高炉渣的黏度直接影响料柱的透气性、炉料顺行、渣铁分离以及炉渣的脱硫能力等，对高炉冶炼具有极其重要的作用。近年来，由于进口矿（如高铝矿）的大量使用，国内部分高炉入炉矿石成分波动较大，为适应冶炼条件的变化，需不断调整高炉渣系，否则会导致料柱透气性变差、炉墙结瘤等严重问题。高炉渣系中，终渣成分组成波动较小，且便于取样测量。然而高炉初渣、中间渣FeO含量高，成分变化剧烈，黏度波动较大且不便于取样测黏度，而其流动性直接影响煤气流的分布和高炉顺行，因此有必要建立模型分析高FeO渣系黏度的变化规律。
北京大学工学院针对高炉初渣、中间渣组分多变特别是FeO含量高等问题，系统研究了CaO－SiO2－Al2O3－FeO－MgO五元渣系的黏度及组分对黏度的影响规律，并建立了基于WEB的神经网络－遗传算法（ANN－GA）系统的高炉渣黏度预报模型。结果表明，该模型对高FeO渣系的黏度预报值与试验结果吻合较好，误差在20%以内。通过单因素分析，得到各因素对炉渣黏度影响的关系曲线，与正交试验结果及文献数据基本一致；应用该模型可以在炉况变化时及时了解炉渣流动性的变化，有助于合理操作高炉。但由于高炉渣组分复杂，冶炼操作制度多变，将模型用于指导生产之前需要进一步优化，使之更接近高炉渣系黏度的真实值。
