熔剂性球团生球性能预测及优化模型研究.pdf

Jun.2023Sintering and Pelletizing2023年6 月No.3Vol.48球团结烧第3期第48 卷熔剂性球团生球性能预测及优化模型研究刘卫星la,lb，陈太龙b.le，付之珍1bl，肖洪”，李杰b（1华北理工大学a.综合测试分析中心；b铁矿石优选与铁前工艺智能化河北省工程研究中心；c.理学院，河北唐山0 6 30 0 9;2.唐山钢铁集团有限公司，河北唐山0 6 30 0 9）摘要：本文采用造球试验，研究了碱度（R）、w(S i O 2）、w（M g O）对熔剂性球团成球率、生球爆裂温度、抗压强度、落下强度的影响规律，并基于BP神经网络建立了生球性能预测优化模型。研究结果表明：制备熔剂性球团时,R控制在0.6 1.4之间、w(Si02)控制在3.5%5.0%之间、w（M g 0)控制在1.8%2.6%之间，造球的成球率均在90%以上；混合料中细粒级部分占比的增多会使生球爆裂温度升高、抗压强度与落下强度均先增大后减小；模型预测造球成球率、生球爆裂温度、抗压强度、落下强度的平均绝对百分比误差（MAPE）分别为2.6 4%、5.0 9%、5.75%、11.19%，预测精准度能够满足冶金行业预测误差要求，可实现生球性能的精准预测；试验研究结合模型预测得出，当混合料的碱度为1.0、w（S i 0,）为5.5%、w（M g 0）为1.8%时生球的各项性能最佳。关键词：熔剂性球团；成球率；爆裂温度；强度；BP神经网络中图分类号：TF046.6文献标识码：A文章编号：10 0 0-8 7 6 4(2 0 2 3)0 3-0 0 9 1-0 8doi:10.13403/j.sjqt.2023.03.045Research on prediction and optimization model of fresh pelletperformance for fluxed pelletsLIU Weixinggla,lb,CHEN Tailongg,lb,le,FU Zhizhenhnl.e,XIAO Hong,LI Jielth(1.a.Comprehensive Test and Analysis Center;b.Hebei Engineering Research Center of Iron Ore Optimization andIron Pre-Process Intelligence;c.Faculty of Science,North China University of Science and Technology,Tangshan 063009,Hebei,China;2.Tangshan Iron and Steel Group Co.,Ltd.,Tangshan 063009,Hebei,China)Abstract:The influence of alkalinity(R),w(SiO,)and w(MgO)on the granulation ratio,fresh pellets decrepitationtemperature,compressive strength and falling strength of the fluxed pellets is studied by a pelletizing experiment,and aprediction and optimization model of the fresh pellet performance is established based on the BP neural network.The resultsshow that,when preparing fluxed pellets,R is controlled between 0.6 1.4,w(Si0,)is controlled between 3.5%5.0%,w(Mg0)is controlled between 1.8%2.6%,and the resulting granulation ratio is above 90%.The increase of theproportion of fine-grained parts in the compound will increase the decrepitation temperature of the fresh pellets,increase thecompressive strength first and then decrease,and increase and then decrease the falling strength.The average absolutepercentage errors(MAPE)of the model predicting the spherical granulation ratio,fresh pellets decrepitation temperature,compressive strength and falling strength are 2.64%,5.09%,5.75%and 11.19%,respectively,and the predictionaccuracy could meet the requirements of the prediction error of the metallurgical industry and realize the accurateprediction of the performance of the fresh pellets.Combined with experimental research and model predictions,it isconcluded that the performance of the fresh pellets is the best when the alkalinity of the compound is 1.O,w(SiO,)is5.5%,and w(Mg0)is 1.8%.收稿日期：2 0 2 2-0 6-12；修回日期：2 0 2 2-0 7-2 2基金项目：国家自然科学基金资助项目（519 7 4131）；河北省杰出青年科学基金资助项目（E2020209082）。作者简介：刘卫星（19 8 5一），男，副教授，从事烧结球团智能制造、矿物结构特征定量化表征、钢铁大数据深度挖掘及建模、冶金资源高效利用等方面的研究。92团球第3期第48 卷结烧Key words:fluxed pellets;granulation ratio;decrepitation temperature;strength;BP neural networks随着我国经济高速发展和科技进步，钢铁行业进人了减量去产能新阶段。当前，中国钢铁的主要发展目标是减少过剩产能、推进钢铁产业“九化协同，提高在全球钢铁行业中的地位1。另外，国家提出“碳达峰碳中和”战略，钢铁企业积极响应国家政策，加快产业结构调整2 。而优化高炉炉料结构，提高球团矿人炉比例，对实现钢铁产业节能降耗、绿色发展有重要意义3。由此，国内外众多学者对熔剂性球团开展了大量研究工作。乔波等4 研究发现，在智利精矿比例固定的前提下，分别配加澳精矿、乌精矿、秘鲁精矿3种铁精矿，混合配料后的双矿粉生球抗压强度、成球性明显比单种矿粉生球抗压强度、成球性高。李杰等5 研究了w（S i O,）对镁质熔剂性球团质量的影响，结果表明w（S i O,）增加有利于成球率、爆裂温度的升高，而生球落下强度以及抗压强度略有降低。韩阳等6 通过建立球团原料成分，包括Si、M g、Ca 与焙烧后的球团抗压强度之间的定量关系，实现了在球团配比可调控的前提下预测熟球的抗压强度。另外，还有许多学者研究发现，w（M g O)对氧化性球团或熔剂性球团冶金性能具有促进效果，但添加量需要控制，不宜过多7-10 。熔剂性球团制备工艺的研究虽已十分成熟，但如何利用数学模型预测球团的相关性能还需加大研究。鉴于尹学等 建立 GA-PSO-BP神经网络预测模型，预测烧结终点位置，均方根误差为0.0 0 3、平均绝对误差为0.0 0 1，预测效果较为良好。鉴于此，本文在采用造球试验研究造球混合料的碱度（R）、w（S i O,）、w（M g O）、细粒级占比等因素对成球率、生球爆裂温度、抗压强度、落下强度影响的基础上，借助数学建模方法构建影响因素R、w（S i O,）、w（M g O）、细粒级占比)与生球性能（成球率、生球爆裂温度、抗压强度、落下强度）的优化预测模型，以小比例熔剂性球团矿的测试结果进行反复试验改进，以期为实现大数量熔剂性球团性能的精准预测提供依据。1试验原料与方法1.1试验原料试验用造球原料来自唐山地区某钢厂，铁精粉、熔剂及黏结剂的主要化学成分及其物理化学性能见表1 5。由表14中数据可知，庙沟粉、研山粉为高硅磁铁精粉，伊朗粉为低硅磁铁精粉。庙沟粉、研山粉粒度明显比伊朗粉细，其他杂质质量分数少，3种磁铁精粉中0.0 7 4mm以下的颗粒占比分别为8 3.6%、7 7.7%、43.8 0%。钙镁熔剂包括石灰石粉、轻烧镁粉，二者粒度中0.0 7 4mm的占比均较高，可满足制备球团的要求，这为研究熔剂性磁铁矿球团提供了良好的原料条件。表1原料主要化学成分及烧损（质量分数）Table1Main chemical composition and burning loss of raw materials%原料名称TFeFeOSi02CaoMgOAl,0,K20Na,0ZnMnCuCrNi烧损庙沟粉66.5627.985.460.250.561.380.060.050.005 10.050.0020.0050.002-3.06研山粉66.4524.566.310.150.260.840.070.010.001 00.060.0010.0240.001-2.48伊朗粉66.3824.783.160.730.690.580.120.160.0560-2.41石灰石3.2249.920.541.1644.04轻烧镁粉5.921.7083.640.996.96膨润土56.234.592.5612.1211.92表2膨润土物理性能及烧损Table2Physical properties and burning loss of bentonite质量分数/%吸蓝量/(molg)膨胀指数/%胶质价/mL(15g)-蒙脱石水分烧损27.8519.67335.0063.0015.0018.1193刘卫星，等：熔剂性球团生球性能预测及优化模型研究2023年第3期表3原料的粒度组成（质量分数）Table3Particle size composition of rawmaterials%原料名称0.015,1.00mm0.074,0.015)mm0.045,0.074mm0,0.045mm0,0.074mm庙沟粉1.514.969.913.883.7研山粉0.621.758.019.777.7伊朗粉3.952.340.73.143.8石灰石1.481.413.43.817.2轻烧镁粉0.141.448.89.758.5膨润土0.05.621.872.694.4表4铁矿粉物相组成（质量分数）Table4Phase composition of ironorepowder%铁矿粉MFeCFeSFeOFeSiFe庙沟粉65.460.0850.0300.440.25研山粉63.620.1700.3401.930.40伊朗粉63.150.1800.0602.900.30注：MFe为磁铁矿，CFe为碳酸铁，SFe为硫化铁，OFe为赤褐铁，SiFe为硅酸铁。此外，由表5中数据可知，所有造球原料的分子水平均分布在9%左右。毛细水质量分数从高到低分别是石灰石粉、白云石粉、庙沟粉、研山粉和伊朗粉。膨润土与水接触时，由于亲水性较强且内部会形成胶状物质，阻碍持续吸水，所以不能准确测量出膨润土的最大毛细水质量分数。铁矿粉的毛细水迁移速率明显高于熔剂，其中研山粉的毛细水迁移速率最高、庙沟粉次之、伊朗粉最低。两种熔剂的毛细水迁移速率差别不明显。从单种矿粉来看，其成球性指数都较高，均适合造球。表5原料水分测定Table5Rawmaterial moisturemeasurement原料最大分最大毛毛细水迁移速成球性名称子水/%细水/%率/(mmmin-1)指数/%研山粉9.2618.737.3098.00庙沟粉9.2718.966.9096.00伊朗粉8.6817.676.5094.00轻烧镁粉8.8923.840.99石灰石9.7124.620.87膨润土10.00一1.2试验方法试验一共分为两个部分，第一部分是使用铁矿粉造球及其生球性能检测，第二部分主要融合数据处理以及预测模型，侧重点各不相同。1.2.1铁矿粉造球采用50 0 mm150mm圆盘造球机进行造球实验，并进行生球落下强度、抗压强度、爆裂温度、成球性指数等相关性能检测，具体测定方法可参考文献12 。1.2.2数据处理及生球预测模型（1）造球混合料粒度数据处理。为研究混合料中细粒级占比对生球性能的影响，对不同w(SiO,）、R、w（M g O）的造球混合料粒度数据进行处理，粒度计算公式如式（1）所示。6Z;=a:b:(j=1,2,15)(1)=1式中，设a；为第i种原料粒度小于0.0 7 4mm所占的质量分数,%；其中，i=1、2、6。b,为第j个制备条件下第i种原料在调节生球制备过程中的百分占比；z；为在第j个制备条件下粒度小于0.074mm混合料的质量分数，z,在j=1、2、15（其分别表示：R为1.0、Mg0质量分数为1.8%时，Si02质量分数为3.5%、4.0%、4.5%、5.0%、5.5%；S i 0 2 质量分数为5.5%、Mg0质量分数为1.8%时，R为0.6、0.8、1.0、1.2、1.4；S i 0,质量分数为5.5%、R为1.0 时，Mg0质量分数为1.8%、2.0%、2.2%、2.4%、2.6%共15个制备条件）。（2）数据优化扩增方法。由于造球试验数据量有限，但是在数据建模及模型训练过程中需要大量数据训练、验证和测试模型，需要将已有的试验数据进行合理化扩增优化，对每组试验数据产生符合高斯分布的随机数据，扩增公式如式(2)所示，扩增后的原始数据成正态分布131(-x2/2)f(x)=(2)/2T公式（2）为正态分布概率密度函数，式中：f(x)为随机变量x的频数；x为随机变量的取值94球团第3期第48 卷结烧（指已有造球试验数据）。（3）建模方法及原理。研究中采用BP神经网络方法建模，分析R、w（S i O,）、w（M g O）、混合料中粒度小于0.0 7 4mm的质量分数对生球成球率、抗压强度、落下强度、爆裂温度的影响规律。因此，定义自变量碱度为x1、w（S i O,）为x2、w（M g 0）为x3、混合料中粒度小于0.0 7 4mm的质量分数为x4，生球成球率为y1、爆裂温度为y2、抗压强度为y3、落下强度为y4，模型结构如图1所示。RX成球率爆裂w(SiO2)/%入熔剂性温度/生球性能预测模型抗压强度W(MgO)/%C(NP-1)W(粒度0 落下强度0.074mm)/%(NP-T)输入层输出层图1熔剂性生球性能预测模型Fig.1Prediction model of fluxed green pellet properties生球性能预测及优化模型共建立了3层的BP神经网络，根据经验公式将隐含层节点数在12 0之间遍历，其中，隐含层节点的转移函数选择logsig，输出层节点转移函数选择purelin，训练函数选择trainbr，如式（4)所示。rmVn+i+m=log2n(3)In=nl式中：m表示隐含层节点数，无量纲；n表示输人层节点数，无量纲；l表示输出层节点数，无量纲；表示1 10 之间的常数。1.3试验方案试样采用单因素变量法进行研究，R、w（S i O z）、w（M g O）为自变量，生球成球率、抗压强度、落下强度及爆裂温度为因变量，具体配料方案见表6。表6试验配料方案Table 6Batching scheme of the experiment质量分数/%编号Rw(Sio,)w(MgO)研山粉庙沟粉伊朗粉轻烧镁粉石灰石膨润土10.65.01.810.071.48.38.01.60.720.85.01.810.069.48.37.83.80.731.05.01.810.067.48.37.66.00.741.25.01.810.065.58.37.48.10.751.45.01.810.063.68.37.210.20.761.03.51.810.027.853.14.83.60.771.04.01.810.037.941.75.54.20.781.04.51.810.047.930.46.24.80.791.05.51.810.067.48.37.66.00.7101.05.02.010.067.38.26.66.60.7111.05.02.210.067.18.07.66.00.7121.05.02.410.067.07.88.65.40.7131.05.02.610.066.97.59.64.80.72结果与分析2.1生球性能测试结果分析按照上述试验方案进行造球试验并测定成球率、生球抗压强度与落下强度、爆裂温度等性能，结果见表7。由表7 数据可知，随着混合料R提高，成球率提高，且均在9 4%左右；混合料中细粒级部分增多，生球密度增大球团表层的拉应力超过极限抗拉强度，爆裂温度降低。并且随R升高，生球抗压强度和落下强度先上升后下降，在1.0 时达到最大值为14.7 1N/P。因为当R为1.0 时，混合料的毛细水迁移速率达到最大值，毛细水迁移速率最大，造球时混合料内部提供的分子黏结力和毛细力最高，生球的抗压强度和落下强度最大。同时，随着w（S i O,）提高，成球率提高，且95刘卫星，等：熔剂性球团生球性能预测及优化模型研究2023年第3期表7生球性能数据Table 7Green pellets performance data编号w(0.074 mm)/%成球率/%爆裂温度/抗压强度/(NP-I)落下强度/次(0.5m)-1176.7193.7050211.372.91275.3094.6044713.723.02373.6094.2040514.713.95472.5594.5040214.013.15571.2095.2039111.762.86658.3693.5053010.523.23762.3292.1048011.933.32866.2494.9043212.273.96970.0991.6043113.123.741073.2893.4042112.053.271173.5191.204529.113.111273.8292.704769.022.931374.0993.104879.212.32均在9 0%以上，爆裂温度降低。结合原料的粒度组成，w（S i O,）升高混合料中细粒级部分增加，生球密度增大；高温条件下，生球表面水分蒸发比中心快，收缩量大，球团表层的拉应力超过极限抗拉强度，球团破裂导致爆裂温度降低。随着w（S i O,）升高，混合料中细粒级部分的增加，毛细管数量增加；造球过程中混合料内部提供的分子黏结力和毛细力增大，生球抗压强度与落下强度提高。此外，当w（M g 0）为1.8%时，成球率最高为94.2%；当w(Mg0）在2.0%2.6%范围内变化时，w(MgO)升高，混合料的毛细水迁移速率降低，水分在球团内部的迁移速度降低，不利用母球的形成和长大，成球率为9 3%左右。所以当w(Mg0)为1.8%时，成球率最高。随着w（M g 0)升高，混合料中粗粒度部分增加，球团结构更加松散，致密度降低，高温条件下，水分蒸发排出更加顺畅，球团内外的蒸汽压差变小，使爆裂温度提高。随着w（M g O)升高，混合料中细粒级部分减少，毛细管数量减少，毛细水迁移速率变小，造球时混合料内部提供的分子黏结力和毛细力降低，抗压强度降低；落下强度先小幅度升高后降低，在w（M g 0）为2.0%时达到最大值。2.1.1数据样本集经过数据扩增后，共有30 15组数据用于模型分析，扩增后的数据（部分）见表8。扩增后的数据按照碱度R的值升序排列，结果保留2 位小数。由于数据扩增存在随机性，基于高斯分布扩增后的数据集精度最高达到小数点后15位，为保证数据模型训练的有效性，在模型训练过程中使用的是高精度数据。表8部分扩增数据Table8Partially amplified dataRw(Si0,)/%w(Mg0)/%成球率/%爆裂温度/抗压强度/(NP-1)落下强度/次(0.5m)-10.555.351.8497.99487.0811.002.880.555.401.9091.60500.0211.262.860.555.511.7190.68518.3711.492.681.485.891.8293.57369.4011.832.941.515.671.8397.45408.2111.872.981.535.211.8397.15394.0812.162.9696球第48 卷团第3期结烧2.1.2预测模型隐含层节点数优化结果对模型的隐含层节点数从0 2 0 0 进行遍历，通过遍历选出误差最小时模型对应的隐含层节点数，结果得出成球率预测模型最佳的隐含层节点数为14，爆裂温度预测模型最佳的隐含层节点数为10，抗压强度预测模型最佳的隐含层节点数为11，落下强度预测模型最佳的隐含层节点数为5。2.2模型预测结果分析首先用训练样本集的2 50 0 组数据对模型进行训练；然后用测试样本集的50 0 组数据测试模型的误差，即模型的准确性；最后用验证样本集的15组数据验证模型的预测结果。2.2.1成球率预测结果分析将15组验证数据代人预测模型，得到生球成球率的预测值，真实值、预测值、真实数据与预测数据的差值（真实值减去预测值），变化趋势如图2 所示。15045120301590%/美0603-1530-30-450246810121416测试样本组别1一预测数据；2 一真实数据；3一差值。图2成球率预测模型误差变化趋势Fig.2Variation trend of errors in prediction model offormation rate由图2 可知，生球的成球率预测模型的绝对误差的值变化浮动较小。预测模型的预测数据与真实数据相差不大，变化幅度较小控制在2.6 4%，预测结果较稳定，能够满足治金行业对误差的要求，适用于球团矿造球成球率的预测。2.2.2爆裂温度预测结果分析将15组验证数据代人预测模型，得到生球爆裂温度的预测值，真实值、预测值、真实数据与预测数据的差值（真实值减去预测值），变化趋势如图3所示。由图3可知，生球的爆裂温度预测模型的绝对误差的值均在0 以上附近浮动，差值浮动较小。预测模型的预测数据与真实数据相差较小，变化幅度平缓控制在5.0 9%，预测结果较稳定。600860./4500./03003-86150-1720246810121416测试样本组别1一真实数据；2 预测数据；3一差值。图3爆裂温度预测模型误差变化趋势Fig.3Variation trend of errors in prediction model ofbursting temperature2.2.3抗压强度预测结果分析将15组验证数据代人预测模型，得到生球抗压强度的预测值，真实值、预测值、真实数据与预测数据的差值（真实值减去预测值），变化趋势如图4所示。123()/2(-dN/美303-1-202468101214 16测试样本组别1一真实数据；2 一预测数据；3一差值。图4抗压强度预测模型误差变化趋势Fig.4Variation trend of errors in prediction model ofcompressive strength由图4可知，生球的抗压强度预测模型的绝对误差均在0 1浮动，差值浮动较小。预测模型的真实数据与预测误差相差较小，浮动的幅度较小控制在5.7 9%，预测结果可靠。2.2.4落下强度预测结果分析将15组验证数据代入预测模型，得到生球落下强度的预测值，真实值、预测值、真实数据与预测数据的差值（真实值减去预测值），变化趋势如图5所示。由图5可知，生球的落下强度预测模型的绝97刘卫星，等：熔剂性球团生球性能预测及优化模型研究2023年第3期对误差值在0 1，差值浮动一般。预测模型真实数据与测试数据存在1组变化趋势不同，变化趋势较一致，总体变化幅度较小控制在11.19%，预测结果较稳定。4.0(u0)1/23.2(us0)/2.401.60.8-2-30246810121416测试样本组别1一真实数据；2 一预测数据；3一差值。图5落下强度预测模型误差变化趋势Fig.5Variation trend of errors in prediction model offalling intensity3结论（1）当熔剂性球团中R保持在0.6 1.4、w(Si0,）保持在3.5%5.0%、w（M g 0）保持在1.8%2.6%时，造球所得成球率均在9 0%以上。并且随着碱度增大，生球的爆裂温度降低、抗压强度与落下强度均先增大后减小；随着w（S i O,）增大，生球的爆裂温度降低、抗压强度增大、落下强度先增大后减小；随着w（S i O,）增大，生球的爆裂温度增大、抗压强度先减小后增大、落下强度减小；生球的爆裂温度、抗压强度、落下强度等性能受成分变化影响较大。由于成分变化主要影响混合料中细粒级部分的占比，进而影响生球中毛细管数量和生球的密度，故导致生球爆裂温度和强度发生变化。（2）基于BP神经网络建立了生球性能预测优化模型，经过模型训练、验证和测试，模型预测成球率、爆裂温度、抗压强度、落下强度的MAPE分别为2.6 4%、5.0 9%、5.7 5%、11.19%。（3）结合造球试验、生球性能及其预测结果，理论上当碱度为1.0、w（S i O,）为5.5%、w（M g 0)为1.8%时生球的各项性能最好。参考文献：1李新创共同积极应对挑战，促进全球钢材贸易健康发展J.钢铁,2 0 17,52(5)：1-4.LI Xinchuang.Actively respond to challenges togetherand promote the healthy development of global steel tradeJ.Iron&Steel,2017,52(5):1-4.2王新东以“绿色化、智能化、品牌化”为目标规划设计河钢唐钢新区J.钢铁,2 0 2 1,56(2）：12-2 1.WANG Xindong.Planning and designing hegang tangshaniron and steel new district with the goal of“green,intelli-gent and brandingJ.Iron&Steel,2021,56(2):12-21.3李新创新时代钢铁工业高质量发展之路J.钢铁,2 0 19,54(1):1-7.LI Xinchuang.The road to high-quality development ofthe steel industry in the new era J.Iron&Steel,2019,54(1):1 7.4乔波，罗果萍，柴轶凡，等，不同精矿制备球团矿预热焙烧性能对比分析J烧结球团，2 0 2 1,46（2）：50-56.QIAO Bo,LUO Guoping,CHAI Yifan,etal.Comparativeanalysis of preheating roasting performance of pellets pre-pared from different concentrates J.Sintering andpelletizing,2021,46(2):50-56.5李杰，信自成，刘卫星，等.SiO质量分数对镁质熔剂性球团性能影响J.烧结球团，2 0 17,42（4）：2 3-27.LI Jie,XIN Zicheng,LIU Weixing,et al.Effect of SiO,content on the properties of magnesium flux pellets J.Sintering and pelletizing,2017,42(4):23-27.6韩阳，杨爱民，张玉柱一种球团原料最佳配比的BAS智能推荐模型J.仪器仪表学报，2 0 19,40（9）：246-254.HAN Yang,YANG Aimin,ZHANG Yuzhu.A BAS intel-ligent recommendation model for the optimal ratio of pel-let raw materials J.Journal of Instrumentation,2019,40(9):246254.7李乃尧，张建良，刘兴乐，等.MgO、T i O，对镁质钒钛球团矿综合冶金性能的影响J.钢铁，2 0 17,52(7）：14-21.LI Naiyao,ZHANG Jianliang,LIU Xingle,et al.Effects ofMgO and TiO,on the comprehensive metallurgical prop-erties of magnesia vanadium-titanium pellets J.Iron&Steel,2017,52(7):14-21.8毕传光，龙红明，春铁军，等.MgO质量分数对氧化球团性能的影响J.钢铁，2 0 17,52(7）：2 2-2 6.上接第19 页）98球团第3期第48 卷结烧BI Chuanguang,LONG Hongming,CHUN Tiejun,et al.Effect of MgO mass fraction on the properties of oxidizedpelletsJ.Iron&Steel,2017,52(7):22-26.9潘向阳，龙跃，李神子，等.w（M g O）对熔剂性球团矿冶金性能的影响J.钢铁,2 0 19,54（10）：17-2 2.PAN Xiangyang,LONG Yue,LI Shenzi,et al.Influence ofw(MgO)on the metallurgical properties of flux pelletsJ.Iron&Steel,2019,54(10):17-22.10李神子,龙跃,潘向阳，等.Mg0对酸性球团矿冶金性能的影响J.钢铁钒钛，2 0 2 0,41（1）：113-118.LI Shenzi,LONG Yue,PAN Xiangyang,et al.Influence ofMgO on the metallurgical properties of acid pellets J.Iron,Steel,Vanadium and Titanium,2020,41(1):113-118.11尹学,李绍铭,闫成忍基于GA-PSO-BP神经网络的烧结终点预测模型J.烧结球团，2 0 2 0,45（6）：35-4郭玉华，张春霞，樊波，等.钢铁企业含锌尘泥资源化利用途径分析评价J.环境工程，2 0 10,2 8（4）：8 3-87.GUO Yuhua,ZHANG Chunxia,FAN Bo,et al.Analysisand evaluation on utilization ways of zinc-bearing sludgeand dust from iron and steel enterprises J.Environmen-tal Engineering,2010,28(4):83-87.5王雪松，付元坤，李肇毅高炉内锌的分布及平衡J.钢铁研究学报,2 0 0 5（1)：6 8-7 1.WANG Xuesong,FU Yuankun,LI Qinyi,et al.Zinc dis-tribution and balance in blast furnace J.Journal of Ironand Steel Research,2005(1):68-71.6王飞，毛瑞，茅沈栋，等含锌粉尘冷固结团块高温自还原过程分析J钢铁研究学报，2 0 2 0,32（7）：626 632.WANG Fei,MAO Rui,MAO Shendong,et al.Analysis ofself-reduction process of cold-bonded briquettes madefrom zinc-bearing dust at high temperature J.Journal ofIron and Steel Research,2020,32(7):626-632.7朱德庆，侯明洲，杨聪聪，等。复合黏结剂提高含锌尘39;46.YIN Xue,LI Shaoming,YAN Chengren.Prediction modelof sintering end point based on GA-PSO-BP neuralnetworkJ.Sintering and pelletizing,2020,45(6):35-39;46.12 草韩闯闯，李杰，杨爱民，等镁质熔剂性球团强度影响因素分析J烧结球团,2 0 18,43（1）：50-56.HAN Chuangchuang,LI Jie,YANG Aimin,et al.Analysison influencing factors of magnesia fluxed pellets strengthJ.Sintering and pelleting,2018,43(1):50-56.13 5张梦雨基于高斯分布模型的风电机组群尾流效应计算D.北京：华北电力大学，2 0 18.ZHANG Mengyu.Calculation of wake effect of wind tur-bines based on Gaussian distribution model D.Beijing:North China Electric Power University,2018.泥团块干燥热稳定性能研究J烧结球团，2 0 2 2,47(3):73 82.ZHU Deqing,HOU Mingzhou,YANG Congcong,et al.Research on composite binder to improve drying thermalstability performance of zinc-containing dust agglomeratesJ.Sintering and Pelletizing,2022,47(3):73-82.8张亚森，孟安：转底炉处理含锌粉尘生产实践与探索J.冶金设备,2 0 18(S1)：12 5-12 7;7 1.ZHANG Yasen,MENG An.The practice and explorationof zinc dust production in bottom furnace J.Metallurgi-cal Equipment,2018(S1):125-127;71.9CHUN Tiejun,ZHU Deqing.New process of pellets-met-allized sintering process(PMSP)to treat zinc-bearing dustfrom iron and steel company J