《东北大学研发现代高炉最佳镁铝比冶炼技术》

  • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
  • 编译者: 冯瑞华
  • 发布时间:2019-03-05
  • Al2O3是高炉炼铁炉渣的重要成分之一,随着Al2O3含量的不断升高,炉渣流动性差、脱硫能力下降等问题日渐突显,对高炉冶炼造成极大危害。针对这一问题,国际上普遍采用的应对方式是在烧结工艺中添加MgO。然而,如何添加,添加多少最合适,却是一道世界难题。

    东北大学教授沈峰满团队根据高炉炉渣中Al2O3含量的不同,研发了分段确定镁铝比(MgO/ Al2O3)最佳操作指标的定量方式,掌控了高炉炉渣中镁铝的黄金分割点,确立了不同条件下镁铝比的适宜值,推进了我国高炉冶炼的精细化。2018年,该成果获得冶金科学技术一等奖。“该技术总体达到了国际先进水平,特别是对MgO在炼铁工艺中的作用机理研究方面达到国际领先水平。”中国工程院原副院长干勇评价道。

    运用相图基本原理破解世界难题

    21世纪初,随着我国进口铁矿用量的不断增加,高炉炉渣中Al2O3含量随之增加,导致炉渣粘度上升、脱硫能力下降,冶金性能变差。针对这种新问题,我国企业普遍采取的应对方式是添加MgO。由于在烧结矿中添加MgO还具有改善烧结矿低温还原粉化的功效,因此人们普遍认为炉渣镁铝比越高越好,使得镁铝比处于偏高的不合理范围,虽然保证了冶炼效果,但也造成了MgO资源浪费、能源浪费和环境污染等一系列问题。如何解决这种浪费,世界上没有相关资料。

    沈峰满团队自2005年起,开始从事高炉炼铁过程中最佳镁铝比冶炼技术的研究工作。团队从降低生产成本、降低能耗、减少废弃物与温室气体CO2的排放、同时兼顾MgO效益最大化等多视角出发,运用冶金物理化学基础理论和相图基本原理,通过实验室研究与工业试验相结合的方法,系统地论述了高炉冶炼过程适宜的镁铝比问题,为高炉冶炼过程中镁铝比问题确立理论依据。

    经过大量研究与实践,团队逐步确定了不同条件下的适宜镁铝比:当炉渣中Al2O3<14%时,可根据生产要求添加MgO;Al2O3=15%~17%时,适宜镁铝比为0.40~0.50;当炉渣中Al2O3>18%时,适宜镁铝比为0.45~0.55。这为实现高炉炼铁工艺低成本、低能耗、低排放的现代高炉绿色冶炼模式的形成,奠定了坚实的基础。

    沈峰满表示,现代高炉炉渣适宜镁铝比冶炼技术解决了长期以来一直困扰炼铁界的四个技术问题:一是当前的炼铁条件下必须添加MgO;二是在确保炉渣流动性的前提下,MgO添加量不是越多越好;三是要对不同Al2O3含量的炉渣采取不同的镁铝比,并给出了适宜镁铝比定量控制的理论依据;四是要采取适宜的MgO添加方式,使得MgO的正影响最大化、负影响最小化。

    推广应用产生巨大经济社会效益

    2008年起,该团队先后与上海梅山钢铁股份有限公司、安阳钢铁股份有限公司、内蒙古包钢钢联股份有限公司等企业共同开发研究适宜镁铝比的冶炼技术。

    采用新冶炼技术,必须承担失败的风险。为了减少企业的心理负担,沈峰满带领团队成员多次深入企业一线,与工人师傅一起工作,现场解决问题。

    经过不懈努力,各个钢厂捷报频传。在梅钢、安钢等全国4000m3级以上高炉的实践应用中,镁铝比约为0.42~0.43,居于与宝钢高炉并列的第一集团;在包钢的高炉上,镁铝比也由0.66降低至0.48,也取得了显着的效果。

    沈峰满告诉笔者,适宜镁铝比技术对炼铁行业技术进步已经产生了巨大的影响和推动。仅以梅钢集团为例,由于采用该项技术,炉渣镁铝比已从2013年的年平均0.51降至2017年的年平均0.43,使得年产720万吨的梅钢每年获得经济效益8100余万元,同时减少了CO2的排放量,取得了显着的经济与社会效益。

    中国是世界第一钢铁大国,目前,虽然部分高炉炉渣的镁铝比已降低至0.5以下,但仍有许多高炉炉渣镁铝比在0.5甚至0.6以上。继续推广现代高炉炉渣适宜镁铝比冶炼技术,尚存在很大的发展空间和广阔的应用前景。

  • 原文来源:http://www.xincailiao.com/news/news_detail.aspx?id=398166
相关报告
  • 《东北大学低碳钢铁前沿技术研究院成立》

    • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
    • 编译者:冯瑞华
    • 发布时间:2020-09-29
    • 8月27日,全国高校首家低碳钢铁冶炼技术重大研究平台——低碳钢铁前沿技术研究院在东北大学揭牌成立。低碳钢铁前沿技术研究院聚焦未来钢铁绿色生产变革性转型升级关键性技术,围绕钢铁产业低碳智能化重大需求,通过优势学科融合交叉,协同构建全新的技术体系,重点突破低碳钢铁冶炼关键共性技术,依托氢冶金、二氧化碳捕集利用、钢铁化工智能耦合联产等前沿技术,加速具有自主知识产权的低碳前沿技术研发与应用,培养创新型新工科人才,引领钢铁产业低碳绿色智能化创新发展方向,助推我国向钢铁制造强国迈进。   东北大学校长赵继、中国工程院院士王国栋出席成立大会,研究生院、学科处、科研院、人事处、资土学院、冶金学院、材料学院、RAL实验室、EPM实验室、低碳钢铁前沿技术研究院等相关部门主要负责人参加会议。副校长唐立新主持低碳钢铁前沿技术研究院成立大会。 赵继致辞表示,低碳钢铁前沿技术研究院是全国高校第一个聚焦氢冶金、钢铁化工联产等前沿技术的专业研究机构,是东北大学落实国家创新驱动发展战略的重大举措。研究院将致力于提高钢铁产业自主创新能力,加速具有自主知识产权的低碳钢铁冶炼前沿共性技术研发与应用,培养高水平创新型冶金新工科人才,为钢铁产业低碳、绿色及智能化创新发展提供全方位技术支撑。 赵继指出,为了快速抢占钢铁产业低碳智能发展的前沿阵地,研究院应坚持未来钢铁低碳变革性技术这一方向,牢牢把握“绿色、智能”两个关键,深入推进“基础研究-技术创新-中试研发-成果转化及产业化、人才培养及队伍建设、学科交叉融合”三个一体化创新,注重低碳钢铁技术的引领性、需求性、交叉性及协调性,落实好重大任务策划及实施、中试基地建设等五项具体任务,切实为支撑学校“一流大学建设”、促进行业及区域创新发展、服务国家重大战略需求贡献力量。 王国栋表示,低碳减排是钢铁行业面临的最紧迫的问题。有效降低二氧化碳排放强度,实现产业低碳、绿色化转型升级是钢铁行业亟待解决的共性难题,也是国家的重大战略需求。王国栋指出,研究院的建设要坚持协同创新,坚持绿色、智能化发展,通过产学研用协同以及多学科融合交叉,建成“国内领先、国际一流”的低碳钢铁共性技术协同创新成果转化基地。 唐立新指出,研究院的成立是学校面向国家重大战略需求和钢铁产业转型升级的一项重大举措。研究院要坚持学校“系统规划、精细管理、工程控制、高效创新”科技发展理念,系统实施HSEV科研战略的“E”计划,重点构建钢铁工业和石化工业领域中冶金、化工、新能源、环境、材料等多学科交叉的系统性生态。唐立新强调,研究院要加强体制机制创新,整合有效资源,科学配置,使现有资源充分发挥效率和作用;要以项目为抓手,发挥学科优势,汇聚人才队伍,带动方向发展,为钢铁产业转型升级、高质量发展提供有力支撑。   赵继、王国栋共同为东北大学低碳钢铁前沿技术研究院揭牌。会议举行了研究院技术委员会主任、研究院院长聘任仪式,赵继分别为技术委员会主任王国栋院士、研究院院长储满生教授颁发聘书。 会上,低碳钢铁前沿技术研究院院长储满生教授解读了研究院建设方案。与会人员分别就研究院的发展方向、队伍建设、体制机制创新等方面进行了交流。 据悉,低碳钢铁前沿技术研究院是国内高校第一个面向氢冶金、钢铁-化工-能源一体化网络集成关键技术研发和应用的专业研究机构,汇聚了东北大学冶金、化学、新能源、热能、环境、材料、材料加工、矿物加工、控制科学与工程等优势学科资源。研究院将围绕钢铁产业低碳智能化的重大需求,聚焦氢冶金、二氧化碳捕集利用、钢铁化工联产的产业发展前沿,紧盯钢铁-化工-信息-材料-能源深度交叉融合的发展趋势,协同研发氢冶金、钢铁化工联产、全流程智能制造等前沿技术,重点突破低碳冶炼关键共性技术,推进环境友好型钢铁、化工、氢能产业,引领我国钢铁产业低碳绿色化创新发展方向,支撑钢铁、化工行业协同发展。
  • 《技术动态 | 东北大学发布TechGPT2.0大语言模型》

    • 来源专题:数智化图书情报
    • 编译者:于彰淇
    • 发布时间:2023-12-01
    • 文本数据分析的利器----TechGPT-2.0大语言模型 引言随着大模型时代的到来,大模型与知识图谱融合的工作日益成为当前研究的热点。为了对这项工作提供研究基础,东北大学知识图谱研究组于2023年6月发布了TechGPT-1.0大模型。 在TechGPT-1.0基础上,经过几个月的努力,东北大学知识图谱研究组发布功能更全、性能更好的TechGPT-2.0大模型。TechGPT-2.0延续了TechGPT-1.0以“知识图谱构建”与“智能问答”为核心的构建目标,在继承TechGPT-1.0全部功能的基础上,对其多项功能进行了增强,同时扩充了新的功能。 01基本介绍Introduction TechGPT-2.0 为TechGPT-1.0 基础上的改进版本,其采用华为昇腾服务器(4机*8卡-32G 910A)、华为MindSpore框架、采用全量微调方式训练完成。此次共发布两个7B版本的TechGPT-2.0模型,分别为TechGPT2-Alpaca、TechGPT2-Atom。 TechGPT-2.0 较TechGPT-1.0 新加了许多领域知识。除了TechGPT-1.0 所具备的计算机科学、材料、机械、冶金、金融和航空航天等十余种垂直专业领域能力,TechGPT-2.0 还在医学、法律等领域文本处理上展现出优秀的能力,并扩充了对地理地区、运输、组织、作品、生物、自然科学、天文对象、建筑等领域文本的处理能力。TechGPT-2.0还对幻觉、不可回答、长文本处理等问题进行了能力增强。同时,TechGPT-2.0对部署的硬件要求更低,使用NVIDIA 4090单机单卡、或昇腾910A单机单卡就可完成TechGPT-2.0模型部署。亮点介绍TechGPT-2.0 在继承了TechGPT-1.0 的能力上进行了重要的改进,具有以下几项新增亮点功能: 一、TechGPT-2.0 对医学领域文本的处理能力取得了显著提升。TechGPT-2.0在处理医学文本时能够更全面地理解上下文信息,能够对疾病、药物、专业术语等实体的进行更准确识别,还能够理解医学文本中的复杂关系、疾病诊断、治疗方案等内容。这种全面的医学分析能力使得模型可以用于协助医生阅读医学文献、提供患者诊断建议等应用场景,从而提高医学领域的信息处理效率和准确性。 二、TechGPT-2.0 能够更好地理解和解释法律文本,包括法规、合同和案例法等。TechGPT-2.0通过学习法律用语和结构,能够更准确地捕捉文本中的法律关系和条款,为用户提供更有深度和专业性的法律分析。这使得TechGPT-2.0模型在法律领域中的应用前景更为广泛,可以用于解决自动化合同审查、法规遵循检查等任务。 三、TechGPT-2.0 增强了对嵌套实体的抽取能力。即TechGPT-2.0可以更灵活地处理实体之间的复杂关系,深入挖掘文本中的层次结构,提高了对复杂文本的理解和生成能力。例如,在医学文献中,可能存在嵌套的实体关系,如疾病的亚型、药物的剂量信息等,TechGPT-2.0 能够更好地捕捉这些信息,并在生成回应时更准确地反映上下文的语境。 四、TechGPT-2.0 在幻觉、不可回答问题、长文本处理、以及与人类价值观对齐方面进行了强化。TechGPT-2.0通过对话和理解上下文,能够更好地理解人类的感受和价值观,并在回应中考虑这些因素。此外,TechGPT-2.0能够支持最大长度12K的文本输入,这使得模型能够更好地与人类用户进行交互,更好地满足用户的需求和期望,进一步提升了人机交互的质量和用户体验。 五、TechGPT-2.0使用华为昇腾910A服务器、华为Mindspore框架、以及Mindformer套件进行开发,采用分布式训练方案,使用服务器数量为4机*8卡(32G),具有更低的部署硬件要求。目前TechGPT-2.0的部署在使用NVIDIA的显卡并使用float16的情况下显存仅需15G,INT8量化下显存占用8G,INT4量化下显存仅需5G。因此,用户使用NAVID 4090单机单卡、或昇腾910A单机单卡就可以部署TechGPT-2.0模型。 总体而言,TechGPT 2.0 在继承了 TechGPT 1.0 的全部特性的同时,通过增加多领域、多任务的数据,展现出了嵌套实体的抽取、幻觉回答、回答不可回答问题和回答长文本问题的能力。这些改进使得模型更适用于广泛的应用场景,为用户提供了更准确、更深入的信息处理和生成能力。/////    02模型说明Model TechGPT2-Alpaca使用HFL发布的Chinese-Alpaca-2-7B模型,Chinese-Alpaca-2-7B模型是在Chinese-LLaMA-2-7B的基础上进一步通过指令精调获得。Chinese-LLaMA-2-7B为基座模型,是在LLaMA-2的基础上进行中文增量训练获得。 TechGPT2-Atom 使用Llama中文社区联合AtomEcho(原子回声)共同发布的Atom-7B-chat,并在此基础上进行全量微调后获得。 我们TechGPT-2的两个7B版本的模型、以及使用QLora线性插值法微调的长文本模型都已经在Hugging Face和GitHub上开源。后续在这些模型基础上的改进,也将开源到相同账号,欢迎大家使用并提出宝贵的意见。 HuggingFace地址:https://huggingface.co/neukg/TechGPT-2.0-alpaca-hf https://huggingface.co/neukg/TechGPT-2.0-atom-hf GitHub地址: https://github.com/neukg/TechGPT-2.0 03体验地址Link 我们目前对外提供TechGPT-1.0与TechGPT2-Atom版本的在线服务:http://techgpt.neukg.com/ 作为一个学术组织,我们无法长期提供模型的在线服务功能,当前的体验系统存在着随时下线的可能。因此建议大家后续通过开源权重自行体验,共同创建更好的中文大模型开源环境。///// 04模型样例Example TechGPT-2.0 在保留了TechGPT-1.0 模型的通用能力、实体识别能力以及三元组抽取能力的基础上,能够完成更为复杂的嵌套实体识别,并在医学、法律领域展现出优秀的能力,此外对幻觉、不可回答问题以及长文本问题有着较好的解决能力。