高级别管线钢冶炼关键技术分析

根据本课题组在国内多家钢厂高级别管线钢方面的系统取样研究和工艺调研,综合分析了管线钢中硫、磷、氮、氧、氢、夹杂物、窄成分冶炼以及铸坯质量控制的关键技术.管线钢生产中铁水预处理、转炉冶炼、精炼、连铸等炼钢过程的系统优化,以及结合高级别管线钢各元素控制的特点和要求的针对性技术系统集成是管线钢杂质元素和夹杂物控制的两个重要方面;采用新的夹杂物改性标准对高级别管线钢钙处理进行控制和加强非稳态浇铸期连铸工艺技术的改进是控制夹杂对管线钢性能危害的关键;连铸工序的工艺优化和完善的设备管理,以及精炼工艺的配合实现无缺陷铸坯生产是高级别管线钢质量稳定的重要保障.     

CaO-SiO_2 -Al_2 O_3 -MgO精炼渣氮行为

通过回归得到了氮容量CN与温度T和光学碱度Λ的关系公式,并解释了氮进入熔渣的两种机理.通过回归公式绘制了CaO-SiO2-Al2O3(wMgO=10%)渣系的等氮容量图.结果表明:相同氮容量渣系,随着钢液中[%Al]s增加,渣/钢间氮分配比LN增加;相同[%Al]s情况下,随着氮容量的增加,渣/钢间氮分配比显著增加.高氮容量渣在渣/钢界面上会有很高的脱氮能力,在冶炼超低氮钢(w[N]<3×10-5)时,熔渣是进行脱氮和防止增氮的重要环节.     

脱磷转炉脱磷渣FeO预报模型

为提高"全三脱"工艺脱磷转炉的脱磷效率、降低钢铁料的消耗,基于氧平衡机理模型,采用Levenberg-Marquardt神经网络优化算法,建立了脱磷转炉脱磷渣FeO预报模型。将氧平衡机理模型计算的氧化物(FeO,CaO,SiO_2,MgO,MnO,P_2O_5,Al_2O_3)质量和出钢温度作为输入项导入神经网络工具箱,训练成误差最小化的网络。结果表明,FeO预测值与实测值相对误差在10%以内的炉次达到85%。建立的模型具有较高的预报命中率,可为现场生产提供理论依据。