树脂结合Al2O3-C耐火泥料挥发分的快速测量

赵 海，高志伟，田成川

(华电电力科学研究院有限公司，杭州 310030)

0 引 言

泥料是Al2O3-C质耐火材料生产过程的重要中间产品，它是通过将氧化物骨料、鳞片石墨、添加剂和液态酚醛树脂进行搅拌混合(即“混炼”)而获得的半干颗粒状混合料。泥料的质量对于成型坯的层裂有重要影响，而决定泥料质量的关键是酚醛树脂结合剂的黏度特性。当树脂黏性过大时，泥料颗粒的流动性较差，在成型过程中模具附近的泥料随模具压缩而运动，与坯体内部泥料间发生“揉搓”现象，从而产生开裂；当树脂黏度过小时，鳞片石墨与骨料颗粒间结合强度差、易分散，在成型过程中，游离态石墨易发生层状堆积，从而产生开裂。无论树脂黏度过高或过低均会对泥料的成型性能产生不利影响[1]。决定酚醛树脂结合剂黏度的因素包括温度和挥发分含量，因此挥发分含量对于泥料的性能，进而对耐火材料最终产品的质量有重要影响[2]。

泥料挥发分控制的难点在于,混炼过程中，由于摩擦生热、强制对流的作用，泥料挥发分可在5～15 min内下降0.8%，而泥料挥发分的控制指标通常在(1.2±0.5)%，这就对挥发分检测的实时性提出了较高要求。目前对泥料挥发分测量普遍采用烘干失重法，利用外部热源对待测样品进行快速加热，通过测量样品初始重量和受热挥发后的稳定重量得到挥发分含量，其中的外部热源可以是微波、陶瓷管、卤素灯等。当以卤素灯作为热源时，可在5～8 min得到挥发分测量结果，但距离实时、在线测量仍有较大差距，只能作为最终的泥料质量判断标准，而不能实现混炼过程的闭环控制。

在本研究中，作者基于干燥过程机理模型对挥发分测量仪中泥料受热失重过程进行分析，在此基础上研究建立干燥过程神经元网络模型，根据泥料烘干失重过程的质量动态数据预估挥发分含量，从而实现耐火泥料挥发分的快速测量。本研究对于提高耐火材料产品质量具有现实意义。

1 实 验

1.1 树脂结合Al2O3-C质耐火材料泥料

实验原料为电熔白刚玉(郑州于发磨料集团有限公司，60目、180目、0～325目)，鳞片石墨(黑龙江奥宇石墨集团有限公司，+898、+198)和酚醛树脂(圣泉海沃斯化工有限公司，4012型热固性、5408热塑性)。按表1比例进行配比，在高速混炼机中进行混炼，之后进行筛分，得到泥料。

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

1.2 挥发分测量方法

图1 挥发分测量装置示意图Fig.1 Explanatory views of sag test facility

Al2O3-C质耐火泥料挥发分的测量方法为烘干失重法，所用设备为梅特勒-托利多HB-43S水分仪(如图1)。该仪器由卤素灯加热和精密称重两部分组成，与其它基于热失重原理的挥发分测量方法相比，采用卤素灯加热具有升温迅速、样品受热均匀的优点，从而保证测量的迅速、准确。

在测试过程中以卤素灯对样品进行烘干，使其中的挥发分逸失，样品质量的减少与样品初始质量的比值即为挥发分含量：

(1)

其中，M为挥发分含量；W1为被测样品初始质量；W2为被测样品烘干后质量。由于要根据已有的失重速率对最终稳定重量进行预估，因此需要在烘干过程中对样品质量进行连续采集。水分仪测量的重量数据通过RS-232通讯协议传输至上位机，在水分仪上设定数据采集频率为5次/s。

2 耐火泥料烘干过程分析

2.1 泥料干燥过程数学模型

本质上，耐火泥料挥发分检测过程是一个物料干燥过程。目前国内外对干燥过程已有大量研究，并总结出了多种经验、半经验数学模型用以定量描述物料干燥规律，如表2所示[3-7]。

表2 干燥过程数学模型[3-7]Table 2 Drying mathematical models[3-7]

为了准确描述耐火泥料在卤素灯辐射下的干燥规律，选择干燥温度为120 ℃，初始物料重量为10 g作为挥发分检测标准，采用列文伯格-马夸尔特(Levenberg-Markuardt)算法对上述的干燥模型进行非线性最小二乘拟合，确定适用于耐火泥料的红外热失重干燥过程数学模型，作为热失重过程动态补偿模型的基础。基于各模型的拟合曲线如图2所示，通过决定系数(R2)、误差平方和(SSE)以及均方误差根(RMSE)对拟合结果的优度进行评价，结果如表3所示。

图2 基于不同模型的干燥失重曲线拟合结果Fig.2 Fitting result for weight-loss based on varies of drying mathematical model

表3 模型拟合优度评价结果Table 3 Evaluations for fit goodness

可以看到，采用Page模型能够较好地反映出耐火泥料在水分仪中卤素灯照射下的干燥失重过程。而根据Page模型的拟合效果，在实验开始后的前20 s数据与实际的失重曲线有较大差异，该偏差主要是由于仪器本身的热惯性、检测员操作因素等导致。为提高干燥终点重量预测的准确性，应将前20 s的热失重数据作为为坏点舍弃。

2.2 热失重过程神经元网络模型建立

BP网络(Back-Propagation Network),也称作反向传播网络。在结构上类似于多层感知器，是一种多层前馈神经网络。由于具有操作性强、节省时间、参数可控等诸多优点，BP神经网络广泛应用于实践中[8-10]。

BP神经网络中间层可以为单层或多层，其中单层结构简单，迭代次数较少；多层结构复杂但预测结果更加准确。基于三层(即只有一个隐含层)的BP神经网络，实验表明预测结果误差在容许范围内。

为实现在2 min之内对挥发分进行预报，本研究选择以串口读入的前500个重量数据中的第101～500个重量(即20 s之后)作为输入，以最终的挥发分含量作为输出，综合迭代次数、训练时间和预报精度等因素，选择最优的隐含节点数，从而确定神经元网络的结构。

神经元网络的输入层神经元个数n=400，输出层神经元个数m=1(即挥发分含量)，对于隐含节点数目n1可按照经验公式(2)进行估算。

n1=log2n

(2)

本研究选择9～16个隐含节点。在训练算法选择上，考虑到Levenberg-Marquardt算法虽然内存消耗大，但具有训练与预测速度快的优点，因此采用该算法。不同隐含节点数的均方误差(MSE)曲线如图3所示。

图3 不同隐含节点对应的训练结果，其中(a)～(h)分别为9～16个隐含节点Fig.3 Training results correspond to varied numbers of hidden layer nodes

由图3可以看到，均方误差曲线在开始时具有较大斜率，随着迭代次数的增加误差迅速减少，这表明选择的学习率适中，未出现难以收敛现象。当隐含节点数为11时，能够在较少的迭代次数与训练时间内实现加高精度，此时训练效果最好。因此本研究采用400-11-1的网络结构进行训练与预报。

2.3 神经元网络的训练与实际效果

利用快速水分仪采集了164组相同配方、不同批次的Al2O3-C质泥料加热过程失重数据，因批次不同，在混炼过程中挥发分的残余也不同，因此泥料挥发分也不同。而各组热失重数据的前20 s数据(第1～100个数据点)被舍弃。将其中144组热失重数据用于模型训练，而其余20组数据(独立于144组训练样本之外)用于模型的效验。在对模型进行训练过程中，学习率的选择对于神经网络的迭代效率及稳定性至关重要，采用控制变量法固定其他训练参数，分别使用不同的学习率对网络进行训练，结果如表4所示。综合考虑训练时间和误差，最终学习率选择0.05。

表4 不同学习率的训练结果Table 4 Training results for different learning rates

训练结束后，选取20组数据对模型预报的准确性进行测试，预测值与实际值的比较，以及预测的误差如图4所示。

图4 挥发分含量的预报效果Fig.4 Prediction results for volatiles content

由图4可以看到，各组预测误差均在0.05%，预测结果准确度满足耐火泥料混炼生产需求。且各组预测耗时均小于120 s。

3 结 论

(1)采用Page模型能够较好的描述耐火泥料在以卤素灯作为热源的水分仪中的干燥失重过程；而干燥最初20 s的失重数据受热惯性等外界因素影响较大，不宜用于挥发分预报。

(2)采用三层BP神经元网络模型，以第101至第500个重量测量结果作为输入，以挥发分含量作为输出，能够建立树脂结合Al2O3-C耐火泥料挥发分含量的预报模型。

(3)基于上述方法能够实现在120 s内对耐火泥料挥发分进行准确预报，与实际测量结果误差小于0.05%。