本文作者：成日金1倪红卫1李先旺2朱文渊2熊敬超2何环宇1张华1作者单位：1武汉科技大学钢铁冶金及资源利用省部共建教育部重点实验室2武汉都市环保工程技术股份有限公司

黏度测定

通过RTW－10型熔体物性综合测定仪测定国内某3个厂的4种高炉渣，实验用渣的主要化学成分如表2所示，测定黏度与温度的关系如图2所示。由图2可看出，高炉渣黏度随温度的降低而升高，黏度曲线符合碱性渣的特性要求。

模型预测分析

以图2中4条曲线较均匀地取93个实验数据点作为验证集，用于在神经网络训练的同时监控网络的训练过程。通过对高炉渣作仿真预测，得到高炉渣黏度的预测值。预测误差范围如表3所示，高炉渣黏度预测值与测量值的数据对比如图3所示。由表3和图3可看出，采用BP神经网络模型对4种高炉渣黏度预测的最大相对误差分别为9．87％、13．92％、5．20％和9．54％，它们的平均相对误差分别为2．75％、2．83％、1．31％和3．02％，总平均误差为2．36％，误差均控制在一个很好的水平以内。因此，BP神经网络模型对黏度的预报值有着较高的准确性。

结论

（1）应用BP神经网络建立高炉熔渣黏度预测模型并对其黏度进行预测，预测结果的总平均误差为2．36％，预测结果与实验结果相吻合。

（2）采用试凑法后发现，尽管隐含层神经元个数增多，但单隐层神经网络收敛速度仍然较慢，可通过增加隐含层数量对其进行改善。