A dynamic multi-zone gPROMS model of basic oxygen steelmaking

Abstract

Das präsentierte mathematische Modell bietet eine umfassende Darstellung des Stahlherstellungsprozesses im Konverter, welches verschiedene einflussreiche Faktoren erfasst, die die Oxidationsreaktionen im Konverter beeinflussen. Es basiert auf einem etablierten kinetischen Modellierungsansatz für Mehrzonen-Reaktionsgrenzflächen. Zwei wesentliche Anpassungen unterscheiden dieses Modell von bestehender Literatur: eine sorgfältige Untersuchung der Diffusionskoeffizienten zur Beschreibung der Verfeinerungsrate, wobei Koeffizienten gemessen in flüssigen und gasförmigen Phasen für flüssig-flüssige bzw. flüssig-gasförmige Grenzflächen verwendet wurden, was zu verbesserten Vorhersagen führte; und eine detaillierte Analyse des Tropfenverhaltens, die den Effekt der Aschebildung einbezieht. Die Validierungsergebnisse des Modells belegen dessen Genauigkeit, da sie gut mit gemessenen Daten und Vorhersagen anderer Forschungsteams übereinstimmen. Die gewonnenen Erkenntnisse aus diesem Modell haben das Potenzial, den Stahlherstellungsprozess zu optimieren. Sie ermöglichen den Einsatz von Rohstoffen minderer Qualität, eine effiziente Planung von Flussmittelzugaben basierend auf dem Verfeinerungszustand und eine maßgeschneiderte Gestaltung von Ofen- und Lanzengeometrien.

The presented mathematical model offers a comprehensive depiction of the basic oxygen steelmaking process, capturing various factors that influence the refining reactions in the converter. It is based on a well-established multi-zone reaction interface kinetic modelling approach. Two key adaptations set this model apart from existing literature: a meticulous investigation of diffusion coefficients for refining rate description, employing coefficients measured in liquid and gas phases for liquid-liquid and liquid-gas interfaces, respectively, leading to improved predictions; and a detailed analysis of droplet behaviour, incorporating the effect of ash production. The model's validation results demonstrate its accuracy, aligning well with measured data and predictions by other research teams. The insights gained from this model have the potential to optimize the steelmaking process, allowing for the use of raw materials of lesser quality, efficient flux addition planning based on refining state, and customized furnace and lance geometry design.