高炉渣黏度对高炉的操作、排渣及显热回收操作有很大影响［1－2］，如高炉渣黏度过大、流动性差、被迫采用高炉温操作等，极大地影响了高炉技术经济指标［3－4］。高炉渣温度、化学成分与它的黏度特性有直接的关系，但由于高炉渣的化学成分之间存在着复杂的化学反应，故利用单一的经验方程式很难准确地模拟出温度、成分与黏度之间的关系，回归出的方程式使用范围较窄、泛化性不强，且因为高炉熔渣的化学成分、温度与它的黏度之间存在复杂的非线性关系，要建立适合范围广、精确度高的通用公式难度较大。采用人工神经网络（ANN）对渣的性能进行预测，网络收敛速度快、预测精度高，明显地优于传统的统计回归法［5－6］。为此，本文建立一种BP神经网络模型来预测多元组分CaO－SiO2－Al2O3－MgO系高炉熔渣的黏度，并对其测量值进行实验验证，以期更好地模拟在各种不确定因素影响下因果变量之间的内在关系。

1 模型的建立

1.1 模型设计

1.1.1 网络神经元个数及隐含层数的确定

因高炉渣黏度受温度、成分及碱度的影响较大，故本模型选取温度、CaO、SiO2、MgO、Al2O3和碱度为参数。输入矢量为6×2维的矩阵，输入层神经元个数为6，代表输入的高炉渣温度、CaO、SiO2、MgO、Al2O3含量和碱度值；输出层神经元个数为1，代表输出的黏度值。根据试凑法不断改进后发现，尽管隐含层神经元个数增多，但单隐层神经网络收敛速度仍然较慢；然而，可通过增加隐含层数量来改善它的收敛速度［5］，故选取了2层隐层。隐层神经元数据的确定较为复杂，可采用自适应的方法来确定。……