1638 工程科学学报，第43卷，第12期 (a)1500 (b) 82 1450 sured values SVR predictive values Test set sample numbers:1-100 02 1500 0 51015202530 30354045505560 1.0 1450 nMeasured values 8 SVR predictive values Test set sample numbers:101-200 安1500 0.6 0.4 0.2 1450 Measured values 60657075808590 9095100105110115120 SVR predictive values Test set sample numbers:201-300 Sample Sample 1500 1.0F 8 }0电 1450 Measured values SVR predictive values Test set sample numbers:301-400 0 20 02L 40 60 120125130135140145150 50155160163170175180 Sample numbe Sample Sample 6000-1 (d) 0.462 0.44 4000 0.3 042 2000 5750 030 Air volume Air vol Air pressure 0 10152025 0 30354045505560 Sample Sample 3 0.23 23000- 02442 022 2000 0.2 0.1 1000 02 0 0.24 0.18 三 Top pressure Top pressure 60 65 70 7580 85 90 9095100105110115120 Sample Sample 10Re-1 4.00 1400 250 1200 120 3.00 1000 110 2.50 1100 800 Resist 120 125130135140145150 150155160165170175180 Sample Sample 困5()基于支持向量回归(SVR)的铁水温度预测模型在测试集上的预测结果s:(b)炉渣黏度预测模型在测试集上的预测结果s:(©)对煤气利 用率进行预测建模时对原始数据进行数据预处理前后的数据分布对比图5乳：()高炉煤气利用率预测模型在测试集上的预测结果5 Fig.5 (a)Prediction results of the support vector regression(SVR)-based iron temperature prediction model on the test sets4(b)prediction results of the slag viscosity prediction model using the test se(c)comparison of the data distribution before and after the original data preprocess during the gas utilization rate modeling(d)prediction results of the blast fumace gas utilization prediction model on the test se 的开发提供技术依据 合反应机理及迁移转变机制（图6），揭示了氯化物 自还原技术处理含铁尘泥是将含铁尘泥和含 催化脱除碱金属和锌的作用机理，显著提升了烧 碳原料混合后制成自还原团块，高温焙烧还原生 结过程碱金属、锌的脱除率和烧结矿质量.随后， 产海绵铁或高温铁水.由于自还原技术能够实现 又提出了转炉污泥与除尘废水最优的添加方式6阿， 含铁尘泥的资源化利用，一直以来备受关注， 实现了炼钢污泥与除尘废水无害化处理，节约了 Tecnored工艺Is9、Oxycup工艺6ol、Fastmet工艺6， 生水消耗，实现了“以废治废” Itmk3工艺62]等均是基于自还原技术开发而来 Ignition 王飞等6]以水泥为黏结剂制备了含铁尘泥自还原 团块，研究了尘泥团块还原焙烧过程中硅酸盐-铁 连晶一渣相的复合黏结机制，揭示了锌元素在竖炉 HCL CE on zone 处理尘泥团块中的物质迁移规律以及挥发行为， Na:O,K:CO NaAISi-O KAISiO NaCL KCI ZnO,ZnFe.O 为尘泥团块高效脱锌提供了理论指导 Raw mix zone 6.2炼钢污泥与除尘废水无害化循环烧结技术 Hearth bed Sintering pallet 每生产1t钢会产生2~3m3的除尘废水和 Combustion gas 15~20kg的转炉污泥，Wang等6例利用炼钢污泥 图6烧结过程中有害元素迁移示意图 与除尘废水掺混后返回铁矿烧结进行协同处理， Fig.6 Schematic diagram of harmful elements migration during 阐明了高温烧结过程K、Na、Zn、CI等有害元素耦 sintering的开发提供技术依据. 自还原技术处理含铁尘泥是将含铁尘泥和含 碳原料混合后制成自还原团块，高温焙烧还原生 产海绵铁或高温铁水. 由于自还原技术能够实现 含铁尘泥的资源化利用 ，一直以来备受关注 ， Tecnored 工艺[59]、Oxycup 工艺[60]、Fastmet 工艺[61]、 Itmk3 工艺[62] 等均是基于自还原技术开发而来. 王飞等[63] 以水泥为黏结剂制备了含铁尘泥自还原 团块，研究了尘泥团块还原焙烧过程中硅酸盐−铁 连晶−渣相的复合黏结机制，揭示了锌元素在竖炉 处理尘泥团块中的物质迁移规律以及挥发行为， 为尘泥团块高效脱锌提供了理论指导. 6.2    炼钢污泥与除尘废水无害化循环烧结技术 每生产 1 t 钢会产生 2～3 m3 的除尘废水和 15～20 kg 的转炉污泥，Wang 等[64] 利用炼钢污泥 与除尘废水掺混后返回铁矿烧结进行协同处理， 阐明了高温烧结过程 K、Na、Zn、Cl 等有害元素耦 合反应机理及迁移转变机制（图 6），揭示了氯化物 催化脱除碱金属和锌的作用机理，显著提升了烧 结过程碱金属、锌的脱除率和烧结矿质量. 随后， 又提出了转炉污泥与除尘废水最优的添加方式[65] ， 实现了炼钢污泥与除尘废水无害化处理，节约了 生水消耗，实现了“以废治废”. Ignition Sintering pallet Cl−1 HCl, Cl2 NaCl, KCl Zn ZnO, ZnFe2O4 Na2O3, K2CO3, NaAlSi2O6, KAlSi2O6 Raw mix zone Combustion zone Combustion gas Hearth bed Air 图 6    烧结过程中有害元素迁移示意图 Fig.6     Schematic  diagram  of  harmful  elements  migration  during sintering (a) 1500 1450 1500 1450 1500 1450 1500 1450 0 20 40 60 80 Sample number Temperature/ ℃ Measured values SVR predictive values Measured values SVR predictive values Measured values SVR predictive values Measured values SVR predictive values Test set sample numbers: 1−100 Test set sample numbers: 101−200 Test set sample numbers: 201−300 Test set sample numbers: 301−400 (b) (c) (d) 0.7 0.6 0.5 0.4 0.3 Viscosity/(Pa·s) 0.2 Sample 0 5 10 15 20 25 30 Measured viscosity Predicted viscosity 1.6 1.0 1.2 1.4 0.8 0.6 0.4 0.2 Viscosity/(Pa·s) Sample 30 35 40 45 50 55 60 Measured viscosity Predicted viscosity 1.0 0.8 0.6 0.4 Viscosity/(Pa·s) 0.2 Sample 60 65 70 75 80 85 90 Measured viscosity Predicted viscosity 0.7 0.8 0.6 0.5 0.4 0.3 Viscosity/(Pa·s) 0.2 Sample 90 95 100 105 110 115 120 Measured viscosity Predicted viscosity 1.0 0.6 0.4 0.2 Viscosity/(Pa·s) Sample 120 125 130 135 140 145 150 Measured viscosity Predicted viscosity 0.7 0.6 0.5 0.4 0.3 Viscosity/(Pa·s) 0.2 Sample 150 155 160 165 170 175 180 Measured viscosity Predicted viscosity 0.8 0.8 50 48 46 44 42 40 36 Gas utilization rate/% Sample 0 5 10 15 20 25 30 Ture value Predicted value Gas utilization rate/% Sample 30 35 40 45 50 55 60 Ture value Predicted value Gas utilization rate/% Sample 60 65 70 75 80 85 90 Ture value Predicted value Gas utilization rate/% Sample 90 95 100 105 110 115 120 Ture value Predicted value Gas utilization rate/% Sample 120 125 130 135 140 145 150 Ture value Predicted value Gas utilization rate/% Sample 150 155 160 165 170 175 180 Ture value Predicted value 38 50 48 46 44 42 40 36 38 50 48 46 44 42 40 36 38 50 48 46 44 42 40 36 38 50 48 46 44 42 40 36 38 50 48 46 44 42 40 36 38 2000 Data distribution Air volume 6000 (a-1) (a-2) (b-1) (b-2) 4000 7000 5750 6000 6250 6500 6750 Air volume 0.1 0.2 0.3 0.4 Data distribution Air pressure 0.46 0.44 0.38 0.40 0.42 Air pressure 0.3 0.2 0.1 0 Data distribution Top pressure Top pressure 0 1000 2000 3000 0.20 0.21 0.22 0.23 Data distribution Pressure difference 0.18 0.20 0.22 0.24 Pressure difference (c-1) (c-2) (d-1) (d-2) 2 4 6 8 10 Data distribution Resistance coefficient 2.50 3.00 3.50 4.00 Resistance coefficient 800 1000 1200 1400 Data distribution Air temperature 1100 1250 1150 1200 Air temperature (e-1) (e-2) (f-1) (f-2) 图 5    （a）基于支持向量回归（SVR）的铁水温度预测模型在测试集上的预测结果[54] ；（b）炉渣黏度预测模型在测试集上的预测结果[52] ；（c）对煤气利 用率进行预测建模时对原始数据进行数据预处理前后的数据分布对比图[53] ；（d）高炉煤气利用率预测模型在测试集上的预测结果[53] Fig.5    (a) Prediction results of the support vector regression (SVR)-based iron temperature prediction model on the test set [54] ; (b) prediction results of the slag viscosity prediction model using the test set[52] ; (c) comparison of the data distribution before and after the original data preprocess during the gas utilization rate modeling[53] ; (d) prediction results of the blast furnace gas utilization prediction model on the test set[53] · 1638 · 工程科学学报，第 43 卷，第 12 期