焦炭冷态强度预测

焦炭冷态强度的预测

张 成，史世庄，石 峰，周清梅

（武汉市燃气热力规划设计院，湖北，武汉）

摘要：煤质指标预测焦炭质量并指导配煤已成为衡量配煤技术水平的一个重要标志。在全面综合国内外研究文献的基础上，简介预测焦炭质量的基本原理和国内外预测的主要方法和其他新方法，着重介绍了预测焦炭冷态强度的具体方法，提出了焦炭质量预测中存在的问题。

关键词：焦炭；预测；冷态强度；质量

在钢铁工业中，焦炭起着还原剂、热源和骨架的重要作用。因此，对其质量要求严格，主要包括：灰分低、含硫量少、强度大、各向异性程度高，且随着高炉工艺的发展，对焦炭质量的要求逐渐升高。用实验室的煤质指标预测焦炭质量并指导配煤，使焦炭质量稳定在所要求的范围内，这已成为衡量配煤技术水平的一个重要标志。随着高炉大型化和高炉操作自动化，对炉料稳定的要求越来越迫切。对于自动化操作的大型高炉，焦炭质量波动，势必增大焦比。因此，焦炭质量稳定与否，直接关系到高炉的经济效益。

1. 预测焦炭质量基本原理

大量的研究和生产实践表明，焦炭质量主要取决于煤质与工艺条件。预测焦炭质量是用若干煤质指标，不经实验，能定量地获得焦炭质量中的某些指标。煤质主要包括工艺性质、煤化度指标、黏结性指标、灰成分指标及煤岩学指标。 其中用煤岩学观点和方法来预测焦炭质量指导配煤是应用煤岩学发展中的一项重要任务。凡是论证比较充分、效果比较良好的焦炭质量预测方法几乎很少不与煤岩学发生联系[1,2]。煤岩配煤的基本原理如下：

（1）煤是不均一的物质。自从煤岩学问世以来，就公认煤是一中复杂的有机物质和无机物质混合体。煤中有机物质的性质不同，在配煤中的作用不同。因此，可以说每种煤是天然的配煤。由于天然配煤不按照人的主观愿望配合，故绝大部分煤都不合乎单独炼焦的要求。为便于应用，把煤的有机物质按照其在加热过程中能熔融并产生活性键的成分，视作有黏结性的活性成分；加热不能熔融的、不产生活性键的，为没有黏结性的惰性成分[2,3]。这种划分完全是根据试验结果得出的，即根据煤在加热过程种变化，用显微镜观察得出的结果。在炼焦煤阶段，镜质组和壳质组是活性成分，丝质组是惰性成分，半镜质组虽介于二者之间，但倾向与惰性成分。

（2）一种煤的活性成分的质量不是均一的，这可用反射率的分布图开解说，活性成分的质量差别可以很大，不但不同变质程度煤差别大，而且即使同一种煤，所含的活性成分的质量也可有相当差别[3,4]。如果以反射率表示一种煤种所含不同性质的活性成分的组成，则每一种煤的活性成分反射率图都呈正态分布。活性

成分的反射率分布图是决定炼焦煤性质的首要指标。

（3）惰性成分与活性成分一样，同是配煤种不可缺少的成分，缺少或过剩都对配煤炼焦不利，都会导致焦炭质量下降。要得到所有求焦炭质量的配煤方案，实际上是不同质量不同数量的活性成分与适量惰性成分的组合。煤岩配煤与现行煤分类无关。确定一个煤的性质，主要视镜质组反射率，反射率分布和惰性成分含量这3个指标而定。

（4）成焦过程中，煤粒间并不是互相熔融而成为均一的焦块，而是通过煤粒间的界面反应，键合而联结起来成为焦块。炼焦煤隔绝空气炭化所得的焦炭，制成光片在镜下观察，都可以观察到颗粒的界线。这说明炭化过程中的可塑料带期间，煤粒间并没有互相熔融成为均匀的物质，而是煤颗粒内外同时并行地发生裂解和缩聚反应[5]。煤颗粒产生的分解产物沿着煤粒的接触表面相互扩散，经进一步缩聚作用而形成焦块。因此，散装煤的黏结，只是颗粒间接触表面的结合。

2. 焦炭质量预测的演绎：

如果合理选择参数，从单种煤和配合煤的有关性质预测和控制焦炭质量，就能够很好地解决混煤再配合的问题，杜绝配入量不均衡而造成的焦炭质量波动的情况，对焦炭生产将具有非常重要的现实意义。至今为止，已经发明和研究了多种焦炭质量的预测方法，这些方法基本可分为三类：

(1) 工艺指标法

20世纪50年代，英国吉布森等提出用煤的挥发分和全膨胀度预测合格焦炭强度的范围，并得出结论认为，当煤的挥发分为24%~30%，全膨胀度大于50%时，可以得到强度好的焦炭。1959年，日本西尾醇提出，以煤的挥发分和基氏最大流动度为指标预测焦炭质量。以后由宫津隆等发展为以煤的镜质组反射率和基氏流动度来预测焦炭强度，得出了在Rmax为1.2%到1.3%和流动度在200~1000ddpm的范围内时，焦炭的强度可大于90.92%的结论。此法曾在日本工业生产中应用。20世纪70年代美国矿务局采用煤的工业分析，煤的元素分析与焦炭之间的回归方程来预测焦炭强度[6,7]。前苏联用挥发分和最大胶质层厚度控制焦炭质量。中国采用挥发分和最大胶质层厚度，或挥发分和粘结指数G来预测焦炭质量。

(2) 煤岩指标法

1957年，苏联阿莫索夫采用以煤的镜质组反射率分布和惰性组分为基础，预测焦炭强度。1961年，美国夏皮洛和格雷等对此法加以发展，用计算得到的焦炭强度指数和组成平衡指数预测焦炭强度。到20世纪70年代此法在日本新日铁等钢铁公司得到改进和普遍应用[8,9]。该法以煤的煤岩组分和活性成分的反射率为基础原料，把煤的显微组分划分为两大类：

活性成分=镜质组+稳定组+1/3半镜质组

惰性成分=丝质组+2/3半镜质组+矿物质

并将活性组分以反射率0.1%为间隔，从0.3%~2.1%分为18类，以此标志煤的变质程度，参加配煤的每一种单种煤都必须测定并做出这样的反射率分布图解。

此外，1964年澳大利亚布朗等用煤的镜质组反射率，把微镜煤与微亮煤结合起来的煤岩成分和坩埚膨胀序数，预测了块焦落下强度。1966年，美国汤姆逊以煤的惰性组分含量和镜质组反射率，预测焦炭稳定性因素[10,11]。

(3) 综合因素预测法

以德国莫西斯为代表，在预测焦炭强度时即考虑到装炉煤本身内在的因素起决定性影响，又考虑到炼焦等外部条件的作用[12,13]。在这一方法中，采用的参数是煤化度、结焦性、粒度组成和炼焦条件。

3. 焦炭冷态强度预测的具体方法

3.1 挥发分——粘结性参数预测法

3.1.1 Vdaf —C.I法

该法的粘结性参数采用粘结力参数C.I，是以1g空气干燥粉煤样与9g无水焦粉混合后，在950+20 °C下炭化7分钟后，以炭化物中大于297μm的筛上物占原料的百分比作为C.I值[13,14]。以Vdaf和C.I两个参数作图，适宜的炼焦配煤区为Vdaf=27~31%，C.I=87~91%。这种方法对于预测配入大量弱粘结性煤的配合煤所得焦炭的质量比较灵敏。

3.1.2 Vdaf —MF法

该法以基氏最大流动度MF作为粘结性指标，在Vdaf —MF配煤图中将烟煤分为九类。最佳配煤区为Vdaf=32~37%；MF=1500~7000ddpm。

3.1.3 Vdaf G法

北京煤化研究所在进行中国煤炭分类方案研究的基础上，提出用粘结指数G作为粘结性指标，，并得出了Vdaf—G配煤图（图1），最佳配煤区的Vdaf=28~20%，G=58~72。

图1 Vdaf—G配煤图

图2 Vdaf—G等强度曲线

以Vdaf—G预测焦炭强度的等强度曲线如图2所示。由图表明，当Vdaf

M40=126.147-2.104 Vdaf +0.144G （r=0.925）

M10=12.794+0.452 Vdaf -0.0243G （r=0.886）

在预测配合煤的焦炭强度时，配合煤的挥发∑IK/∑OK'∑OK分可以近似用单种煤的挥发分以加和性确定。但配合煤的实测G值和由单种煤G值按加和性

计算所得的配合煤G值有一定的偏差，鞍钢的试验表明，煤的粘结性差别不太大时，G值有加和性，粘结性差别较大时，如肥煤和贫、瘦煤之间，G值的加和性存在偏差[16,17]。

3.2 Gb因子预测法

Simonis于1965年根据鲁尔膨胀度测定值推导的Gb因子，通过回归方程预测焦炭强度，1969年有进一步将Gb因子与煤岩组分相结合[18,19]，发展了Gb因子预测技术。

Gb因子是反应煤在热解过程中的软化、固化温度和膨胀度、收缩度在内的一个综合标志粘结能力的参数。对大量不同Gb因子的煤进行的炼焦试验结果表明，焦炭质量最佳的煤或配合煤，其Gb因子通常为1.05~1.10[20]，高于此值的煤，粘结能力过多，也即活性组分过多；低于此值则粘结能力不足，即惰性组分过多。在最佳因子值和Vdaf =24~26%时，可获得强度最好的焦炭。

3.3 CBI—SI预测法

该法首先由苏联阿莫索夫在1957年，后经美国夏皮洛在1961年作了改进，日本的小岛鸿次郎于60年代后期进一步发展，并于1974年在新日铁得到应用。 阿莫索夫法

前苏联可燃矿产研究所的阿莫索夫，1957年对库兹巴斯煤提出以显微组分定量分析为基础的煤岩学预测焦炭强度的方法[21,22]。其原理是按结焦性把煤岩成分分为可熔组分（∑IK）和瘦化组分（∑OK'）两大类。

∑IK=镜质组+稳定组+1/3半镜质组

∑OK'=丝质组+2/3半镜质组

然后根据一系列煤的基础试验，导出了预测焦炭强度的两个煤岩参数：瘦化指数（∑IK/∑OK'）和结焦性系数K。瘦化指数是指煤或配合煤中的实际瘦化组分（∑OK）与该煤中可熔组分和瘦化组分之间达到最佳比(a)时所需要的瘦化组分（∑OK'）的数量比。结焦性系数K是指煤中可熔组分的结焦性能。不同变质的煤，a值不同； 当∑OK值不同时，K也变化。a，K值均由基础试验得到的曲线图查取。∑OK和∑OK'由煤岩定量分析得到，还以大量工业试验为依据，绘制了K—∑IK/∑OK'等强度曲线，由图可直接预测焦炭强度，当时苏联以松格林转鼓测定焦炭强度，一般鼓内值>310kg时可符合优质冶金焦的要求[22,23]。阿莫索夫拟定的方法奠定了CBI—SI预测法的基础，开创了煤岩学应用于焦炭强

度的预测。

3.3.2 夏皮洛法

美国钢铁公司夏皮洛在阿莫索夫方法基础上进一步发展和完善了这种煤岩配煤法，提出了CBI-SI预测焦炭强度的方法[24]。他也把煤的显微组分分为两大类，即活性组分和惰性组分。

活性组分=镜质祖+稳定组+1/3半镜质组

惰性组分=丝质组+2/3半镜质组+矿物组

他的主要发展是把活性成分（主要是镜质组）按0.1%为间隔，把Rmax =0.3~2.1%的煤分成18个组型，一次标志煤的变质程度，在结焦过程中每一组型的活性组分均有其最佳的惰性组分配比。配合煤中实际的惰性组分含量与按活性组分最佳比得到的最佳惰性组分含量之比是标志配合煤中实际惰性组分含量是否合适的一个指标，称组成平衡指数（CBI）[25,26]。

夏皮洛以CBI为横坐标和SI为纵坐标作出了一组预测焦炭强度的等强度曲线（图3），实测和预测强度的相关系数为0.93，因此可较好的指导配煤。

图3 用CBI—SI预测焦炭稳定度因素图

当CBI=1时，配合煤中惰性组分含量最合适，CBI>1则惰性组分含量太高，CBI

3.4 煤岩参数和粘结性参数预测法

3.4.1 镜质组反射率—奥亚膨胀度预测法

荷兰的Krevelex于1958年提出了以镜质组反射率Rmax和用惰性组分含量计

算的奥亚总膨胀度T.D.预测焦炭稳定度因素的方法。

总膨胀度按下式计算

T.D.=T.D0VIf

式中 T.D0——无惰性组分时的总膨胀度；

V——镜质组含量，

If——惰性因素，它标志惰性组分对膨胀度的影响。

3.4.2 镜质组反射率—惰性组分含量预测法

1996年美国勃利恒钢铁公司的Thonmpson提出以镜质组分反射率Rmax和惰

性组分含量IC作为预测焦炭强度的指标。考虑到高反射率、低粘结性的镜质组含大量半惰性~惰性的组分，Thonmpson称之为加镜质组，由此引出了有效惰性组的概念[27,28]。

有效惰性组=惰性组分+假镜质组×其中所含惰性组；

惰性组分=惰性组+2/3半镜质组+0.6（灰分+硫分） 分别Rmax=0.8~1.3%和Rmax=1.4~1.8%绘制Rmax——有效惰性组的预测焦炭稳定度因素图。Rmax=0.8~1.3%时，焦炭强度随Rmax提高而增大，Rmax﹥1.4%时，焦炭强度随Rmax提高而降低。

3.4.3 镜质组反射率—最大流动度预测法

日本钢管宫津隆等在研究CBI过程中发现CBI与煤的最大流动度MF密切相关，但用CBI、反射率预测焦炭强度时所得到的规律性不如用MF和反射率预测焦炭强度。这可能是由于各国煤的惰性组分评价方法有差异，因此宫津隆提出以煤的Rmax和MF综合反映煤的结焦性质，MF包含了惰性组分的质和量因素，通过试验得出了Rmax—MF预测图。

加拿大的Leeder，以加拿大煤研究了各国采用的预测方法，得出当以半丝质组的50%作为活性组分时，以Rmax—MF法预测焦炭强度得到良好效果[28]。

3.4.4 镜质组反射率—惰性组分—容惰能力预测法

中国周师庸教授于80年代初在对新疆钢铁公司的配煤预测焦炭强度的研究中，为全面反映煤的特性，采用镜质组反射率作为煤化度指标，以惰性组分含量作为煤岩组成指标，还通Rmax过试验选择罗加指数或容惰能力作为煤的还原程度

指标，周师庸定义的容惰能力是通过在煤中加入不同数量的惰性物质后（如无烟煤），考察奥亚总膨胀度的变化来获得[29,30]。在对新疆钢铁公司配煤的研究中发现，当镜质组平均最大反射率Rmax﹤0.6%时，煤加热时不软化熔融，故以

Rmax=0.6%作为划分镜质组属于惰性组份还是活性组分的界限，据此对煤的镜质组反射率和惰性组分含量加以校正，得到校正后的值，分别为Rmax'和I'。

以上几种采用煤岩参数的预测方法表明，各国或不同地区在划分活性组分和惰性组分时均根据实际试验结果，加以修正和确定。

3.5 用煤料性质和操作参数结合预测焦炭强度的方法

由于操作工艺因素的多变，仅以煤料性质预测焦炭强度的方法，常因操作条件与提出预测方程或图表时的工艺条件不同，而影响预测技术的实际应用。因此焦炭质量预测方法发展的一个预测是同时包括煤料性质和操作参数两方面的指标。

例如：日本美浦义在用Vdaf—MF预测焦炭强度基础上加入了配合煤细度D（﹤3mm，%）水分Wp（%），火道温度t（℃）、闷炉时间Z（h）等因素，提出以下预测方程：

lgMF

DI50=2.940lgMF－0.045Vdaf－0.001D－0.053W－0.001(t－1000)+0.316τ0+71.985 150p

lg MF﹥4时

DI50=0.847lgMF－0.424Vdaf－0.03D－0.001W+0.011(t－1000)+0.215τ0+82.85 150p

3.6 神经网络方法：

神经网络是一个非线性动力系统，其特色在于信息的分布式存储和并行协同处理，网络系统所能实现的行为极其丰富多彩，它具有集体运算和自适应的学习能力，还有很强的容错性，善于联想、综合和推广。神经网络模型各种各样，各个模型从不同的角度对生物神经系统进行不同层次的描述和模拟。神经网络是由许多神经元组成的多层网络， 即有输入层、输出层、隐含层。

焦炭质量预测的神经网络模型由两部分组成，一部分为配合煤质量预测，另一部分为焦炭质量预测，根据钢铁企业的实际要求，冶金焦炭的技术指标(GB1996—80)主要由抗碎强度M40、耐磨强度M10、挥发分Vb、硫分S灰分 Ab 五个指标来衡量[31]。而且结焦过程为一物理化学过程，煤中的全部灰分、硫分的70％~80％ 转到焦炭中，且挥发分、粘结性指标、灰分对焦炭质量指标中M40、M10产生影响，而且这一过程呈现出一种非线性函数关系。

焦炭质量的神经网络预测，其关键在于训练样本的选取，神经网络有高度的容错性，因此，个别定性定量参数的差异不会影响预测的可靠性。而且随着实例样本的逐渐丰富，预测的可靠性会进一步提高。

4.焦炭质量预测中存在的问题

在生产上要实施焦炭预测焦炭质量，目前尚有一些不易解决的问题：

(1)预测焦炭质量的前提，必须已经解决来煤质量稳定和煤场中每堆煤的质量，必须是相近的。

(2)目前，各大焦化厂几乎不可避免地采用一种以上的不同牌号煤的混配煤，

这种情况一时难以扭转。这对预测焦炭质量的效果会大受影响。

(3)煤岩组成、反射率及反射率分布测定速度目前还难以适应煤质变化的频繁速度。

结语

综上所述，焦炭质量是可以预测的，但是由于焦化厂用煤、堆煤、炼焦工艺条件等原因导致焦炭质量的预测有很大的不确定性。但是随着高炉工艺的发展，对焦炭质量的要求逐渐升高，对焦炭质量预测准确度的要求也有很大提高。因此，我们需要把煤质指标与炼焦工艺条件密切结合起来，再加上大量的炼焦实验研究，提出更好的焦炭质量预测方法。

参考文献

[1] 雍永枯, 冯孝庭. 21世纪中国煤化工展望. 煤化工, 2002(3): 45~51.

[2] 张振才, 刘建清. 包钢焦炭质量预测方法的探讨[J]. 内蒙古科技与经济, 1999(5): 52~55.

[3] 吕佐周, 王光辉. 燃气工程[M]. 北京: 冶金工业出版社, 1999: 48~49.

[4] 吴贵生．实验设计与数据处理[M]. 北京: 冶金工业出版社, 1997: 138~176.

[5] 中国科学院数学研究所数理统计组. 回归分析方法[M]. 北京: 科学出版社, 1975: 57~76.

[6] 杨秀华, 丁玉献. 运用回归分析对炼焦生产的预测与控制[J]. 煤质技术, 2004(6): 25~26.

[7] Wu M, Shen DY. Expert control based on neural networks and mathematical models for the coal blendings process control [J]. Theory and Applications, 2000, 17(6): 868~872.

[8] 阳春华, 沈德耀, 吴敏等. 焦炉配煤专家系统的定性定量综合设计方法[J].自动化学报, 2000, 26(2): 226~232.

[9] 唐春潮, 陈鸿复, 高秋潮. 专家系统与模式识别在炼焦配煤种的应用[J]. 燃料与化工, 1995, 26(6): 273~278.

[10] Shi M Y. A practical method for predicting coke quality [J]. Fuel and Chemical Engineering,

1989. 20(3): 114~117.

[11] 张振才, 刘建清. 包钢焦炭质量预测方法的探讨[J]. 内蒙古科技与经济, 1999(5): 52~55.

[12] 单晓云, 高志芳. 选煤技术在降低燃煤二氧化硫中的作用. 选煤技术, 2004(5): 3~6

[13] 王力福, 于井锋. 21世纪初期焦炭生产和炼焦技术发展的展望, 鞍山钢铁研究院,

2004(4): 36~41.

[14] 单晓云, 高志芳. 燃煤二氧化硫对大气的污染及可行的控制措施. 矿山安全与环保,

2005(1): 5~8.

[15] 李邵京. 清洁炼焦技术是世界焦炭业追求的目标. 山西能源与节能, 2003(2): 70~72.

[16] Ishihara Y, Asakawa C, Fukuzawa H. Studies on Sulfur Dioxides Removal from Fuel Gas By

dry Limestone Injection Procees.J. Fule Soc.Jan,1997(54)

[17] 黄金干. 加入WTO的中国钢铁与炼焦行业发展现状及展望, 冶金信息导刊, 2003(6):

42~56.

[18] Hara Y, Sakawa M, Sakurai Y. The assessment of coke quality with particular emphasis on

sampling technique [A].Lu W K Ed. Blast Furnace Coke: Quality, Cause and Effect [M]. Canada. McMaster University, 1980.4-1~4-38.

[19] Valia H S. Prediction of coke strength after reaction with CO2 from coal analyses at inland

steel company [J]. I&SM, 1989, (5): 77~87.

[20] 郑志军, 郑守淇. 用基于实数编码的自适应遗传算法进化神经网络[J]. 计算机工程及应

用, 2000, (9): 36~37.

[21] 周师庸, 周淑仪, 陈爱国等. 酒钢焦炭质量预测方法的研究[J]. 燃料与化工, 1999, 21(4):

3~11.

[22] 张群, 吴信慈, 冯安祖等. 宝钢焦炭质量预测模型I. 影响焦炭热性质的因素[J]燃料化

学学报, 2002, 30(2): 113~118.

[23] 杨俊和, 冯安祖, 杜鹤桂. 焦炭的催化指数和焦炭反应性[J]. 钢铁, 2001, 36(6): 5~9.

[24] Wikinson. Correspondence between the plastic properties of British coals and the structural

properties and reactivity of the corresponding cokes[J] Fuel, 1984, 63(2): 101~108.

[25] 郝洪洲. 配煤参数与焦炭重量. 煤化工, 2001, (4): 20~24

[26] Beesting M, hartwell RR, Wilkinson HC. Coal rank and coke reactivity. fuel: 1977, 56(3):

319~323.

[27] Solomon PR, Flechter TH, pugmire R J. progress in pyrolysis. fuel, 1993, 72(5): 587~597.

[28] 姚昭章. 炼焦学[M]. 北京: 冶金工业出版社, 1995. 72~90.

[29] 傅永宁. 高炉焦炭[M]. 北京: 冶金工业出版社, 1995. 64~65.

[30] 李英华. 煤质分析与应用技术指南[M]. 北京: 中国标准出版社, 1999. 342~349.

[31] 张杰, 李德瑾. 焦炭质量的预测与应用[J]. 计量测试, 2003(1): 39~4l.