神经网络法预测高炉炉缸内衬状态

论文摘要

高炉是钢铁生产整体流程中的重大设备。由于高炉炉缸长期受到物理作用和化学作用,因此内衬的侵蚀具有不可避免性,并具有不可观测性。一般情况下,在高炉炉衬侵蚀监测过程中只能得到高炉内衬中预埋的热电偶的温度值,以及大修时所得到的炉缸侵蚀的具体数据。所以是否能够全面地了解到高炉内衬的侵蚀情况,及时准确地掌握炉缸炉底、耐火材料的运行状态,从而正确地进行高炉操作,对保证炉缸安全和整个钢铁企业连续生产具有重要的技术经济意义。高炉内衬侵蚀状态的预测属于求边界的热传导反问题,即用热电偶的温度值来推导内衬侵蚀边界形貌。这个问题可以通过建立内衬侵蚀边界曲线与热电偶所测温度的对应的函数关系式来进行高炉内衬侵蚀状态的预测,但是很难写出具体函数表达式。因此,选用具有非线性映射能力的神经网络法来进行高炉内衬侵蚀状态的预测研究。通过对炉缸、炉底的传热过程作适当简化,建立计算模型。针对典型炉缸结构,按照多样性、丰富性、典型性构造一定数量侵蚀模式,并运用ANSYS系统作有限元传热自动求解,提取温度参数,形成“侵蚀模式-温度”数据库。建立针对炉缸内衬侵蚀的神经网络,并把“侵蚀模式-温度”数据库作为训练数据,通过选择合适的参数与训练方法,训练得到稳定的神经网络,从而利用神经网络建立一种测温点温度与侵蚀边界线上离散点坐标所对应的函数关系。根据实际测温点温度利用训练得到具有函数逼近和记忆功能的神经网络,预测内衬侵蚀边界。利用“侵蚀模式-温度”数据库的数据和实测温度数据对神经网络的预测精度进行了计算验证和影响精度因素的分析和讨论。其中,对神经网络预测得到的侵蚀边界再利用传热正解计算进行精度分析,具有实用意义。本文建立的炉缸内衬侵蚀的神经网络预测方法和技术,从仿真结果和验证结果来看,误差均在工程允许范围内,神经网络方法可以用于高炉内衬侵蚀预测。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景及意义
• 1.2 高炉内衬侵蚀的研究现状
• 1.2.1 高炉内衬侵蚀的检测技术现状
• 1.2.2 内衬侵蚀分析模型的基本类型
• 1.3 神经网络法在高炉生产上的应用
• 1.4 本课题的研究内容
• 第2章 神经网络法的基本理论
• 2.1 人工神经网络基础知识
• 2.1.1 神经网络法的发展历程
• 2.1.2 神经网络的优点及功能
• 2.1.3 神经网络的基本工作原理
• 2.1.4 神经网络的结构
• 2.1.5 神经网络的学习算法
• 2.2 BP神经网络
• 2.2.1 BP神经网络及函数逼近
• 2.2.2 BP神经网络学习算法
• 2.2.3 BP神经网络的设计原则
• 2.2.4 BP神经网络结构参数设计
• 2.3 神经网络与本课题的相关性及应用
• 2.3.1 神经网络求解传热反问题的可行性
• 2.3.2 基于神经网络的传热反问题研究
• 2.3.3 MATLAB神经网络工具箱
• 第3章 炉缸内衬侵蚀形貌样本库的建立
• 3.1 概述
• 3.2 传热方程及其选择
• 3.3 二维法的技术类型及选择
• 3.4 炉缸炉底二维模型的建立
• 3.4.1 炉缸炉底模型的简化处理
• 3.4.2 炉缸横截面侵蚀模型的建立
• 3.4.3 炉缸炉底轴截面侵蚀模型的建立
• 3.5 二维侵蚀边界的几何构造
• 3.5.1 边界构造的基本原理
• 3.5.2 侵蚀边界多样性,完备性,典型性的构造
• 3.6 炉缸二维传热的有限元法
• 3.7 ANSYS有限元分析
• 3.7.1 ANSYS有限元分析步骤
• 3.7.2 APDL语言
• 3.8 炉缸横截面与轴截面模型温度场的自动求解
• 3.8.1 炉缸内衬温度场有限元求解的APDL参数化设计
• 3.8.2 炉缸内衬侵蚀温度场的有限元求解结果
• 第4章 神经网络的训练
• 4.1 概述
• 4.2 网络训练过程中几种方法的试验和对比
• 4.2.1 数据样本构建时两种方法的对比
• 4.2.2 建立网络时两种不同训练函数的对比
• 4.3 炉缸炉底轴截面神经网络的训练
• 4.4 神经网络的仿真
• 4.4.1 炉缸横截面侵蚀边界的仿真
• 4.4.2 炉缸炉底轴截面侵蚀边界的仿真
• 第5章 神经网络法的数值验证
• 5.1 侵蚀形貌的预测
• 5.1.1 炉缸横截面侵蚀形貌的预测
• 5.1.2 炉缸炉底轴截面侵蚀形貌的预测
• 5.2 神经网络法的数值验证
• 5.2.1 炉缸横截面神经网络的数值验证
• 5.2.2 炉缸炉底轴截面神经网络的数值验证
• 第6章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 附录1
• 附录2
• 附录3
• 附录4
• 附录5
• 附录6