高炉是钢铁生产整体流程中的重大设备。由于高炉炉缸长期受到物理作用和化学作用,因此内衬的侵蚀具有不可避免性,并具有不可观测性。一般情况下,在高炉炉衬侵蚀监测过程中只能得到高炉内衬中预埋的热电偶的温度值,以及大修时所得到的炉缸侵蚀的具体数据。所以是否能够全面地了解到高炉内衬的侵蚀情况,及时准确地掌握炉缸炉底、耐火材料的运行状态,从而正确地进行高炉操作,对保证炉缸安全和整个钢铁企业连续生产具有重要的技术经济意义。高炉内衬侵蚀状态的预测属于求边界的热传导反问题,即用热电偶的温度值来推导内衬侵蚀边界形貌。这个问题可以通过建立内衬侵蚀边界曲线与热电偶所测温度的对应的函数关系式来进行高炉内衬侵蚀状态的预测,但是很难写出具体函数表达式。因此,选用具有非线性映射能力的神经网络法来进行高炉内衬侵蚀状态的预测研究。通过对炉缸、炉底的传热过程作适当简化,建立计算模型。针对典型炉缸结构,按照多样性、丰富性、典型性构造一定数量侵蚀模式,并运用ANSYS系统作有限元传热自动求解,提取温度参数,形成“侵蚀模式-温度”数据库。建立针对炉缸内衬侵蚀的神经网络,并把“侵蚀模式-温度”数据库作为训练数据,通过选择合适的参数与训练方法,训练得到稳定的神经网络,从而利用神经网络建立一种测温点温度与侵蚀边界线上离散点坐标所对应的函数关系。根据实际测温点温度利用训练得到具有函数逼近和记忆功能的神经网络,预测内衬侵蚀边界。利用“侵蚀模式-温度”数据库的数据和实测温度数据对神经网络的预测精度进行了计算验证和影响精度因素的分析和讨论。其中,对神经网络预测得到的侵蚀边界再利用传热正解计算进行精度分析,具有实用意义。本文建立的炉缸内衬侵蚀的神经网络预测方法和技术,从仿真结果和验证结果来看,误差均在工程允许范围内,神经网络方法可以用于高炉内衬侵蚀预测。