陈光¹，王东昌¹，佟琳²，邵宏研¹，张中中¹，牛乐^3，4，周明顺^5，6

（1.中宏联（鞍山）科技有限公司，辽宁鞍山114021；2.鞍钢集团矿业有限公司东鞍山烧结厂，辽宁鞍山114021；3. 森林生态与保育重点实验室（中国科学院）中国科学院沈阳应用生态研究所，辽宁 沈阳 110016；4. 中国科学院大学，北京 100049；5.海洋装备金属材料及其应用全国重点实验室，辽宁鞍山114009；6.鞍钢集团钢铁研究院，辽宁鞍山114009）

摘要：“双碳”战略背景下，钢铁行业面临降本增效与绿色低碳转型的双重压力。矿冶协同优化旨在通过统筹矿山与冶金环节的资源利用和生产调度，实现成本、效率与碳排放的系统性优化。矿冶协同优化不仅是实现低碳转型的必然路径，更是推动全产业链高质量发展的重要抓手。系统梳理了矿冶协同优化的研究进展，揭示了低碳转型驱动下矿冶协同优化由局部改进走向全流程统筹的新趋势。以鞍钢集团为案例，对鞍钢集团在鞍山区域的高炉炉料变革所带来的矿冶协同减排效应进行了初步核算，分析了鞍钢集团在产业链一体化条件下实施矿冶协同优化的独特优势，并提出了相关发展建议，为鞍钢集团及我国钢铁行业实现绿色低碳转型与高质量发展提供了理论参考与实践启示。

关键词：双碳目标；矿冶协同优化；低碳转型；高质量发展

在全球应对气候变化与我国高质量发展的背景下，钢铁行业正面临着降本增效和低碳转型的双重挑战。一方面，降本增效是钢铁企业长期以来的核心命题。随着钢铁行业步入“减量发展、存量优化”阶段^［1］，钢铁需求持续收缩而供给相对过剩的矛盾日益突出^［2］，企业降本增效面临新的挑战。国际铁矿石定价机制长期失衡^［3］，挤压了国内钢铁行业的利润空间，成本压力与效益波动风险进一步加剧^［4］。另一方面，绿色低碳转型为企业带新的外部约束。我国“双碳”战略全面推进，对矿山及冶炼环节的碳排放提出更严格要求。欧盟碳边境调节机制（Carbon Border Adjustment Mechanism，CBAM）等规则直接加剧了钢铁产品的出口压力^［5］，钢铁产品碳足迹透明化成为企业参与全球竞争的“入场券”。降本压力与低碳约束的双重叠加，迫使企业在产业链协同、流程衔接和系统优化等方面寻求突破口，矿冶协同优化成为低碳转型和降本增效的必然选择。

矿冶协同是指将矿山与冶金两个相对独立的上下游环节，通过物质流、能量流、信息流和技术流的深度融合，形成一个有机统一的系统，侧重于产业链上下游的纵向深度整合与协同。其核心目标是打破“采、选、冶”之间的信息壁垒和制度障碍，实现从矿石到金属产品的全流程效益最大化。矿冶协同优化，是指通过统筹矿山端的资源开采与选矿环节，以及冶金端的烧结、球团和炼铁等环节，通过应用智能化技术和算法，实现矿山和生产调度系统的高效协同，从而在全流程范围内实现资源利用效率和生产效益的最优组合。矿业协同优化通过精准的选矿、配矿、配煤，稳定烧结矿、球团矿和焦炭质量等，最终为高炉提供稳定优质的原料，实现铁水成本最低。矿冶协同优化追求的不是采选矿或冶炼各自的最优，而是“矿石→金属”链条的整体最优。矿冶协同优化在“采-选-冶”全产业链上的具体实践和深化，代表了现代矿冶工业从粗放、分段式管理向精细化、一体化、智能化管理发展的必然趋势，其最终目标是打造高效、低碳、绿色、可持续的现代矿冶产业体系。

鞍钢集团是我国最大的“矿-冶”一体化企业，拥有铁矿、选矿厂、烧结厂、球团厂、焦化厂和高炉，具备开展矿冶协同优化的独特条件。鞍钢集团矿业有限公司2024年的铁精矿年产量为2 315万t，90%以上的铁精矿通过造块工艺制成烧结矿、球团矿供给鞍钢本部高炉，形成了矿山—冶金高度一体化的格局。当前铁精矿综合品位为67.3%，虽能保障铁精矿产量与供应稳定，但是否是全流程最优选择仍缺乏系统论证。对矿业公司而言，适度降低精矿品位可减少选矿加工成本、提升产量和资源利用率；对炼铁环节而言，更高的精矿品位则意味着炉料质量改善、焦比下降和铁水成本降低。这种内部诉求差异长期制约鞍钢集团整体效益发挥，而在低碳约束愈加严峻的背景下，更突显出通过矿冶协同优化破解矛盾、实现整体效益提升的必要性。

本文开展“双碳”战略背景下的矿冶协同优化研究，分析了“双碳”战略背景对矿冶系统优化提出的更高要求，系统梳理了矿冶协同优化的相关研究进展，评述铁矿石品位优化与原料配矿优化等单环节优化的贡献与局限，并进一步探讨了在低碳约束下矿冶协同优化由局部改进走向全流程统筹的新趋势，以期为行业低碳转型提供理论参考与路径启示。同时，本文对近期鞍钢集团在鞍山区域的高炉炉料变革中产生的矿冶协同减排量进行初步核算，分析了鞍钢集团实施矿冶协同优化的独特优势，提出了鞍钢集团深入推进矿冶协同优化的建议。

1  矿冶协同优化的必要性

1.1  钢铁行业是低碳约束下的关键控制对象

钢铁行业是典型的资源、能源密集型行业。全球钢铁碳排放约26亿t，约占全球能源活动碳排放总量的7%~9%^［6］，占全球工业部门温室气体直接排放的25%^［7］。我国是全球钢铁第一生产大国，粗钢产量占全球50%以上^［4］。我国钢铁能源消耗占全国能源消耗总量的13%，碳排放占全国碳排放总量的15%^［8］。因此，我国钢铁行业低碳转型是我国实现碳达峰碳中和目标的重要支撑，也对全球钢铁行业脱碳具有重要意义。我国发布的《中共中央 国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》《2030年前碳达峰行动方案》《工业领域碳达峰实施方案》《工业能效提升行动》《关于促进钢铁工业高质量发展的指导意见》《钢铁行业节能降碳专项行动计划》等政策，都明确对钢铁行业节能降碳作出重要指示与要求。欧盟碳边境调节机制（CBAM）中，钢铁产品作为首批覆盖产品门类，被要求履行碳披露与缴费义务^［5］。为应对国际贸易壁垒，我国全面启动碳市场，继电力行业率先开展碳配额之后，2025年生态环境部制定《全国碳排放权交易市场覆盖钢铁、水泥、铝冶炼行业工作方案》，钢铁行业作为首批扩展重点覆盖行业，要求开展碳配额管理与履约，碳市场机制进一步强化了对钢铁行业的减排约束。钢铁行业面临着巨大的碳减排压力。

1.2  矿冶协同优化是避免排放转移的必然选择

广义上钢铁全产业链的环节众多，碳排放主要集中在铁前系统，包括采矿、选矿、烧结、球团、炼焦和炼铁等^［7］。若减排措施过度集中于产业链的单一环节，往往会引发碳排放在不同环节之间的转移，从而削弱整体减排成效。麦肯锡报告指出，低品位铁矿石在选矿阶段需要消耗更多能源，导致运营排放显著增加^［9］。生命周期评价研究指出，高炉炉料结构对钢铁产品碳足迹有重要影响，其核算结果表明，每生产1 t烧结矿的二氧化碳排放量约282.75 kg，远高于球团矿的碳排放量强度19.57 kg^［10］。同时，众多研究采用投入产出分析的方法，论证了碳足迹在产业链中的传导过程^{［11–13］}。由此可见，只有通过矿石质量、烧结工艺与高炉操作的系统性协同，才能避免单一环节优化产生的排放虚假转移，实现全流程的减排效益最大化。因此，矿冶协同是低碳约束下实现系统减排的必然选择。

1.3  全链条管理是低碳转型的必然趋势

在全球应对气候变化与推进“碳中和”目标的背景下，以绿色低碳水平为特征的绿色竞争力正在重塑全球产业链格局和国际贸易规则。国际巨头集团已率先行动，SSAB、ThyssenKrupp等钢铁企业基于绿色氢冶金与原料供应商和下游客户建立全链条减排合作，形成从矿石到成品钢的低碳供应链模式，以确保其绿色钢产品符合欧盟CBAM要求。必和必拓、淡水河谷、FMG等矿业巨头明确提出范围三（Scope3）价值链排放的减排目标，在ESG管理中主动披露范围三排放，探索低碳球团、绿色运输和全流程碳足迹追踪，以提升其原料在低碳钢产业链中的适配性。美国证券交易委员会规定，到2026年，上市公司必须酌情报告其直接排放量和间接排放量，全链条碳管理已是大势所趋^［14］。可见低碳不仅是外部约束，也是系统流程再造与模式创新的驱动。全链条协同优化不仅是内部减排的技术手段，更是企业提升国际竞争力和风险管理能力的战略选择。

2  矿冶协同优化推动企业高质量发展

2.1  推动降本增效，夯实高质量发展基础

矿冶协同优化需要在集团层面打通矿山开采、选矿与冶炼之间的数据壁垒和管理障碍，从原料端、生产端和产品端深度减量挖潜，推动企业极致降本^［2］。在原料端，从源头优化矿石品位与配矿结构^［15］，精准把握矿石品位变动与经济效益的平衡点，在保障高炉稳定运行的同时实现原料合理匹配，最大限度减少原料采购和物流运输等原料端成本。在生产端，依托数字化手段推进动态排产与计划调度优化，全面提升系统运行效率，持续释放降本潜力。在产品端，通过全流程工艺优化与技术创新，提高产品质量一致性与稳定性，降低生产损耗，同时，矿冶协同增强企业根据市场需求动态调度能力^［16］，有效控制库存。总之，矿冶协同可推动企业从局部节约到全流程极致降本，更好地应对市场波动与外部采购风险，为高质量发展奠定坚实基础。

2.2  践行绿色低碳，构建高质量发展新格局

矿冶协同优化是推动钢铁行业践行绿色低碳发展、构建高质量发展新格局的关键路径。一是矿冶协同优化有效促进节能减排。在采矿与选矿环节，通过合理的矿石配比和磨矿-浮选工艺参数调整，降低工序能耗与碳排放；在冶炼环节，通过优化炉料结构、提高球团矿比例、降低渣比等措施降低单位产品碳排放强度；同时，通过源头绿色原料选择与物流优化，协同降低供应链中的范围三碳排放，实现全链条碳减排。二是矿冶协同为企业构建全流程碳排放体系提供了路径支撑。依托数据共享与系统集成，实现对矿山至冶金全环节碳流的实时追踪和精准管理，不仅满足国际碳足迹披露与低碳贸易政策要求，也为参与国内碳市场、实现碳资产优化管理奠定基础。三是矿冶协同显著增强企业产品竞争力与行业引领作用。企业通过率先实践矿冶协同低碳模式，形成行业示范，提供低碳产品，应对国际绿色供应链要求，帮助下游客户实现碳减排目标，提升产品国际市场认可度。

2.3  驱动技术创新与产业升级，增强高质量发展动能

矿冶协同优化为全产业链技术联合攻关与持续优化创造了条件，推动高效选冶关键技术与智能化深度融合与规模化应用。依托智能配矿系统和数字孪生技术，实时响应冶炼工序需求，动态调整矿石供应与预处理方案，全面提升全流程资源利用效率和能源集约化水平。同时，矿冶协同促进低碳技术创新与产品研发推广。通过系统整合技术资源与生产数据，为低碳技术的研发与应用提供支撑，加速前沿减排技术在企业内部的开发与创新，并推动高性能球团矿、低碳高纯金属等环境友好型产品的规模化生产，不仅提升企业自身冶炼效率和能源利用率，还满足下游对绿色原材料的需求，助力企业绿色低碳转型升级。另外，矿冶协同优化促进产业链整合与价值提升。依托矿冶一体化优势，企业能够将产业链延伸至金属基新材料和深加工领域，提升全产业链附加值，构建具有持续创新能力和资源整合效能的高质量发展新格局。

3  矿冶协同优化研究进展与趋势

矿冶协同优化作为连接矿产资源开发与钢铁冶金生产的核心纽带，是提升资源利用效率、降低生产成本、增强产业链韧性的关键所在，其研究趋势随着时代需求不断演变。传统的研究与实践大多聚焦于单一环节的局部优化，如在上游环节致力于铁精矿品位优化与价格机制的创新，在中游环节聚焦原料优化与智能配矿技术的突破。这些研究虽显著提升了各环节的独立效能，却难以突破“局部最优而非全局最优”的系统性瓶颈。当前，在全球碳中和战略与绿色贸易壁垒的驱动下，矿冶联动研究也经历着从分散决策到系统集成的变革。低碳约束不再仅是外部边界条件，而已内化为全流程优化的核心目标与驱动力量，与数字化赋能共同催生出以“碳流”追踪与优化为导向、覆盖“采矿—选矿—烧结/球团—炼铁”全产业链的新范式。

3.1  矿石品位优化是矿冶协同研究的基础

铁精矿品位优化是矿冶联动体系的源头和基础，其技术进步直接关系到后续冶炼的能耗、成本和产品质量。自20世纪90年代，矿石品位合理优化是矿冶联动研究的一个热点。早期研究多利用经济价值评价法^{［17–20］}对铁精矿品位涉及的技术经济合理性进行综合比较，从而探讨矿石供应商的优化管理。经济成本始终是确定合理铁精矿品位的关键因素。余永富院士提出“提铁降硅”理论^［21］，强调铁精矿中硅和铝含量的高低直接影响烧结矿和高炉炼铁的效率及经济效益。邵安林院士提出“五品联动”矿冶工程管理模式^［22］，建立了相应的品位-链接成本关系模型，为矿石品位的优化提供了理论依据与工程应用工具。随着我国对资源高效利用和节能降耗要求的不断提高，铁精矿品位优化研究也逐渐引入资源利用率与能耗约束等多重目标^［23-24］，体现出从单一经济目标向多目标协同决策的重要转变。

3.2  原料优化技术是矿冶协同研究的重要环节

高炉炼铁素有“七分原料，三分操作”的说法^［25］，原料优化是矿冶联动系统中的核心技术环节。其关键在于通过科学方法实现多原料的合理搭配，以提升整体生产效益与资源利用率。实验设计研究是配矿信息提取的关键技术^［26］，研究人员多通过实验设计探究不同原料配比对烧结质量及高炉操作指标的影响机理，从而确定经济高效的配矿方案^［27］。随着技术不断发展，配矿优化已逐渐从单一工序走向跨工序集成优化^［28,29］，通过建立综合成本模型和多目标规划等数学模型，获取多目标下各工序最优配料和操作参数^{［30–32］}，实现系统性节能降耗与成本控制。近年来，随着工业生产过程数据的不断积累和人工智能技术的迅猛发展，数据驱动与智能优化成为铁前系统配料优化的新趋势。遗传算法、粒子群算法等方法在智能配矿优化得到广泛应用^［15］。学者们利用机器学习对烧结配料^［33-34］与球团质量^［35］等进行精准预测，探索铁前系统一体化配料优化路径^［36］。例如，陈伟^［37］等开发了烧结—高炉炼铁全过程炉料结构智能优化系统，吨铁成本下降12.89元，效益显著高于单独进行烧结和高炉配料优化的效果，充分体现了跨工序协同优化的潜力与优势。

4.3 “双碳”背景下矿冶协同优化研究趋势

在全球碳中和战略与绿色贸易壁垒的驱动下，碳双控成为企业新的硬性约束，进一步推动了矿业与冶金协同优化。上官方钦^［38］指出，钢铁工业的低碳化本质是重构物质流—能量流—信息流的耗散路径，旨在将传统线性代谢转化为动态循环网络。在此背景下，铁前一体化配矿研究也在传统以成本为核心的基础上，纳入能源利用效率和碳排放等低碳类指标^［25］。例如，杨烨等^［39］构建了碳限额与交易政策下周期性碳约束与累计碳约束的生产计划优化模型，系统分析了该政策对高炉生产调度的影响。与此同时，数字化与智能化日益赋能低碳管理，成为推动钢铁行业绿色转型的重要趋势。通过应用数字孪生技术对钢铁生产全流程进行模拟仿真，并建设智慧能源系统，企业能够显著提升碳管理效能。例如，宝钢集团通过引入AI技术和科技情报，实现了从传统炼钢向智能化炼钢的转变^［40］。杭钢宁波钢铁依托“1+5+X”数字化转型工程通过数字孪生技术构建高炉、转炉等核心设备的虚拟模型，形成全流程智能化与可视化，有效降低能耗强度和碳排放量^［41］。此外，低碳技术创新也在不断驱动供应链协同转型。例如，HIsarna炼铁工艺，实现从铁矿直接生成液态铁，省去了烧结和焦化环节，显著降低CO₂排放^［42］。由此可见，在“双碳”战略背景下，矿冶协同优化呈现出以低碳约束为核心、以数字化与绿色工艺创新为支撑的全流程系统性优化趋势。矿冶系统物质－能源－碳流动示意图见图1。

图1  矿冶系统物质—能源—碳流动示意图

Fig. 1  The material-energy-carbon flow in the mining and metallurgical system

4  鞍钢矿冶协同优化之碳减排典型案例

鞍钢集团钢铁研究院与鞍钢集团矿业有限公司东鞍山烧结厂共同研究鞍钢铁前系统低碳绿色发展问题，提出在东鞍山烧结厂360 m²烧结机拆除后，在原址新建年产400万t带式机碱性球团产线的建议。鞍钢集团矿业有限公司组织专家进行充分论证后，该建议和技术方案得到采纳。400万t带式机碱性球团产线于2024年1月17日开工建设，2024年11月27日投产，2025年1月1日达产达效。2025年1—7月碱性球团累计产量222.03万t，碱性球综合合格率高达94.93%，产品质量稳定可靠。东鞍山烧结厂碱性球团全部供鞍钢本部高炉，其中将2号、3号、10号、11号高炉作为提高球团比例的试验高炉，各高炉碱性球团比例均达到15%以上，最高达到21.8%。球团比例在23%~37%，个别高炉球团比例一度高达50%。从总入炉品位来看，全厂综合入炉品位由2024年11月的57.45%提升至2025年6月的58.42%，提升0.97%。高炉使用碱性球团后，随着入炉品位的升高，2号、3号、10号、11号高炉的燃料比下降3~6 kg/t，高炉的直接碳排放也因此而下降。

鞍钢集团积极响应国家“双碳”战略，基于新建年产400万t带式机碱性球团，通过优化炉料结构成功实现了高炉燃料比的降低，降低了高炉的能耗强度与碳排放。下面对此次炉料结构优化的碳减排量进行初步核算与分析。

4.1  鞍钢本部高炉炉料结构优化的碳减排核算分析

以鞍钢本部3号高炉为例，烧结矿配比由原来的75.03%下降至64.95%，碱性球团矿配比约21.3%。炉料结构变化之后，3号高炉焦比由原来的339.8 kg/t降低至336.1 kg/t，煤比由原来的161.9 kg/t降低至158.1 kg/t。经核算，其碳排放由原来的1 588.90 kg/t生铁降低至1 542.48 kg/t生铁，即减排46.42 kg/t生铁。按照该炉的年产量261万t计算，3号高炉一年可减排12.12万tCO₂。

4.2  鞍钢高炉炉料优化的协同碳减排量分析

与烧结工序相比，球团生产工序所用燃料更清洁，碳排放量更少，单位球团产品与烧结产品碳排放量比较见表1。经核算，球团改造后，燃料结构从以无烟煤为主转变为以天然气为主，碳排放量由123.25 kg/t降低至3.86 kg/t，减排96.9%。同时，由于熔剂使用量的减少，因石灰石煅烧产生的生产过程碳排放也降低了18.56 kg/t。此外，外购电力热力消耗量降低，相应的范围二排放降低13.95 kg/t。综上，新建球团项目在范围一和范围二排放中实现减排量为151.90 kg/t。另一方面，与烧结工序相比，球团生产中原料结构发生变化，由原来的14%左右的外购铁精粉改为全部鞍钢内部的铁精矿产品，经核算，范围三运输排放降低6.48 kg/t。总体来看，新建碱性球团相较烧结生产实现总减排量158.38 kg/t，降幅约79.6%。

表1  单位球团/烧结产品碳排放量比较

Table 1  Comparison of Carbon Emissions per Unit of Pellet/Sinter Product  kg/t

鞍钢高炉的炉料优化，在降低其自身排放的同时，也显著减少了上游工序的碳排放。具体而言，通过提高碱性球团比例（目前的2号、3号、10号、11号四座高炉碱性球团矿比例处于16.4%-21.8%之间），同时降低烧结矿配比（由原来的74.56%-75.72%降低至63.60%-71.70%）及酸性球团矿配比（由原来的24.28%-25.44%降低至12.50%-14.70%），直接减少了上游东鞍山烧结厂的排放，同时也降低了上游铁精矿运输的排放。经核算，基于上述烧结工序与球团工序的碳排放差异，目前以上四座高炉炉料结构调整可实现约24.82 kg CO2/t生铁的上游协同减排。

5  结语与展望

5.1  鞍钢实施矿冶协同优化的优势

鞍钢作为典型的矿冶一体化企业，具备推进矿业协同减排的天然优势。首先，鞍钢产业链条完整，从铁矿开采、选矿、球团到钢铁冶炼环环相扣，为全流程碳减排提供了系统性管理的可能性。其次，鞍钢在铁矿石自给率方面具有突出优势，高炉原料由自有矿山保障，这为原料结构优化和炉料质量提升创造了稳定条件，也避免了外购原料带来的不确定性与碳排放转移。再次，凭借鞍钢较强的科研能力和生产规模，鞍钢能够在球团替代烧结、配矿优化、数字化管控等方面形成中国特色的矿冶协同优化系统解决方案，并通过工程化应用验证减排效果，发挥行业示范作用。因此，建立矿冶协同优化模式不仅有利于实现内部的系统性优化，还可为国际低碳转型与绿色贸易格局中的钢铁行业提供矿冶协同减排路径提供实践样本。

5.2  鞍钢实施矿冶协同优化的建议

在“双碳”战略和绿色贸易壁垒的背景下，鞍钢集团要充分发挥其矿冶一体化的结构优势，系统推进矿冶协同优化。首先，在全流程优化中进一步强化数据驱动管理模式，结合数字孪生、人工智能和大数据分析等工具，逐步实现矿山—选矿—球团—高炉的全过程动态模拟与实时动态优化，提升原料利用效率和碳排放管理水平。其次，在原料环节有必要稳步推动高品位球团替代烧结矿，通过优化高炉炉料结构，适度降低焦比和碳排放，并积极开展低碳技术的应用探索，增强低碳冶炼的适应能力。第三，统筹建立鞍钢集团矿业有限公司和鞍山钢铁集团有限公司共同参与的跨企业跨部门的协同机制，将采矿、选矿、烧结/球团、高炉等环节的工艺改进统一纳入企业整体碳减排考核体系，减少单一环节优化带来的内部排放转移风险。最后，积极参与国内外绿色标准与碳核算规则的制定和试点示范，打造矿冶协同优化减排的行业示范，以技术领先与标准引领双轮驱动提升国际竞争力。

参考文献

［1］钢铁企业应深入持久降本增效［J］. 中国钢铁业，2025（6）：1.

［2］张龙强. “十五五”钢铁企业降本路径探讨［J］. 中国钢铁业，2025（6）：5-7，25.

［3］潘昭帅，张照志，杨巍，等. 铁矿石主流定价工具的比较研究——兼析铁矿石定价机制的演进发展［J］. 价格理论与实践，2020（7）：85-88.

［4］刘凯雷. 铁矿石价格波动及其溢出效应研究［D］. 武汉：中国地质大学，2024.

［5］赵禹程，徐潜，周为，等. 中国钢铁出口受碳边境调节机制影响与对策［J］. 钢铁，2025，60（1）：191-203.

［6］Qian Y B，LI Y Z，HAO Y，et al. Greenhouse gas control in steel manufacturing：Inventory, assurance, and strategic reduction review［J］. Carbon Research，2024，3（1）：27.

［7］ Ren L，Zhou S，Peng T D，et al. A review of CO₂ emissions reduction technologies and low-carbon development in the iron and steel industry focusing on China［J］. Renewable and Sustainable Energy Reviews，2021，143：110846.

［8］张琦，田硕硕，沈佳林. 中国钢铁行业碳达峰碳中和时间表与路线图［J］. 钢铁，2023，58（9）：59-68.

［9］McKinsey & Company. Pressure to decarbonize：Drivers of mine-side emissions［R/OL］. 2021-07-07［2025-08-26］. https://www.mckinsey.com/industries/metals-and-mining/our-insights/pressure-to-decarbonize-drivers-of-mine-side-emissions

[10]  Na H M，Qiu Z Y，Sun J C，et al. Revealing cradle-to-gate CO₂ emissions for steel product producing by different technological pathways based on material flow analysis［J］. Resources，Conservation and Recycling，2024，203：107416.

[11]  Mi Z F，Meng J，Guan D B，et al. Chinese CO₂ emission flows have reversed since the global financial crisis［J］. Nature Communications，2017，8（1）：1712.

[12]  Mi Z F，Zheng J L，Meng J，et al. Carbon emissions of cities from a consumption-based perspective［J］. Applied Energy，2019，235：509-518.

[13]  Huo H，Zhang Q，Guan D B，et al. Examining air pollution in China using production- and consumption-based emissions accounting approaches［J］. Environmental Science & Technology，2014，48（24）：14139-14147.

[14]  Zhang Z K，Li J Y，Guan D B. Value chain carbon footprints of Chinese listed companies［J］. Nature Communications，2023，14：2794.

[15]  章新宇，潘从元，袁溢，等. 烧结优化配矿研究现状［J］. 中国冶金，2025，35（7）：96-108.

[16]  王鹤辉. 考虑全流程协同的钢铁生产多阶段计划优化方法［D］. 沈阳：东北大学，2025.

[17]  王子宏，潘晶，唐志宏. 柳钢铁矿石采购和生产评价体系的研发和应用［J］. 炼铁，2015，34（6）：51-55.

[18]  李来胜，欧珍红. 建立矿石评价体系,优化矿石供应商管理［J］. 烧结球团，2010，35（4）：17-21.

[19]  贾文君，张艳允，王金龙，等. 对邯钢烧结用铁矿石的经济价值评价［C］//2014年全国炼铁生产技术会暨炼铁学术年会文集（上）. 郑州：中国金属学会，2014：421-425.

[20]  刘正平. 铁矿石经济价值合理评价方法的探讨［J］. 烧结球团，2004（5）：1-5.

[21]  余永富. 国内外铁矿选矿技术进展及对炼铁的影响［J］. 矿冶工程，2004（1）：26-29.

[22]  邵安林. 五品联动模式下品位决策问题建模与优化［J］. 中国管理科学，2013，21（6）：139-144.

[23]  李斌，刘文胜. 考虑矿渣处理的铁矿石关键品位优化决策模型［J］. 控制与决策，2022，37（5）：1389-1394.

[24]  贺勇，廖诺. 资源利用与能耗约束下铁矿采选品位的智能优化［J］. 运筹与管理，2016，25（5）：88-94.

[25]  白永强，郭晓霜，张庆东. 铁前混配矿技术现状及发展方向［J］. 烧结球团，2024，49（5）：1-8.

[26]  李军，刘代飞，史先菊，等. 铁矿烧结配矿模式研究进展［J］. 钢铁，2018，53（1）：8-16.

[27]  周明顺，刘万山，黄晓煜，等. 鞍钢烧结与球团优化配矿研究［C］//2004年全国炼铁生产技术暨炼铁年会文集. 无锡：中国金属协会，2004：372-376，393.

[28]  张中中，甘牧原，吴丹伟，等. “烧结-球团-高炉”联动配矿模型设计［J］. 烧结球团，2021，46（3）：22-27，71.

[29]  阮志勇，谢运强，王子宏，等. 一种基于烧结-球团-炼铁联动的优化配矿方法：中国，108154295A［P］. 2018-06-12.

[30]  黄晓贤. 铁矿烧结优化配矿数学模型的研究［D］. 长沙：中南大学，2014.

[31]  佟俊霖. 铁矿烧结配矿优化方法研究及工程实现［D］. 沈阳：东北大学，2022.

[32]  袁喻兴，闫天一，那洪明，等. 炼铁系统能耗和成本的集成优化及分析［J］. 中国冶金，2022，32（1）：97-103.

[33]  刘文伟，唐珏，王茗玉，等. 基于Boosting算法的烧结矿转鼓强度预测［J］. 材料与冶金学报，2024.

[34]  封世龙. 基于烧结原料特性与遗传算法的配矿优化研究［D］. 唐山：华北理工大学，2025.

[35]  杨会利，李跃，赵克，等. 基于机器学习的球团矿质量预测模型研究现状［J］. 天津冶金，2022（6）：21-25，38.

[36]  冯伟健. 基于智能算法的铁前一体化配料模型研究［D］. 唐山：华北理工大学，2025.

[37]  陈伟，武鹏飞，王宝祥，等. 烧结-高炉炼铁全过程炉料结构智能优化系统［J］. 烧结球团，2020，45（5）：8-13，24.

[38]  上官方钦. 冶金流程工程学、耗散结构与钢铁低碳化［J］. 钢铁，2025，60（7）：91-99.

[39]  杨烨，陈伟达，魏莉. 碳限额与交易下多配方—多铁种高炉生产计划优化［J］. 计算机集成制造系统，2018，24（12）：2953-2963.

[40]  董传民，张乾，李士杰，等. Ai+科技情报赋能炼钢产业高质量发展［J］. 四川冶金，2025，47（3）：73-76.

[41]  章泽锋. 数字化转型对重污染企业绿色创新绩效的影响研究——以杭钢集团为例［D］. 杭州：杭州电子科技大学，2025.

[42]  张利娜，李辉，程琳，等. 国外钢铁行业低碳技术发展概况［J］. 冶金经济与管理，2018（5）：30-33.