数字化高炉炼铁技术研发与应用研究进展

doi:10.12068/j.issn.1005-3026.2025.20250070

东北大学学报（自然科学版） ›› 2025, Vol. 46 ›› Issue (7): 113-130.DOI: 10.12068/j.issn.1005-3026.2025.20250070

• 绿色冶金 • 上一篇

数字化高炉炼铁技术研发与应用研究进展

储满生¹^,², 王国栋³, 唐珏²^,⁴(), 石泉²

^1.东北大学低碳钢铁前沿技术教育部工程研究中心，辽宁沈阳 110819
^2.东北大学冶金学院，辽宁沈阳 110819
^3.东北大学数字钢铁全国重点实验室，辽宁沈阳 110819
^4.东北大学辽宁省低碳钢铁;前沿技术工程研究中心，辽宁沈阳 110819

收稿日期:2025-06-18 出版日期:2025-07-15 发布日期:2025-09-24
通讯作者: 唐珏
作者简介:储满生（1973—），男，安徽岳西人，东北大学教授，博士生导师
王国栋（1942—），男，辽宁大连人，东北大学教授，博士生导师，中国工程院院士
基金资助:
国家自然科学基金资助项目(52404343);国家自然科学基金资助项目(52274326);中央高校基本科研业务费专项资金资助项目(N2425031);中央高校基本科研业务费专项资金资助项目(N25BJD007);中国博士后科学基金资助项目(2024M760370);辽宁省科技计划联合项目（重点研发项目）(2023JH2/101800058)

Research Progress on Development and Application of Digital Blast Furnace Ironmaking Technology

Man-sheng CHU¹^,², Guo-dong WANG³, Jue TANG²^,⁴(), Quan SHI²

^1.Engineering Research Center of Frontier Technologies for Low-Carbon Steelmaking，Ministry of Education，Northeastern University，Shenyang 110819，China
^2.School of Metallurgy，Northeastern University，Shenyang 110819，China
^3.State Key Laboratory of Digital Steel，Northeastern University，Shenyang 110819，China
^4.Liaoning Low-Carbon Steelmaking Technology Engineering Research Center，Northeastern University，Shenyang 110819，China.

Received:2025-06-18 Online:2025-07-15 Published:2025-09-24
Contact: Jue TANG

摘要/Abstract

摘要：

在数字信息时代的推动下，高炉数字化转型拉开序幕.钢铁企业(简称钢企)应用智能闭环控制、数字孪生和AI预测模型，构建智慧操炉、炉况评价与质量优化等智能系统.数字化高炉研究成果主要集中在变量预测、状态诊断、炉况优化，这些领域由传统方式分别向复杂优化建模、多维综合评价和多目标协同优化方向发展.但目前预测模型需强化在线自更新与数据机理融合，评价体系需注重多维度精细化诊断，炉况优化需以低风险、低成本、多目标耦合为核心突破单指标局限.以高炉现场需求为出发点，开发高炉信息物理系统，将数据、机理和经验合理匹配调用，形成数据治理-规则挖掘-智能预测-综合评价-多目标优化-决策反馈一体化技术是数字化高炉炼铁的未来发展重点之一.

关键词: 高炉, 数字化技术, 智能预测, 状态诊断, 炉况优化

Abstract:

With the advancement of the digital information era， the digital transformation of blast furnaces has begun. Steel enterprises have applied intelligent closed-loop control， digital twins， and AI-based predictive models to develop intelligent systems for smart blast furnace operation， blast furnace condition assessment， and quality optimization. Research on digital blast furnaces primarily focuses on variable prediction， state diagnosis， and blast furnace condition optimization， with these domains evolving from traditional approaches toward complex optimization modeling， multidimensional comprehensive evaluation， and multi-objective collaborative optimization， respectively. However， current predictive models require enhanced online self-updating and integration of data and mechanisms； evaluation systems need to emphasize multidimensional and fine-grained diagnostics， and blast furnace condition optimization has to overcome single-indicator limitations by focusing on low-risk， low-cost， and multi-objective coupled strategies. According to the actual needs of the blast furnace site， a physical system of blast furnace information was developed， where data， mechanisms， and experience were reasonably matched and called upon to form an integrated technology encompassing data governance， rule mining， intelligent prediction， comprehensive evaluation， multi-objective optimization， and decision feedback， which was identified as one of the key directions for future development of digital blast furnace ironmaking.

Key words: blast furnace, digital technology, intelligent prediction, state diagnosis, blast furnace condition optimization

中图分类号:

TF 54

储满生, 王国栋, 唐珏, 石泉. 数字化高炉炼铁技术研发与应用研究进展[J]. 东北大学学报（自然科学版）, 2025, 46(7): 113-130.

Man-sheng CHU, Guo-dong WANG, Jue TANG, Quan SHI. Research Progress on Development and Application of Digital Blast Furnace Ironmaking Technology[J]. Journal of Northeastern University(Natural Science), 2025, 46(7): 113-130.

图/表 7

参考文献 131

[1]	王国栋，刘振宇，张殿华，等. 钢铁企业创新基础设施及研究进展［J］. 钢铁， 2023， 58（9）： 2-14.
	Wang Guo-dong， Liu Zhen-yu， Zhang Dian-hua， et al. Steel enterprise innovation infrastructure（SEII） and its research development［J］. Iron & Steel， 2023， 58（9）： 2-14.
[2]	石泉，唐珏，储满生. 基于工业大数据的智能化高炉炼铁技术研究进展［J］. 钢铁研究学报， 2022， 34（12）： 1314-1324.
	Shi Quan， Tang Jue， Chu Man-sheng. Research progress of intelligent blast furnace ironmaking technology based on industrial big data［J］. Journal of Iron and Steel Research， 2022， 34（12）： 1314-1324.
[3]	刘小杰，李天顺，李欣，等. 高炉炼铁智能化发展的探讨与展望［J］. 中国冶金， 2025， 35（1）： 1-14，31.
	Liu Xiao-jie， Li Tian-shun， Li Xin， et al. Discussion and prospect of intelligent development of blast furnace ironmaking［J］. China Metallurgy， 2025， 35（1）： 1-14， 31.
[4]	何家雷，唐珏，储满生，等. 基于大数据的高炉炼铁数据治理及挖掘的研究［J］. 钢铁研究学报， 2024， 36（7）： 844-854.
	He Jia-lei， Tang Jue， Chu Man-sheng， et al. Research on data management and mining of blast furnace ironmaking based on big data［J］. Journal of Iron and Steel Research， 2024， 36（7）： 844-854.
[5]	Wang M Y， Tang J， Chu M S， et al. Prediction and optimization of flue pressure in sintering process based on SHAP［J］. International Journal of Minerals， Metallurgy and Materials， 2025， 32（2）： 346-359.
[6]	王国栋，刘振宇，张殿华，等. 材料科学技术转型发展与钢铁创新基础设施的建设［J］. 钢铁研究学报， 2021， 33（10）： 1003-1017.
	Wang Guo-dong， Liu Zhen-yu， Zhang Dian-hua， et al. Transformation and development of materials science and technology and construction of iron and steel innovation infrastructure［J］. Journal of Iron and Steel Research， 2021， 33（10）： 1003-1017.
[7]	周济. 智能制造： “中国制造2025” 的主攻方向［J］. 中国机械工程， 2015， 26（17）： 2273-2284.
	Zhou Ji. Intelligent manufacturing： main direction of“made in China 2025”［J］. China Mechanical Engineering， 2015， 26（17）： 2273-2284.
[8]	刘然，张智峰，刘小杰，等. 低碳绿色炼铁技术发展动态及展望［J］. 钢铁， 2022， 57（5）： 1-10.
	Liu Ran， Zhang Zhi-feng， Liu Xiao-jie， et al. Development trend and prospect of low-carbon green ironmaking technology［J］. Iron & Steel， 2022， 57（5）： 1-10.
[9]	Shi Q， Tang J， Chu M S. Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology［J］. International Journal of Minerals， Metallurgy and Materials， 2023， 30（9）： 1651-1666.
[10]	刘然，赵伟光，刘颂，等. 高炉冶炼智能化的发展与探讨［J］. 钢铁， 2023， 58（5）： 1-10.
	Liu Ran， Zhao Wei-guang， Liu Song， et al. Development and discussion of intelligent blast furnace smelting［J］. Iron & Steel， 2023， 58（5）： 1-10.
[11]	王国栋，张殿华，孙杰. 建设数据驱动的钢铁材料创新基础设施加速钢铁行业的数字化转型［J］. 冶金自动化， 2023， 47（1）： 2-9.
	Wang Guo-dong， Zhang Dian-hua， Sun Jie. Creating data-driven innovation infrastructure for iron and steel material to accelerate digital transformation of iron and steel industry［J］. Metallurgical Industry Automation， 2023， 47（1）： 2-9.
[12]	储满生，王茗玉，唐珏，等. 基于大数据的智能化烧结技术研究进展［J］. 钢铁， 2023， 58（9）： 26-38.
	Chu Man-sheng， Wang Ming-yu， Tang Jue， et al. Process of intelligent sintering technology based on big data［J］. Iron & Steel， 2023， 58（9）： 26-38.
[13]	Liu Y X， Jiao K X， Zhang J L， et al. Research progress and future prospects in the service security of key blast furnace equipment［J］. International Journal of Minerals， Metallurgy and Materials， 2024， 31（10）： 2121-2135.
[14]	周继红，陈仁. 钢铁冶金数字化高炉研究［J］. 山西冶金， 2022， 45（2）： 91-95.
	Zhou Ji-hong， Chen Ren. Research on digitization of blast furnace in ferrous metallurgy［J］. Shanxi Metallurgy， 2022， 45（2）： 91-95.
[15]	王晓慧，田天弘，覃京燕，等. 工业数字孪生数据建模在钢铁行业中的应用研究［J］. 包装工程， 2024， 45（8）： 11-20， 517.
	Wang Xiao-hui， Tian Tian-hong， Qin Jing-yan， et al. Application of industrial digital twin data modeling in iron and steel industry［J］. Packaging Engineering， 2024， 45（8）： 11-20， 517.
[16]	许永泓，杨春节，楼嗣威，等. 钢铁行业数字孪生研究现状分析和综述［J］. 冶金自动化， 2023， 47（1）： 10-23.
	Xu Yong-hong， Yang Chun-jie， Lou Si-wei， et al. Analysis and review of the current research status of digital twins in the iron and steel industry［J］. Metallurgical Industry Automation， 2023， 47（1）： 10-23.
[17]	王航天，何青，赵赫. 工业互联网推动钢铁行业高端化、智能化、绿色化发展的机理与路径探析［J］. 数字化转型， 2024， 1（2）： 31-38.
	Wang Hang-tian， He Qing， Zhao He. Analysis on the mechanism and path of industrial Internet promoting the high-end， intelligent and green gevelopment of steel industry［J］. Digital Transformation， 2024， 1（2）： 31-38.
[18]	Chen Z P， Wang X Y， Gui W H， et al. A novel sensing imaging equipment under extremely dim light for blast furnace burden surface： starlight high-temperature industrial endoscope［J］. IEEE/CAA Journal of Automatica Sinica， 2024， 11（4）： 893-906.
[19]	Kalsoom T， Ramzan N， Ahmed S， et al. Advances in sensor technologies in the era of smart factory and industry 4.0［J］. Sensors， 2020， 20（23）： 6783.
[20]	李宏扬，刘小杰，李欣，等. 高炉炼铁工业互联网平台的应用［J］. 钢铁， 2021， 56（9）： 10-18.
	Li Hong-yang， Liu Xiao-jie， Li Xin， et al. Application of industrial Internet platform for blast furnace iron making［J］. Iron & Steel， 2021， 56（9）： 10-18.
[21]	刘小杰，张玉洁，刘然，等. 高炉炼铁智能化发展的研究现状与展望［J］. 钢铁研究学报， 2024， 36（5）： 545-559.
	Liu Xiao-jie， Zhang Yu-jie， Liu Ran， et al. Research status and prospects of intelligent development of blast furnace ironmaking［J］. Journal of Iron and Steel Research， 2024， 36（5）： 545-559.
[22]	张天瑞，于天彪，赵海峰，等. 数据挖掘技术在全断面掘进机故障诊断中的应用［J］. 东北大学学报（自然科学版）， 2015， 36（4）： 527-531， 541.
	Zhang Tian-rui， Yu Tian-biao， Zhao Hai-feng， et al. Application of data mining technology in fault diagnosis of tunnel boring machine［J］. Journal of Northeastern University （Natural Science）， 2015， 36（4）： 527-531， 541.
[23]	刘然，高子扬，李宏扬，等. 高炉智能优化系统综述与展望［J］. 中国冶金， 2024， 34（3）： 13-24，36.
	Liu Ran， Gao Zi-yang， Li Hong-yang， et al. Overview and prospect of intelligent optimization system for blast furnace［J］. China Metallurgy， 2024， 34（3）： 13-24，36.
[24]	Wang Y， Wang X P， Tang L X. Evolutionary modeling approach based on multiobjective genetic programming for strip quality prediction［J］. Swarm and Evolutionary Computation， 2024， 86： 101519.
[25]	Zhao Y M， Wang X P， Song X M. Dynamic multiobjective operation optimization of blast furnace ironmaking process［J］. Advanced Engineering Informatics， 2025， 66： 103402.
[26]	Lu B， Chen G， Chen D M， et al. An energy intensity optimization model for production system in iron and steel industry［J］. Applied Thermal Engineering， 2016， 100： 285-295.
[27]	张颖伟，高鸿瑞，张鼎森，等. 基于多智能体的数字孪生及其在工业中应用的综述［J］. 控制与决策， 2023， 38（8）： 2168-2182.
	Zhang Ying-wei， Gao Hong-rui， Zhang Ding-sen， et al. A review of multi-agent-based digital twins and its application in industry［J］. Control and Decision， 2023， 38（8）： 2168-2182.
[28]	肖鹏. 高炉炼铁技术创新实践及未来展望［J］. 钢铁， 2021， 56（6）： 10-14， 34.
	Xiao Peng. Innovation practice and future prospects of blast furnace ironmaking technology［J］. Iron & Steel， 2021， 56（6）： 10-14， 34.
[29]	骆德欢. 智慧制造在宝钢股份宝山基地的实践［J］. 冶金自动化， 2019， 43（1）： 31-36， 72.
	Luo De-huan. Practice of intelligent manufacturing in Baoshan base of Baosteel［J］. Metallurgical Industry Automation， 2019， 43（1）： 31-36， 72.
[30]	朱仁良. 未来炼铁技术发展方向探讨以及宝钢探索实践［J］. 钢铁， 2020， 55（8）： 2-10.
	Zhu Ren-liang. Discussion on future development direction of ironmaking technology and exploratory practice of Baosteel［J］. Iron & Steel， 2020， 55（8）： 2-10.
[31]	邹玉贤. 钢铁智慧制造实践与思考［J］. 宝钢技术， 2022（1）： 1-9.
	Zou Yu-xian. Practice and thinking of steel smart manufacturing［J］. Baosteel Technology， 2022（1）： 1-9.
[32]	孟昕阳，徐震，王宝海，等. 鞍钢高炉孪生驾驶舱与操作评价平台的建设与应用［J］. 鞍钢技术， 2024（5）： 7-13， 32.
	Meng Xin-yang， Xu Zhen， Wang Bao-hai， et al. Construction of digital twin cockpit and operation evaluation platform for BF of Ansteel and applications［J］. Angang Technology， 2024（5）： 7-13， 32.
[33]	李建军，胡代超，刘炳南，等. 鞍钢高炉大数据可视化平台开发及应用［J］. 鞍钢技术， 2023（3）： 15-20.
	Li Jian-jun， Hu Dai-chao， Liu Bing-nan， et al. Construction and application of visualization program for big data system for blast furnaces of Ansteel［J］. Angang Technology， 2023（3）： 15-20.
[34]	徐海涛. 本钢高炉智能管理系统的研发与应用［J］. 有色设备， 2023， 37（3）： 58-62.
	Xu Hai-tao. Research and application of intelligent management system for Benxi Steel’s blast furnaces［J］. Nonferrous Metallurgical Equipment， 2023， 37（3）： 58-62.
[35]	何天庆，宁武，王晓雪，等. 鞍钢朝阳钢铁高炉数字孪生系统构建及应用［J］. 鞍钢技术， 2022（6）： 66-71.
	He Tian-qing， Ning Wu， Wang Xiao-xue， et al. Construction of digital twin system for blast furnace in Chaoyang Steel Company of Ansteel and its application［J］. Angang Technology， 2022（6）： 66-71.
[36]	谭天雷. 江苏沙钢集团有限公司炼铁管控中心的实践应用［J］. 冶金自动化， 2022， 46（sup1）： 10-14.
	Tan Tian-lei. Practice and application of ironmaking control center of Jiangsu Shagang Group Co.， Ltd.［J］. Metallurgical Industry Automation， 2022， 46（sup1）： 10-14.
[37]	雷鸣，杜屏，周夏芝，等. 沙钢3号高炉炉缸炉底侵蚀结厚智能监测系统［J］. 冶金自动化， 2021， 45（5）： 13-22.
	Lei Ming， Du Ping， Zhou Xia-zhi， et al. Intelligent monitoring system for erosion and freezing of hearth and bottom of No.3 blast furnace in Shasteel［J］. Metallurgical Industry Automation， 2021， 45（5）： 13-22.
[38]	刘奔. 沙钢智慧设备在线诊断平台［J］. 冶金设备， 2024 （sup1）：25-28.
	Liu Ben. Shagang’s smart equipment online diagnostic platform［J］. Metallurgical Equipment， 2024 （sup1）： 25-28.
[39]	孔令泽，姚可佩，邓映，等. 宁钢炼铁智能化数字化改革应用实践［J］. 冶金设备， 2024（sup1）： 156-158， 63.
	Kong Ling-ze， Yao Ke-pei， Deng Ying， et al. Application practice of intelligent digital reform of ironmaking in Ninggang［J］. Metallurgical Equipment， 2024（sup1）： 156-158， 63.
[40]	武晨. 钢铁行业绿色化智能化发展及河钢集团创新实践［J］. 河北冶金， 2023（4）： 1-8.
	Wu Chen. Green and intelligent development of the steel industry and HBIS group’s innovative practice［J］. Hebei Metallurgy， 2023（4）： 1-8.
[41]	刘二浩，吴东海，胡心光，等. 高炉全炉料层分布智能监测系统的研究与应用［J］. 冶金自动化， 2025， 49（2）： 14-23.
	Liu Er-hao， Wu Dong-hai， Hu Xin-guang， et al. Research and application of intelligent monitoring system for burden layer distribution in blast furnace［J］. Metallurgical Industry Automation， 2025， 49（2）： 14-23.
[42]	刘旦，刘晓萍，葛小亮. 高炉智能管理系统在兴澄特钢的应用［J］. 长江信息通信， 2022， 35（1）： 26-28.
	Liu Dan， Liu Xiao-ping， Ge Xiao-liang. Application of blast furnace intelligent management system in Xingcheng Special Steel［J］. Changjiang Information & Communications， 2022， 35（1）： 26-28.
[43]	陈伟. 钢铁行业智能制造转型实践：在高炉冶炼中的应用与优化策略研究［J］. 福建冶金， 2025， 54（2）： 57-61.
	Chen Wei. Intelligent manufacturing transformation practice in the steel industry： research on the application and optimization strategies in blast furnace smelting［J］. Fujian Metallurgy， 2025， 54（2）： 57-61.
[44]	黄泽海，刘登峰. 酒钢1号、2号高炉智能诊断系统的研发与应用［J］. 甘肃冶金， 2025， 47（1）： 44-47.
	Huang Ze-hai， Liu Deng-feng. Development and application of intelligent diagnostic systems for Jiujiang No.1 and No.2 blast furnaces［J］. Gansu Metallurgy， 2025， 47（1）： 44-47.
[45]	杨领芝，王海波，陈哲，等. 青岛特钢铁前系统智能制造优化提升实践［J］. 山东冶金， 2023， 45（4）： 43-45，48.
	Yang Ling-zhi， Wang Hai-bo， Chen Zhe， et al. The practice of optimization and promotion for intelligent manufacturing system before ironmaking in Qingdao Special Steel［J］. Shandong Metallurgy， 2023， 45（4）： 43-45，48.
[46]	王宏伟. 高炉炼铁中炉料结构的智能优化研究［J］. 山西冶金， 2022， 45（3）： 161-162， 179.
	Wang Hong-wei. Study on intelligent optimization of charge structure in blast furnace ironmaking［J］. Shanxi Metallurgy， 2022， 45（3）： 161-162， 179.
[47]	浦项加快智能工厂建设［J］. 轧钢， 2018， 35（5）： 11.
	（POSCO speeds up the construction of smart factories［J］. Steel Rolling， 2018， 35（5）： 11.）
[48]	浦项加快智能化工厂建设［J］. 烧结球团， 2018， 43（4）： 63.
	（POSCO accelerates construction of intelligent factories［J］. Sintering and Pelletizing， 2018， 43（4）： 63.）
[49]	罗晔.POSCO智能工厂建设进展［J］.冶金管理，2021（12）：51-55.
	Lou Ye. Progress in POSCO’s smart factory construction［J］. China Steel Focus， 2021 （12）： 51-55.
[50]	赵国磊，孙刘恒，高成云. 面向信息物理系统架构的高炉炼铁系统智能化设计［J］. 冶金自动化， 2021， 45（3）： 11-18.
	Zhao Guo-lei， Sun Liu-heng， Gao Cheng-yun. Intelligent design of blast furnace ironmaking system orienting cyber physical system architecture［J］. Metallurgical Industry Automation， 2021， 45（3）： 11-18.
[51]	Redchuk A， Walas M F. New business models on artificial intelligence：the case of the optimization of a blast furnace in the steel industry by a machine learning solution［J］. Applied System Innovation， 2021， 5（1）： 6-20.
[52]	Spirin N A， Lavrov V V， Rybolovlev V Y， et al. Digital transformation of pyrometallurgical technologies. state， scientific problems， and prospects of development［J］. Steel in Translation， 2021， 51（8）： 522-530.
[53]	周文福. 高炉配矿工艺中的成本控制研究［J］. 冶金与材料， 2025， 45（1）： 131-133.
	Zhou Wen-fu. Research on cost control in blast furnace ore blending process［J］. Metallurgy and Materials， 2025， 45（1）： 131-133.
[54]	赵军. 基于大数据技术的高炉炼铁智能预报系统研究［D］. 沈阳：东北大学， 2021.
	Zhao Jun. Intelligent prediction system for blast furnace ironmaking based on big data technology［D］. Shenyang： Northeastern University， 2021.
[55]	Nogami H. Carbon requirement for ironmaking under carbon and hydrogen co-existing atmosphere［J］. ISIJ International， 2019， 59（4）： 607-612.
[56]	陆熔，李维国，陶荣尧. 宝钢炼铁20年的回顾及展望［J］. 炼铁， 2005， 24（sup1）： 2-8.
	Lu Rong， Li Wei-guo， Tao Rong-yao. Review and prospect of Baosteel’s ironmaking for 20 years［J］. Ironmaking， 2005， 24（sup1）： 2-8.
[57]	刘馨，张卫军，石泉，等. 基于数据挖掘与清洗的高炉操作参数优化［J］. 东北大学学报（自然科学版）， 2020， 41（8）： 1153-1160.
	Liu Xin， Zhang Wei-jun， Shi Quan， et al. Optimization of blast furnace operating parameters based on data mining and cleaning［J］. Journal of Northeastern University （Natural Science）， 2020， 41（8）： 1153-1160.
[58]	王国栋，孙杰. 生成式AI+钢铁：助力钢铁行业中国式现代化［J］. 钢铁研究学报， 2025， 37（4）： 405-408.
	Wang Guo-dong， Sun Jie. Generative AI+steel： empowering Chinese-style modernization of steel industry［J］. Journal of Iron and Steel Research， 2025， 37（4）： 405-408.
[59]	江德文，王振阳，戴建华，等. 基于支持向量机的高炉煤气利用率预测建模［J］. 中国冶金， 2021， 31（4）： 55-63，67.
	Jiang De-wen， Wang Zhen-yang， Dai Jian-hua， et al. Forecast modeling of gas utilization rate of blast furnace based on support vector machine［J］. China Metallurgy， 2021， 31（4）： 55–63，67.
[60]	赵军，李红玮，刘小杰，等. 基于XGBoost的高炉透气性指数预测模型［J］. 中国冶金， 2021， 31（3）： 22-29.
	Zhao Jun， Li Hong-wei， Liu Xiao-jie， et al. Prediction model of blast furnace permeability index based on XGBoost［J］. China Metallurgy， 2021， 31（3）： 22-29.
[61]	赵军，李宏扬，李欣，等. 基于智能模型的高炉煤气利用率预测［J］. 中国冶金， 2021， 31（3）： 93-100.
	Zhao Jun， Li Hong-yang， Li Xin， et al. Gas utilization ratio prediction of blast furnace based on intelligent model［J］. China Metallurgy， 2021， 31（3）： 93-100.
[62]	Jiang D W， Wang Z Y， Li K J， et al. Machine learning models for predicting and controlling the pressure difference of blast furnace［J］. JOM， 2023， 75（11）： 4550-4561.
[63]	刘颂，赵亚迪，张振，等. 基于集成学习的高炉压差预报模型研究［J］. 电子测量技术， 2022， 45（2）： 31-38.
	Liu Song， Zhao Ya-di， Zhang Zhen， et al. Research on blast furnace pressure difference prediction model with integrated learning［J］. Electronic Measurement Technology， 2022， 45（2）： 31-38.
[64]	Li H Y， Liu X J， Li X， et al. Causality analysis and prediction of blast furnace state based on convergence cross mapping［J］. Ironmaking & Steelmaking， 2022， 49（9）： 875-886.
[65]	Xu H W， Qin W， Sun Y N， et al. Attention mechanism-based deep learning for heat load prediction in blast furnace ironmaking process［J］. Journal of Intelligent Manufacturing， 2024， 35（3）： 1207-1220.
[66]	罗世华，董力豪，王栋，等. 基于VMD-TCN-GRU组合模型的高炉透气性指数预测［J］. 中国冶金， 2025， 35（5）： 150-160.
	Luo Shi-hua， Dong Li-hao， Wang Dong， et al. Prediction for blast furnace permeability index based on VMD-TCN-GRU combined model［J］. China Metallurgy， 2025， 35（5）： 150-160.
[67]	石琳，刘文慧，曹富军，等. 基于CEEMDAN-SVM-LSTM的高炉煤气利用率组合预测［J］. 中国测试， 2023， 49（1）： 86-91.
	Shi Lin， Liu Wen-hui， Cao Fu-jun， et al. Combined forecast of blast furnace gas utilization rate based on CEEMDAN-SVM-LSTM［J］. China Measurement & Test， 2023， 49（1）： 86-91.
[68]	施有恒，张淑会，刘小杰，等. 基于SSA优化的XGBoost-BP融合模型的高炉压差预测［J］. 钢铁研究学报， 2024， 36（8）： 1019-1033.
	Shi You-heng， Zhang Shu-hui， Liu Xiao-jie， et al. Prediction of blast furnace pressure difference based on a combined model of XGBoost and BP optimized by SSA［J］. Journal of Iron and Steel Research， 2024， 36（8）： 1019-1033.
[69]	靳亚涛，张玉洁，刘小杰，等. 基于EEMD-BAS-RBF的高炉煤气利用率预测［J］. 钢铁研究学报， 2023， 35（11）： 1330-1338.
	Jin Ya-tao， Zhang Yu-jie， Liu Xiao-jie， et al. Prediction for utilization rate of blast furnace gas based on EEMD-BAS-RBF［J］. Journal of Iron and Steel Research， 2023， 35（11）： 1330-1338.
[70]	孟丽丽，温金龙，刘然，等. 基于BO-Lstm-Catboost模型的高炉透气性指数预测系统［J］. 冶金能源， 2025， 44（3）： 67-74.
	Meng Li-li， Wen Jin-long， Liu Ran， et al. BO-Lstm-Catboost model-based prediction system of blast furnace permeability index［J］. Energy for Metallurgical Industry， 2025， 44（3）： 67-74.
[71]	Gao Z W， Nguang S K， Kong D X. Advances in modelling， monitoring， and control for complex industrial systems［J］. Complexity， 2019， 2019： 2975083.
[72]	Yang L， Shami A. On hyperparameter optimization of machine learning algorithms： theory and practice［J］. Neurocomputing， 2020， 415： 295-316.
[73]	Zhou P， Dai P， Song H D， et al. Data-driven recursive subspace identification based online modelling for prediction and control of molten iron quality in blast furnace ironmaking［J］. IET Control Theory & Applications， 2017， 11（14）： 2343-2351.
[74]	Li Y R， Yang C J. Domain knowledge based explainable feature construction method and its application in ironmaking process［J］. Engineering Applications of Artificial Intelligence， 2021， 100： 104197.
[75]	Jiang K， Jiang Z H， Xie Y F， et al. Prediction of multiple molten iron quality indices in the blast furnace ironmaking process based on attention-wise deep transfer network［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 2512114.
[76]	Li J P， Hua C C， Yang Y N， et al. A novel MIMO T-S fuzzy modeling for prediction of blast furnace molten iron quality with missing outputs［J］. IEEE Transactions on Fuzzy Systems， 2020， 29（6）： 1654-1666.
[77]	Li J P， Hua C C， Yang Y N. A novel multiple-input-multiple-output random vector functional-link networks for predicting molten iron quality indexes in blast furnace［J］. IEEE Transactions on Industrial Electronics， 2021， 68（11）： 11309-11317.
[78]	Li J P， Hua C C， Qian J L， et al. Low-rank based multi-input multi-output Takagi-Sugeno fuzzy modeling for prediction of molten iron quality in blast furnace［J］. Fuzzy Sets and Systems， 2021， 421： 178-192.
[79]	李壮年. 基于大数据挖掘的大型高炉关键工艺参数预测和优化［D］. 沈阳：东北大学， 2020.
	Li Zhuang-nian. Prediction and optimization of key process parameters of large blast furnace based on big data mining［D］. Shenyang： Northeastern University， 2020.
[80]	乔俊飞，黄卫民，丁海旭，等. 复杂工业过程特征建模方法及应用研究［J］. 控制与决策， 2023， 38（8）： 2063-2078.
	Qiao Jun-fei， Huang Wei-min， Ding Hai-xu， et al. Research on feature modeling method for complex industrial process and its application［J］. Control and Decision， 2023， 38（8）： 2063-2078.
[81]	Zheng H Y， Ding Y Q， Zhou S F， et al. Viscosity prediction model for blast furnace slag with high Al₂O₃ ［J］. Steel Research International， 2021， 92： 1900635.
[82]	Jiang D W， Zhang J L， Wang Z Y， et al. A prediction model of blast furnace slag viscosity based on principal component analysis and K-nearest neighbor regression［J］. JOM， 2020， 72（11）： 3908-3916.
[83]	Li Z， Wang M， Xu R， et al. Prediction of viscosity of blast furnace slag based on NRBO-DNN model［J］. Alexandria Engineering Journal， 2025， 119： 124-137.
[84]	孟丽丽，彭垚，刘然，等. 基于VMD-PSO-BiLSTM的高炉炉渣碱度预测模型［J］. 冶金能源， 2025， 44（3）： 36-41.
	Meng Li-li， Peng Yao， Liu Ran， et al. Prediction model for blast furnace slag alkalinity based on VMD-PSO-BiLSTM［J］. Energy for Metallurgical Industry， 2025， 44（3）： 36-41.
[85]	Azadi P， Winz J， Leo E， et al. A hybrid dynamic model for the prediction of molten iron and slag quality indices of a large-scale blast furnace［J］. Computers & Chemical Engineering， 2022， 156： 107573.
[86]	惠佳豪. 基于特征工程的高炉炉渣黏度和炉缸活跃性预测［D］. 西安：西安建筑科技大学， 2024.
	Hui Jia-hao. Predicting slag viscosity and hearth activity of blast furnacebased on feature engineering［D］. Xi’an： Xi’an University of Architecture and Technology， 2024.
[87]	Chen C L， Hsieh C T， Chao Y C. Expert system for real-time control of an ironmaking reactor［J］. International Journal of Systems Science， 1992， 23（1）： 17-35.
[88]	徐万仁，张永忠，吴铿. 高炉炉缸活性状态的表征及改善途径［J］. 炼铁， 2010， 29（3）： 23-26.
	Xu Wan-ren， Zhang Yong-zhong， Wu Keng. Characterization and improvement approaches of blast furnace hearth activity state［J］. Ironmaking， 2010， 29（3）： 23-26.
[89]	Dai B， Long H M， Ji Y L， et al. Theoretical and practical research on relationship between blast air condition and hearth activity in large blast furnace［J］. Metallurgical Research & Technology， 2020， 117（1）： 113-118.
[90]	代兵，梁科，王学军，等. 高炉炉缸活性量化计算模型的开发与实践［J］. 中国冶金， 2015， 25（12）： 45-49.
	Dai Bing， Liang Ke， Wang Xue-jun， et al. Development and practice of quantitative calculation models of blast furnace hearth activity［J］. China Metallurgy， 2015， 25（12）： 45-49.
[91]	张贺顺，马洪斌. 首钢2号高炉炉缸工作状态探析［J］. 炼铁， 2009， 28（4）： 11.
	Zhang He-shun， Ma Hong-bin. Analysis on working conditions of No.2 blast furnace hearth in shougang iron and steel Co.， Ltd.［J］. Ironmaking， 2009， 28（4）： 11.
[92]	刘小杰，温梁亦欣，张玉洁，等. 基于理论分析和智能算法的高炉炉缸活性预测模型［J］. 中国冶金， 2024， 34（2）： 83-95.
	Liu Xiao-jie， Wen Liang-yi-xin， Zhang Yu-jie， et al. Prediction model of blast furnace hearth activity based on theoretical analysis and intelligent algorithm［J］. China Metallurgy， 2024， 34（2）： 83-95.
[93]	Deng Y， Liu R， Li T， et al. The quantitative model of hearth activity based on data mining and characteristics of deadman［J］. Metallurgical Research & Technology， 2023， 120（1）： 235-255.
[94]	Zhou D D， Cheng S S， Zhang R X， et al. Uniformity and activity of blast furnace hearth by monitoring flame temperature of raceway zone［J］. ISIJ International， 2017， 57（9）： 1509-1516.
[95]	孙梦园. 基于改进ICA算法的高炉故障诊断方法［D］. 杭州：浙江大学， 2017.
	Sun Meng-yuan. A fault diagnosis method for blast furnaces based on improved ICA algorithm［D］. Hangzhou： Zhejiang University， 2017.
[96]	罗超. 基于多智能体的高炉故障诊断方法研究［D］. 沈阳：东北大学， 2013.
	Luo Chao. Research of blast furnace fault diagnosis method based on multi-agent［D］. Shenyang： Northeastern University， 2013.
[97]	Liu J， Wang S. Construction of the inference engine of blast furnace expert system［J］. Journal of Iron and Steel Research（International），1998，5（2）：24-29.
[98]	Naito M， Takeda K， Matsui Y. Ironmaking technology for the last 100 years： deployment to advanced technologies from introduction of technological know-how， and evolution to next-generation process［J］. ISIJ International， 2015， 55（1）： 7-35.
[99]	Otsuka K， Matoba Y， Kajiwara Y， et al. A hybrid expert system combined with a mathematical model for blast furnace operation［J］. ISIJ International， 1990， 30（2）： 118-127.
[100]	刘祥官，曾九孙，郝志忠，等.多模型集成的高炉炼铁智能控制专家系统［J］. 浙江大学学报（工学版）， 2007， 41（10）： 1637-1642.
	Liu Xiang-guan， Zeng Jiu-sun， Hao Zhi-zhong， et al. Multi-model integrated intelligent control expert system for blast furnace ironmaking［J］. Journal of Zhejiang University （Engineering Science）， 2007， 41（10）： 1637-1642.
[101]	Lee K， Ki J H. Rise of latecomers and catch-up cycles in the world steel industry［J］. Research Policy， 2017， 46（2）： 365-375.
[102]	Li H Y， Bu X P， Liu X J， et al. Evaluation and prediction of blast furnace status based on big data platform of ironmaking and data mining［J］. ISIJ International， 2021， 61（1）： 108-118.
[103]	Hu Y F， Zhou H， Yao S， et al. Comprehensive evaluation of the blast furnace status based on data mining and mechanism analysis［J］. International Journal of Chemical Reactor Engineering， 2022， 20（2）： 225-235.
[104]	刘金祥，孟丽丽，刘然，等. 基于FA-KM-SPC的高炉评价监测系统［J］. 中国冶金， 2024， 34（11）： 61-74.
	Liu Jin-xiang， Meng Li-li， Liu Ran， et al. Blast furnace evaluation monitoring system based on FA-KM-SPC［J］. China Metallurgy， 2024， 34（11）： 61-74.
[105]	李红玮，李欣，刘小杰，等. 基于大数据挖掘的钒钛高炉综合运行状态评价模型［J］. 钢铁， 2023， 58（10）： 51-66.
	Li Hong-wei， Li Xin， Liu Xiao-jie， et al. Evaluation model for comprehensive operation condition of vanadium and titanium blast furnace based on big data mining［J］. Iron & Steel， 2023， 58（10）： 51-66.
[106]	王坤明. 基于大数据挖掘的高炉生产状态诊断与预报系统研究［D］. 唐山：华北理工大学， 2023.
	Wang Kun-ming. Study on blast furnace production status diagnosis and forecasting system based on big data mining［D］. Tangshan： North China University of Science and Technology， 2023.
[107]	Cui G M， Yao Y Q， Ma X， et al. Fuzzy comprehensive evaluation model of pulverized coal digestibility in blast furnace raceway based on the fusion of subjective and objective evidence［J］. ISIJ International， 2019， 59（12）： 2149-2155.
[108]	张胜男. 基于专家知识与数据相结合的高炉炉况综合评价［D］. 包头：内蒙古科技大学， 2020.
	Zhang Sheng-nan. Comprehensive evaluation of blast funace conditions based on the combination of expert knowledge and data［D］. Baotou： Inner Mongolia University of Science and Technology， 2020.
[109]	安剑奇，郭云鹏，张新民，等. 高炉炼铁过程智能感知、诊断与控制方法的研究现状与展望［J］. 冶金自动化， 2024， 48（2）： 2-23.
	An Jian-qi， Guo Yun-peng， Zhang Xin-min， et al. Research status and prospects of intelligent sensing， diagnosis and control method of blast furnace ironmaking processes［J］. Metallurgical Industry Automation， 2024， 48（2）： 2-23.
[110]	刘振. 基于贝叶斯网络（Bayesian networks）方法的高炉故障诊断研究［D］. 武汉：武汉科技大学， 2015.
	Liu Zhen. Research of blast furnace fault diagnosis based on Bayesian networks［D］. Wuhan： Wuhan University of Science and Technology， 2015.
[111]	严如强，周峥，杨远贵，等. 可解释人工智能在工业智能诊断中的挑战和机遇：归因解释［J］.机械工程学报， 2024， 60（12）： 21-40.
	Yan Ru-qiang， Zhou Zheng， Yang Yuan-gui， et al. Challenges and opportunities of XAI in industrial intelligent diagnosis：attribution interpretation［J］. Journal of Mechanical Engineering， 2024， 60（12）： 21-40.
[112]	张宗旺，车晓锐，张宏博. 高炉多目标优化模型的建立及验证［J］. 过程工程学报， 2017， 17（1）： 178-182.
	Zhang Zong-wang， Che Xiao-rui， Zhang Hong-bo. Establishment and validation of multi-objective optimization model of blast furnace［J］. The Chinese Journal of Process Engineering， 2017， 17（1）： 178-182.
[113]	Liu Z D， Fang Y M， Liu L， et al. Dynamic Harris hawks optimizer based on historical information and tournament strategy and its application in numerical optimization of blast furnace ingredients［J］. Applied Soft Computing， 2024， 164： 111976.
[114]	Liu R， Gao Z Y， Li H Y， et al. Research on blast furnace ingredient optimization based on improved grey wolf optimization algorithm［J］. Metals， 2024， 14（7）： 798-823.
[115]	李壮年，储满生，柳政根，等. 基于机器学习和遗传算法的高炉参数预测与优化［J］. 东北大学学报（自然科学版）， 2020， 41（9）： 1262-1267.
	Li Zhuang-nian， Chu Man-sheng， Liu Zheng-gen， et al. Prediction and optimization of blast furnace parameters based on machine learning and genetic algorithm［J］. Journal of Northeastern University （Natural Science）， 2020， 41（9）： 1262-1267.
[116]	Parihar M S， Nistala S H， Kumar R， et al. Optimization of blast furnace ironmaking using machine learning and genetic algorithms［J］. Steel Research International， 2025， 96（4）： 2300788.
[117]	Zhou Q， Yin Y L， Peng D G， et al. Multi-objective optimization of blast furnace dosing and operation based on NSGA-II［C］//2022 4th International Conference on Electrical Engineering and Control Technologies （CEECT）. Shanghai， 2022： 165-169.
[118]	张琦，姚彤辉，蔡九菊. 高炉炼铁过程多目标优化模型的研究及应用［J］. 东北大学学报（自然科学版）， 2011， 32 （2）： 270-273.
	Zhang Qi， Yao Tong-hui， Cai Jiu-ju. On the multi-objective optimal model of blast furnace iron making process and its application［J］. Journal of Northeastern University（Natural Science）， 2011， 32（2）： 270-273.
[119]	Li Y J， Li H Q， Zhang J， et al. Burden surface decision using MODE with TOPSIS in blast furnace ironmkaing［J］. IEEE Access， 2020， 8： 35712-35725.
[120]	Morales-Hernández A， Van Nieuwenhuyse I， Rojas G S. A survey on multi-objective hyperparameter optimization algorithms for machine learning［J］. Artificial Intelligence Review， 2023， 56（8）： 8043-8093.
[121]	田伟健. 钢铁企业能源互补协同的多目标优化调度模型研究［D］. 北京：北京科技大学， 2024.
	Tian Wei-jian. Research on the multi-objective optimization scheduling model for energy complementation and collaboration in iron and steel plants［D］. Beijing： University of Science and Technology Beijing， 2024.
[122]	柴天佑，郑锐，邢方新，等. 工业过程控制智能化及未来发展展望［J］. 中国科学（信息科学）， 2025， 55（7）： 1555-1570.
	Chai Tian-you， Zheng Rui， Xing Fang-xin， et al. Intelligence for industrial process control： development and prospects［J］. Science China（ Information Sciences）， 2025， 55（7）： 1555-1570.
[123]	Shi Q， Tang J， Chu M S. Process metallurgy and data-driven prediction and feedback of blast furnace heat indicators［J］. International Journal of Minerals， Metallurgy and Materials， 2024， 31（6）： 1228-1240.
[124]	Shi Q， Tang J， Chu M S. Process metallurgy and genetic algorithm multi-objective optimization of blast furnace hearth working state［J］. Steel Research International， 2025， 96（6）： 2300671.
[125]	Shi Q， Tang J， Chu M S. Evaluation， prediction， and feedback of blast furnace hearth activity based on data-driven analysis and process metallurgy［J］. Steel Research International， 2024， 95（2）： 2300385.
[126]	Wang M Y， Chu M S， Tang J， et al. Comprehensive evaluation， prediction， and optimization of sintering state［J］. Metallurgical and Materials Transactions B， 2025， 56（2）： 2035-2046.
[127]	Zhang Z， Tang J， Chu M S， et al. Evolution mechanism of blast furnace cooling plate slag-hanging behavior with different cooling system structure［J］. Steel Research International， 2025， 96（1）： 2400490.
[128]	张振，唐珏，储满生，等. 高炉冷却板挂渣能力数值模拟分析［J］. 钢铁， 2024， 59（11）： 54-64.
	Zhang Zhen， Tang Jue， Chu Man-sheng， et al. Slag-hanging capacity numerical simulation and analysis of blast furnace copper cooling plate［J］. Iron & Steel， 2024， 59（11）： 54-64.
[129]	齐月松，储满生，唐珏，等. 基于大数据技术的高炉数据治理研究进展［J］. 冶金自动化， 2023， 47（1）： 43-52.
	Qi Yue-song， Chu Man-sheng， Tang Jue， et al. Research progress of blast furnace data governance based on big data technology［J］. Metallurgical Industry Automation， 2023， 47（1）： 43-52.
[130]	王国栋. 科技创新与产业创新深度融合推动我国钢铁工业发展新质生产力［J］. 中国科技产业， 2024 （10）： 4-6.
	Wang Guo-dong. Deep integration of scientific and industrial innovation promotes the development of new quality productive forces in China’s iron and steel industry［J］. Science & Technology Industry of China， 2024（10）： 4-6.
[131]	铁区一体化智能化炼铁技术开发与应用［N］. 世界金属导报，2025-02-25（B05）.
	（Integrated and intelligent ironmaking technology development and application in the iron-making zone［N］.World Metal News， 2025-02-25（B05）.）

技术类别	国内应用案例与特色	国外应用案例与特色
数据采集与传感技术	宝钢、本钢、山钢等（温度、压力、气流、料面等操作监控检验数据）	JFE钢铁（AI分析传感器采集单高炉约10 000个点位）
数据分析与决策支持	鞍钢、三钢、宝信等（高炉孪生驾驶舱数据多维解析、120个工序模型耦合计算、“五位一体”模型平台集成工艺知识与实时数据等）	浦项钢铁、土耳其卡德米尔钢铁（PosFrame平台原燃料与炉况自主分析系统、BFXpert操作人员指导系统与二级控制系统等）
炉况预测与状态诊断	沙钢、宝钢、酒钢等（高炉炉料、气流、渣铁、炉温、炉型、炉况智能评价、预测与诊断系统等）	浦项钢铁、土耳其卡德米尔钢铁、北美钢铁（PosFrame平台五大变量预测系统、BFXpert高炉诊断系统、高炉行为预测系统等）
协同优化与智能调度	宝钢、青岛特钢、唐钢等（全工厂能源利用协同调度、多基地生产原料调度、铁前一体化平台集成模型、5G+天车等）	法国齐诺尔钢铁、北美钢铁、俄罗斯Magnitogorsk钢铁（SACHEM炉况协同预警系统、七步式AI流程优化燃料设定点、燃料煤气智能调度等）
数字孪生与可视化	朝阳钢铁、本钢、宝钢等（高炉虚实精准映射、炉内气流与炉料三维可视化平台、炉型三维检测等）	JFE钢铁、俄罗斯Magnitogorsk钢铁（数字孪生体预测8～12 h炉况、机器视觉识别炉料粒度，热力学模型模拟冶炼过程等）

技术类别	国内应用案例与特色	国外应用案例与特色
数据采集与传感技术	宝钢、本钢、山钢等（温度、压力、气流、料面等操作监控检验数据）	JFE钢铁（AI分析传感器采集单高炉约10 000个点位）
数据分析与决策支持	鞍钢、三钢、宝信等（高炉孪生驾驶舱数据多维解析、120个工序模型耦合计算、“五位一体”模型平台集成工艺知识与实时数据等）	浦项钢铁、土耳其卡德米尔钢铁（PosFrame平台原燃料与炉况自主分析系统、BFXpert操作人员指导系统与二级控制系统等）
炉况预测与状态诊断	沙钢、宝钢、酒钢等（高炉炉料、气流、渣铁、炉温、炉型、炉况智能评价、预测与诊断系统等）	浦项钢铁、土耳其卡德米尔钢铁、北美钢铁（PosFrame平台五大变量预测系统、BFXpert高炉诊断系统、高炉行为预测系统等）
协同优化与智能调度	宝钢、青岛特钢、唐钢等（全工厂能源利用协同调度、多基地生产原料调度、铁前一体化平台集成模型、5G+天车等）	法国齐诺尔钢铁、北美钢铁、俄罗斯Magnitogorsk钢铁（SACHEM炉况协同预警系统、七步式AI流程优化燃料设定点、燃料煤气智能调度等）
数字孪生与可视化	朝阳钢铁、本钢、宝钢等（高炉虚实精准映射、炉内气流与炉料三维可视化平台、炉型三维检测等）	JFE钢铁、俄罗斯Magnitogorsk钢铁（数字孪生体预测8～12 h炉况、机器视觉识别炉料粒度，热力学模型模拟冶炼过程等）

数字化高炉炼铁技术研发与应用研究进展

Research Progress on Development and Application of Digital Blast Furnace Ironmaking Technology

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 131

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李美杭, 苗思雨, 张巍巍, 胡恩柱. 钢铁冶金废渣活化过硫酸盐降解丁基黄药[J]. 东北大学学报（自然科学版）, 2024, 45(2): 187-192.
[2]	李海峰，杨巧婷，邵磊，邹宗树. 高炉内料层结构动态追踪的技术开发[J]. 东北大学学报（自然科学版）, 2023, 44(5): 617-625.
[3]	刘晓宏，温治，肖永力，楼国锋. 气淬作用下熔渣粒化机理及破碎效果分析[J]. 东北大学学报（自然科学版）, 2023, 44(10): 1424-1430.
[4]	房晓晴，刘书含，孙文强. 高炉煤气管网水力建模及调度策略[J]. 东北大学学报（自然科学版）, 2023, 44(1): 69-75.
[5]	史本慧，刘炳南，罗志国，邹宗树. 热风在高炉热风围管中流动特性的模拟研究[J]. 东北大学学报（自然科学版）, 2022, 43(5): 755-760.
[6]	郭永春，郑海燕，胡心光，沈峰满. CaO-SiO₂-MgO-Al₂O₃四元渣系Al₂O₃活度预测模型[J]. 东北大学学报（自然科学版）, 2021, 42(5): 652-657.
[7]	李壮年，储满生，柳政根，李宝峰. 基于机器学习和遗传算法的高炉参数预测与优化[J]. 东北大学学报:自然科学版, 2020, 41(9): 1262-1267.
[8]	刘馨，张卫军，石泉，周乐. 基于数据挖掘与清洗的高炉操作参数优化[J]. 东北大学学报:自然科学版, 2020, 41(8): 1153-1160.
[9]	康月，刘超，张玉柱，姜茂发. 气淬法粒化高炉渣实验研究[J]. 东北大学学报:自然科学版, 2020, 41(2): 212-216.
[10]	杜培培，张玉柱，龙跃. M_k对调质高炉渣制备矿渣棉过程中熔渣性能影响[J]. 东北大学学报:自然科学版, 2019, 40(9): 1279-1283.
[11]	马小刚，陈良玉，李杨. 基于响应面法炉腹异型管铜冷却壁的长寿技术优化[J]. 东北大学学报:自然科学版, 2019, 40(5): 710-715.
[12]	康月，刘超，张玉柱，姜茂发. 气淬法制备高炉渣玻璃微珠的性能[J]. 东北大学学报:自然科学版, 2019, 40(2): 202-206.
[13]	郁肖兵，倪文杰，邹宗树. 富氧高炉综合模型[J]. 东北大学学报:自然科学版, 2018, 39(9): 1248-1253.
[14]	丁智敏，姜鑫，魏国，沈峰满. 软熔带类型对高炉内未燃煤粉分布影响的数值模拟[J]. 东北大学学报:自然科学版, 2018, 39(9): 1242-1247.
[15]	孟繁超，邹宗树. 高炉热储备区温度对煤气利用率的影响[J]. 东北大学学报:自然科学版, 2018, 39(7): 985-989.