铁矿石烧结烟气治理药剂的风险可控最小化：一种面向综合污染控制的因果自适应机器学习框架

《Process Safety and Environmental Protection》：Risk-controlled minimization of flue-gas abatement reagents in iron-ore sintering: A causal, adaptive machine-learning framework for integrated pollution control

　　

摘要

铁矿烧结是氮氧化物（NOx）和硫氧化物（SOx）的主要来源，而它们的减排需要消耗大量的脱硝（氨）和脱硫试剂，这增加了成本并造成了氨逃逸和废吸附剂等二次污染。因此，在安全满足排放限值的前提下最小化试剂使用是一个涉及综合污染控制和工艺安全的问题。这难以实现的原因有三点：投加响应排放，因此效果存在混杂；过程会发生漂移；预测存在误差。利用来自真实烧结厂的综合运行、减排设施和原料数据，我们提出了一条连接因果推断、自适应预测和风险可控优化的单一管线。双重机器学习将脱硫剂的效应从朴素的+0.34修正为因果的?0.10，确认了增加试剂可降低排放。在无泄漏、时间排序评估下，周期性重训恢复了预测能力（R2：SOx 0.50，NOx 0.44）。一种感知安全边距的优化在控制在10–20%超标风险下，将试剂削减约16%（脱硫剂）和19%（氨），在不进行跨介质转移的情况下减少二次污染。出现了NOx–SOx不对称性：NOx可控（预警AUC 0.82），而SOx控制因日分辨率可观测性限制（残差无法被测量解释但持续存在）而饱和在约84%覆盖率。

引言

钢铁行业是能源和排放密集型行业，铁矿烧结（将细矿石和熔剂聚结成烧结矿供高炉使用）是其氮氧化物（NOx）和硫氧化物（SOx）的主要来源之一。NOx主要在固体燃料（焦碳）中的氮在燃烧过程中被氧化时形成，而SOx则来源于原料和燃料中硫的氧化（Wang等人，2025，Zhou等人，2016）。在最近加严的超低排放法规（Zhang等人，2025b）下，减少烧结排放现在直接与行业的可持续性挂钩（Gong等人，2024）。

排放可以通过过程或下游减排来降低。在过程方面，烟气再循环可降低NOx并回收余热（Fan等人，2019，Fan等人，2013，Yu等人，2017a），Ca–Fe氧化物添加剂进一步降低NOx（Yu等人，2017b），但此类措施与生产率和烧结质量相冲突，而且SOx尤其会在料床内被吸收并再释放（Chun等人，2017）。因此，达到法规水平使得下游减排设施脱硝和脱硫在实际中不可避免。

对于减排，选择性催化还原（SCR）使用氨进行脱硝是标准方法（Elkaee等人，2024，Ye等人，2021），而脱硫则依赖于湿法或半干法吸收（Zhou等人，2017，Liu等人，2021）、专用脱硫剂（Xing等人，2023）以及活性炭吸附进行协同多污染物去除（Guo等人，2025）。然而，这些设施涉及高昂的资本和运营成本、试剂（氨和脱硫剂）消耗、未反应氨泄漏（氨逃逸）和副产品处理，且其烟气处理成本据报道相当可观（Cui等人，2020，Cui等人，2021，Yang等人，2025）。由于试剂本身具有环境足迹（氨生产的碳以及吸附剂或副产品废弃物），减少试剂是一项综合污染控制任务：它同时降低试剂成本、氨逃逸以及废吸附剂和副产品负担，而不将污染物从空气转移到水或固体废物中。同时，由于减排绝不能突破排放限值，本质上它是一个控制超标风险的工艺安全问题。

在此背景下，数据驱动的排放预测研究活跃，但几乎全部集中在烧结厂之外。烧结指标的智能预测和软测量已得到综述（Du等人，2025，Yan等人，2022）。对于燃烧流，模型类别因研究而异：用于燃煤SOx和NOx的深度神经网络（So等人，2023，Adams等人，2020），用于NOx动态的卷积神经网络–长短期记忆网络（CNN-LSTM）（Yin等人，2023），以及基于特征的神经网络（Kang等人，2021），而相关深度模型预测颗粒物和空气质量指数（Guo等人，2023，Qian等人，2024），He和Ding（2024）提出了动态随机森林软传感器；Kadlec等人（2009）对通用软测量方法论进行了综述。然而，这些工作针对的是电厂而非烧结厂的流，大多数止步于预测准确性而没有将其转化为应投加多少试剂，且忽略时间顺序的验证高估了现场性能。

优化试剂数量的研究大多针对电厂SCR中的氨注入，每种技术各不相同：用遗传算法训练的神经网络（Faghihi和Shamekhi，2010），基于Transformer的带有前馈预测的模型预测控制（Chen等人，2025），SCR反应的多目标优化（Zhang等人，2024b），基于计算流体力学（CFD）的氨注入流量控制（Kim等人，2021），以及用于分区氨注入的集成增量学习（Dong等人，2025）。一条并行线将可解释的数据驱动模型应用于相邻环境过程中的实时化学投加，如水处理中的混凝剂控制（Zhao等人，2025）。然而，面向烧结过程的试剂（尤其是脱硫剂）数据驱动最小化研究仍然稀缺（研究空白1）。

更根本地，工业数据因进料变化、运行模式切换和设备老化而在统计特性上随时间变化（概念漂移），正如Gama等人（2014）、Lu等人（2018）以及针对软传感器的Kadlec等人（2011）所综述的那样。提出的应对方法因机制而异：奇异谱分析检测漂移本身（Zhang等人，2024a），动态迁移软传感器在线适应分布变化的模型（Zhang等人，2023b），知识嵌入框架将先验结构带入更新模型（Zhang等人，2025a），半监督自适应软传感器将漂移校正应用于锅炉NOx排放预测（Hasnen等人，2023）。然而，这些主要旨在维持预测质量，并未与排放合规的试剂决策进行定量联系（研究空白2）。

同时，由于试剂在排放高时被更多地投加，试剂–排放关系在数据中存在混杂，真实效应被掩盖。朴素回归甚至可能得出增加试剂会增加排放的错误结论。为了从观测数据中分离因果效应，Chernozhukov等人（2018）提出了双重/去偏机器学习，Wager和Athey（2018）提出了因果森林，而Athy和Imbens（2019）从经济学角度对这类因果估计技术进行了综述。在工业预测中，Wang等人（2026）报告了NOx预测结合时变因果特征分离的价值。然而，将这类因果推断作为试剂最小化基础的结合工作很难找到（研究空白3）。

最后，在忽略预测误差的情况下削减试剂会增加超标风险。由Vovk等人（2005）形式化的共形预测为任何模型赋予无分布安全边距，Angelopoulos和Bates（2023）提供了易于理解的概述。为了应对分布漂移，Gibbs和Candès（2021）提出了自适应共形推断（ACI）。这类不确定性量化可以与Bertsimas等人（2011）的鲁棒优化相结合，但尚未应用于烧结厂试剂最小化（研究空白4）。

本研究将上述四个空白整合为单一管线。在处理非线性关系和缺失数据方面表现良好的梯度提升预测模型——即Friedman（2001）的梯度提升及其XGBoost扩展（Chen和Guestrin，2016）——上，我们施加了物理单调性约束（增加试剂不会增加预测排放），使用源自Breiman（2001）并在Altmann等人（2010）修正形式中的置换特征重要性解释主要排放驱动因素，并将因果推断与自适应共形预测相结合。我们在真实运行烧结厂的综合运行、减排设施和原料数据上验证了该框架，同时以无量纲、标准化形式报告所有结果以防止识别该厂。

本研究的主要贡献如下，每项针对上述识别的一个或多个空白：

1. 本研究提出了两种试剂——脱硝试剂（氨）和脱硫试剂（基于生石灰的脱硫剂）——的同时数据驱动最小化问题，特别是提供了一条脱硫剂最小化的数据驱动路径，这在烧结文献中很少受到关注（空白1）。

2. 通过双重机器学习恢复真实的、反馈混杂的试剂效应；这反转了脱硫剂对SOx朴素效应的符号（标准化β从+0.34到?0.10），从而建立了基于模型优化的有效性，即增加试剂不会增加排放（空白3）。

3. 将非平稳性与法规合规投加决策进行定量联系，显示静态模型在样本外失效，而周期性（前向移动）重训恢复了预测能力（时间排序R2从SOx的0.26到0.50，从NOx的0.24到0.44）（空白2）。

4. 暴露了固定安全边距在漂移下失效的问题，引入ACI，并识别出一致的NOx–SOx不对称性：NOx达到90%覆盖率目标，而SOx饱和在约84%，这是日分辨率下的可观测性限制而非方法学限制（空白4）。

5. 该框架在保密性保护缩放下基于真实运行烧结厂数据进行了验证，并将试剂节省转化为试剂成本和隐含CO2的按比例减少，展示了工业适用性和直接的综合污染控制与工艺安全效益。

我们使用的每个组件——双重机器学习、梯度提升和自适应共形预测——在其各自领域都已确立；本研究的贡献是它们针对烧结厂试剂最小化问题的应用集成，以及混杂试剂效应的符号修正。我们并不声称单个方法的创新性；然而据我们所知，它们用于铁矿烧结中数据驱动脱硫剂和氨最小化的集成尚未被报道。

章节片段

拟议框架概览

本节在详细方法（第3节）之前，解释拟议框架的总体情况及其各阶段之间的联系；详细方程在第3节中处理。

试剂最小化在真实数据中难以实现的原因有三点：(i) 试剂–排放关系被反馈混杂，(ii) 过程随时间漂移，(iii) 预测带有误差。我们在一个逻辑流程中连接它们：为了削减试剂，我们必须知道真实的试剂效应（因果），预测排放……

材料与方法

本节介绍了每个阶段的方法和关键方程。更详细的推导、设置和缩写定义见补充信息（SI）。

数据集成与硫输入

在日-线级别集成烧结过程的运行、减排设施和原料数据，产生了一个跨越约14个月的日数据集。约39%的硫输入来自燃料（焦碳和无烟煤）。也就是说，尽管大部分硫输入（约61%）来自铁矿石和熔剂，但在燃烧过程中直接氧化的燃料硫约占五分之二，构成不可忽视的份额，与后面的发现一致……

结论

本研究提出了一个统一的因果、自适应和鲁棒框架，用于在满足烧结过程排放法规的前提下尽可能节约使用脱硝和脱硫试剂，并在真实运行数据上进行了验证。该框架按逻辑组织为四个阶段，即为了削减试剂，必须知道真实的试剂效应，预测排放，确保预测在未来仍然有效，并控制违规风险……

CRediT作者贡献声明

Soonho Hwangbo：撰写–审阅与编辑，撰写–原始草稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，形式分析，数据整理，概念化。

写作过程中生成式AI和AI辅助技术的声明

在准备本工作期间，作者使用了一个生成式AI助手来改进手稿的语言、结构和参考文献格式。使用此工具后，作者根据需要审阅和编辑了内容，并对已发表文章的内容承担全部责任。

利益冲突声明

作者声明他们没有任何已知的可能影响本论文所报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了韩国国家研究基金会（NRF）[项目编号NRF-RS-2024-00358351]的支持。

本工作得到了通过韩国国家研究基金会（NRF）的项目（NRF-RS-2024-00358351）的支持。

Soonho Hwangbo