樹脂結合Al2O3-C耐火泥料揮發分的快速測量

趙 海，高志偉，田成川

(華電電力科學研究院有限公司，杭州 310030)

0 引 言

泥料是Al2O3-C質耐火材料生產過程的重要中間產品，它是通過將氧化物骨料、鱗片石墨、添加劑和液態酚醛樹脂進行攪拌混合(即“混煉”)而獲得的半干顆粒狀混合料。泥料的質量對于成型坯的層裂有重要影響，而決定泥料質量的關鍵是酚醛樹脂結合劑的黏度特性。當樹脂黏性過大時，泥料顆粒的流動性較差，在成型過程中模具附近的泥料隨模具壓縮而運動，與坯體內部泥料間發生“揉搓”現象，從而產生開裂；當樹脂黏度過小時，鱗片石墨與骨料顆粒間結合強度差、易分散，在成型過程中，游離態石墨易發生層狀堆積，從而產生開裂。無論樹脂黏度過高或過低均會對泥料的成型性能產生不利影響[1]。決定酚醛樹脂結合劑黏度的因素包括溫度和揮發分含量，因此揮發分含量對于泥料的性能，進而對耐火材料最終產品的質量有重要影響[2]。

泥料揮發分控制的難點在于,混煉過程中，由于摩擦生熱、強制對流的作用，泥料揮發分可在5～15 min內下降0.8%，而泥料揮發分的控制指標通常在(1.2±0.5)%，這就對揮發分檢測的實時性提出了較高要求。目前對泥料揮發分測量普遍采用烘干失重法，利用外部熱源對待測樣品進行快速加熱，通過測量樣品初始重量和受熱揮發后的穩定重量得到揮發分含量，其中的外部熱源可以是微波、陶瓷管、鹵素燈等。當以鹵素燈作為熱源時，可在5～8 min得到揮發分測量結果，但距離實時、在線測量仍有較大差距，只能作為最終的泥料質量判斷標準，而不能實現混煉過程的閉環控制。

在本研究中，作者基于干燥過程機理模型對揮發分測量儀中泥料受熱失重過程進行分析，在此基礎上研究建立干燥過程神經元網絡模型，根據泥料烘干失重過程的質量動態數據預估揮發分含量，從而實現耐火泥料揮發分的快速測量。本研究對于提高耐火材料產品質量具有現實意義。

1 實 驗

1.1 樹脂結合Al2O3-C質耐火材料泥料

實驗原料為電熔白剛玉(鄭州于發磨料集團有限公司，60目、180目、0～325目)，鱗片石墨(黑龍江奧宇石墨集團有限公司，+898、+198)和酚醛樹脂(圣泉海沃斯化工有限公司，4012型熱固性、5408熱塑性)。按表1比例進行配比，在高速混煉機中進行混煉，之后進行篩分，得到泥料。

表1 耐火泥料的原料配比Table 1 Raw materials composition for mud

1.2 揮發分測量方法

圖1 揮發分測量裝置示意圖Fig.1 Explanatory views of sag test facility

Al2O3-C質耐火泥料揮發分的測量方法為烘干失重法，所用設備為梅特勒-托利多HB-43S水分儀(如圖1)。該儀器由鹵素燈加熱和精密稱重兩部分組成，與其它基于熱失重原理的揮發分測量方法相比，采用鹵素燈加熱具有升溫迅速、樣品受熱均勻的優點，從而保證測量的迅速、準確。

在測試過程中以鹵素燈對樣品進行烘干，使其中的揮發分逸失，樣品質量的減少與樣品初始質量的比值即為揮發分含量：

(1)

其中，M為揮發分含量；W1為被測樣品初始質量；W2為被測樣品烘干后質量。由于要根據已有的失重速率對最終穩定重量進行預估，因此需要在烘干過程中對樣品質量進行連續采集。水分儀測量的重量數據通過RS-232通訊協議傳輸至上位機，在水分儀上設定數據采集頻率為5次/s。

2 耐火泥料烘干過程分析

2.1 泥料干燥過程數學模型

本質上，耐火泥料揮發分檢測過程是一個物料干燥過程。目前國內外對干燥過程已有大量研究，并總結出了多種經驗、半經驗數學模型用以定量描述物料干燥規律，如表2所示[3-7]。

表2 干燥過程數學模型[3-7]Table 2 Drying mathematical models[3-7]

為了準確描述耐火泥料在鹵素燈輻射下的干燥規律，選擇干燥溫度為120 ℃，初始物料重量為10 g作為揮發分檢測標準，采用列文伯格-馬夸爾特(Levenberg-Markuardt)算法對上述的干燥模型進行非線性最小二乘擬合，確定適用于耐火泥料的紅外熱失重干燥過程數學模型，作為熱失重過程動態補償模型的基礎。基于各模型的擬合曲線如圖2所示，通過決定系數(R2)、誤差平方和(SSE)以及均方誤差根(RMSE)對擬合結果的優度進行評價，結果如表3所示。

圖2 基于不同模型的干燥失重曲線擬合結果Fig.2 Fitting result for weight-loss based on varies of drying mathematical model

表3 模型擬合優度評價結果Table 3 Evaluations for fit goodness

可以看到，采用Page模型能夠較好地反映出耐火泥料在水分儀中鹵素燈照射下的干燥失重過程。而根據Page模型的擬合效果，在實驗開始后的前20 s數據與實際的失重曲線有較大差異，該偏差主要是由于儀器本身的熱慣性、檢測員操作因素等導致。為提高干燥終點重量預測的準確性，應將前20 s的熱失重數據作為為壞點舍棄。

2.2 熱失重過程神經元網絡模型建立

BP網絡(Back-Propagation Network),也稱作反向傳播網絡。在結構上類似于多層感知器，是一種多層前饋神經網絡。由于具有操作性強、節省時間、參數可控等諸多優點，BP神經網絡廣泛應用于實踐中[8-10]。

BP神經網絡中間層可以為單層或多層，其中單層結構簡單，迭代次數較少；多層結構復雜但預測結果更加準確。基于三層(即只有一個隱含層)的BP神經網絡，實驗表明預測結果誤差在容許范圍內。

為實現在2 min之內對揮發分進行預報，本研究選擇以串口讀入的前500個重量數據中的第101～500個重量(即20 s之后)作為輸入，以最終的揮發分含量作為輸出，綜合迭代次數、訓練時間和預報精度等因素，選擇最優的隱含節點數，從而確定神經元網絡的結構。

神經元網絡的輸入層神經元個數n=400，輸出層神經元個數m=1(即揮發分含量)，對于隱含節點數目n1可按照經驗公式(2)進行估算。

n1=log2n

(2)

本研究選擇9～16個隱含節點。在訓練算法選擇上，考慮到Levenberg-Marquardt算法雖然內存消耗大，但具有訓練與預測速度快的優點，因此采用該算法。不同隱含節點數的均方誤差(MSE)曲線如圖3所示。

圖3 不同隱含節點對應的訓練結果，其中(a)～(h)分別為9～16個隱含節點Fig.3 Training results correspond to varied numbers of hidden layer nodes

由圖3可以看到，均方誤差曲線在開始時具有較大斜率，隨著迭代次數的增加誤差迅速減少，這表明選擇的學習率適中，未出現難以收斂現象。當隱含節點數為11時，能夠在較少的迭代次數與訓練時間內實現加高精度，此時訓練效果最好。因此本研究采用400-11-1的網絡結構進行訓練與預報。

2.3 神經元網絡的訓練與實際效果

利用快速水分儀采集了164組相同配方、不同批次的Al2O3-C質泥料加熱過程失重數據，因批次不同，在混煉過程中揮發分的殘余也不同，因此泥料揮發分也不同。而各組熱失重數據的前20 s數據(第1～100個數據點)被舍棄。將其中144組熱失重數據用于模型訓練，而其余20組數據(獨立于144組訓練樣本之外)用于模型的效驗。在對模型進行訓練過程中，學習率的選擇對于神經網絡的迭代效率及穩定性至關重要，采用控制變量法固定其他訓練參數，分別使用不同的學習率對網絡進行訓練，結果如表4所示。綜合考慮訓練時間和誤差，最終學習率選擇0.05。

表4 不同學習率的訓練結果Table 4 Training results for different learning rates

訓練結束后，選取20組數據對模型預報的準確性進行測試，預測值與實際值的比較，以及預測的誤差如圖4所示。

圖4 揮發分含量的預報效果Fig.4 Prediction results for volatiles content

由圖4可以看到，各組預測誤差均在0.05%，預測結果準確度滿足耐火泥料混煉生產需求。且各組預測耗時均小于120 s。

3 結 論

(1)采用Page模型能夠較好的描述耐火泥料在以鹵素燈作為熱源的水分儀中的干燥失重過程；而干燥最初20 s的失重數據受熱慣性等外界因素影響較大，不宜用于揮發分預報。

(2)采用三層BP神經元網絡模型，以第101至第500個重量測量結果作為輸入，以揮發分含量作為輸出，能夠建立樹脂結合Al2O3-C耐火泥料揮發分含量的預報模型。

(3)基于上述方法能夠實現在120 s內對耐火泥料揮發分進行準確預報，與實際測量結果誤差小于0.05%。