загальної продуктивності доменної печі за рахунок оптимізації газодинамічних процесів.

Ключові слова: доменна піч, рудне навантаження, колошниковий простір, ступінь використання, відновлювальні гази

References.

1. Wang, K., Zhou, H., Si, Y., Li, S., Ji, P., Wu, J., Zhang, J., Wu, S., & Kou, M. (2022). Numerical analysis of natural gas injection in Shougang Jingtang blast furnace. Metals, 12(12), 2107. https://doi.org/10.3390/met12122107.

2. Takeuchi, N., Iwami, Y., Higuchi, T., Nushiro, K., & Oyama, N. (2013). Evaluation of sinter quality for improvement in gas permeability of blast furnace. Tetsu to Hagane, 99, 448. https://doi.org/10.2355/tetsutohagane.99.448.

3. Bai, X., Wang, L., & Huang, Y. (2022). Review on the development of blast furnace condition identification based on blast furnace gas flow distribution. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 5(3), Article 110. https://doi.org/10.1145/3495018.3501109.

4. Dang, J., & Chou, K. (2018). A model for the reduction of metal oxides by carbon monoxide. ISIJ International, 58(3), 630. https://doi.org/10.2355/isijinternational.ISIJINT-2017-630.

5. Murakami, T., Nishimura, T., Tsuda, N., & Kasai, E. (2013). Quantitative analysis on contribution of direct reduction of iron oxide in carbon composite. ISIJ International, 53, 1763. https://doi.org/10.2355/isijinternational.53.1763.

6. Gao, Y., Xie, H., Sun, C., Qin, M., Wang, K., & Shao, Z. (2024). Thermodynamic feasibility of chemical looping CO production from blast furnace gas based on Fe-Ca-based carriers. Processes, 12(9), 1965. https://doi.org/10.3390/pr12091965.

7. Shim, Y.-S., & Jung, S.-M. (2018). Conditions for minimizing direct reduction in smelting reduction iron making. ISIJ International, 58(3), 479. https://doi.org/10.2355/isijinternational.ISIJINT-2017-479.

8. Yamada, H. (2020). Amine-based capture of CO₂ for utilization and storage. Nature, 20, 400. https://doi.org/10.1038/s41428-020-00400-y.

9. Zhou, H., & Wu, P. (2019). A comparison study of subspace identification of blast furnace ironmaking process. Journal of Chemical Engineering of Japan, 52(4), 135. https://doi.org/10.1252/jcej.19we135.

10. Ueda, S., Natsui, S., Nogami, H., & Yagi, J. (2010). Recent progress and future perspective on mathematical modeling of blast furnace. ISIJ International, 50(7), 914-923. https://doi.org/10.2355/isijinternational.50.914.

11. Gao, J., Feng, Y., Feng, D., & Zhang, X. (2021). The effects of interactions between multiple blast furnace slag particles on crystallization characteristics. International Journal of Heat and Mass Transfer, 122, 374. https://doi.org/10.1016/j.ijheatmasstransfer.2021.122374.

12. Cavaliere, P., & Perrone, A. (2012). Analysis of dangerous emissions and plant productivity during sintering ore operations. Ironmaking & Steelmaking, 39(8), 606-612. https://doi.org/10.1179/1743281212Y.0000000019.

13. Muravyeva, I. G., Togobitskaya, D. N., Semenov, Y. S., Ivancha, N. G., Belkova, A. I., Shumelchik, Y. I., & Stepanenko, D. A. (2019). Intelligent systems support for making decisions for blast furnace smelting management: New approaches: monograph. Kyiv: Naukova Dumka . ISBN 978-966-00-1682-8.

14. Li, Z.-N., Chu, M.-S., Liu, Z.-G., & Li, B.-F. (2020). Prediction and optimization of blast furnace parameters based on machine learning and genetic algorithm. Journal of Northeastern University Natural Science, 41(9), 1262-1267. https://doi.org/10.12068/j.issn.1005-3026.2020.09.008.

15. Li, M., Wei, H., Ge, Y., Xiao, G., & Yu, Y. (2020). A mathematical model combined with radar data for bell-less charging of a blast furnace. Processes, 8(2), 239. https://doi.org/10.3390/pr8020239.

16. Yakeya, M., Kasai, A., Tadai, R., & Nozawa, K. (2019). Gas permeability improvement mechanism at the blast furnace cohesive zone by mixed coke charging in ore layer and effect of coke mixing for different cohesive zone condition on gas permeability. ISIJ International, 59(7), 699. https://doi.org/10.2355/isijinternational.ISIJINT-2019-699.

17. Liu, Zh.-J., Zhang, J.-L., & Yang, T.-J. (2015). Low Carbon Operation of Super-Large Blast Furnaces in China. ISIJ International, 55, 1146. https://doi.org/10.2355/isijinternational.55.1146.

18. Shvachych, G., Mamuzich, I., Мoroz, B., Aleksieiev, M., Hulina, I., & Myronenko, M. (2023). Mathematical modeling of pipes production fo ast based on polynomial regression analysis (pra). Metalurgija, 62(2), 299-302.

19. Shvachych, G., Mamuzich, I., Selegej, A., Moroz, B., Kadylnykova, T., Pobochii, I., Moroz, D., & Friman. Y. (2024). Load control operational correction of a blast furnace based on the correlation models. Metalurgija, 63(3-4), 333-336.

• < Попередня
• Наступна >