钢水中的氧主要来自于精炼前的吹氧过程,氧在钢水中主要是以氧化物的形式存在的,精炼脱氧的目的有两方面,一是防止在出钢和浇注的过程中,过剩的氧和碳反应生成大量气体,造成出钢和浇注困难,二是防止各类氧化物在钢水温度降低后以结晶形式析出,对钢材质量造成损害。氧含量的高低也是钢的清洁度的反映和钢材质量的反映,所以高质量的钢材,一般都需要将氧含量降至较低的范围。钢水氧含量的准确预报,是合理组织生产、提高钢水质量、实现氧含量控制的重要前提。精炼炉的脱氧是一个较复杂的物理化学过程,一般用全氧含量作为氧含量的指标。本文从冶金学的角度对脱氧的原理进行了阐述,并在平衡方程、动态方程、人工智能三种方法上进行建模分析,平衡方程表示反应到达平衡时钢液中酸溶铝和平衡氧的关系。动态方程其本质是用非限制性环节的反应速度代替整个过程的速度,包括脱氧速度和增氧速度两部分。机理方程建模属于经验式,通过机理方程的分析,可以得出影响氧含量的因素,这些因素和氧含量间具有非线性关系,因此采用神经网络作为人工智能建模方法,而RBF网络具有最佳拟合性能和较快的训练速度,可以满足模型的要求。结合宝钢300吨精炼炉实际冶炼工艺和采样数据,最终将影响氧含量的因素定义为初始氧含量、吨钢加铝量、吨钢石灰加入量、吨钢合成渣加入量、渣厚度、每分钟吹氩量、吨钢合金加入量,上述7个因素作为RBF神经网络的输入,输出为氧含量。对宝钢LF炉实际冶炼的数据进行处理,获得400组数据,对前300组应用Matlab神经网络函数进行仿真建模,其余100组数据用来检验模型。检验结果表明模型的适用性较好,对实际生产具有一定的指导意义。