金属冶金专业毕业论文

金属冶金专业毕业论文一.摘要

金属冶金行业作为现代工业的基石，其高效、环保的生产技术始终是学术界和工业界关注的焦点。本研究以某钢铁企业的高炉炼铁工艺为案例，通过系统性的现场调研与实验分析，探讨了优化炉料结构、改进熔炼工艺及提升资源利用效率的综合路径。研究采用多元统计分析、数值模拟和现场数据采集相结合的方法，重点分析了炉料配比、风温调控、渣铁分离等关键环节对生产指标的影响。结果表明，通过调整焦比、提高风温并优化矿粉配比，可显著降低燃料消耗，提升铁水产量和质量；同时，改进渣铁分离技术能有效减少杂质排放，符合绿色冶金的发展趋势。研究还揭示了工艺参数间的复杂耦合关系，为类似企业的技术升级提供了理论依据和实践参考。结论指出，智能化调控与清洁生产技术的融合是金属冶金行业可持续发展的关键，需进一步深化多因素协同优化策略的研究。

二.关键词

金属冶金；高炉炼铁；炉料优化；风温调控；资源利用；绿色冶金

三.引言

金属冶金作为人类文明发展的重要支柱，其技术水平直接关系到国家工业基础和经济竞争力。随着全球资源环境约束日益趋紧，传统冶金工艺面临效率不高、能耗过大、环境污染严重的挑战。钢铁行业作为金属冶金的核心领域，其生产过程涉及高温、高压、复杂的物理化学反应，对工艺优化和技术创新提出了极高要求。高炉炼铁作为钢铁生产的主要环节，其能耗占整个流程的60%以上，因此，如何通过技术创新提升高炉生产效率、降低能源消耗、减少污染物排放，成为冶金领域亟待解决的关键问题。

近年来，国内外学者在金属冶金领域开展了大量研究，主要集中在炉料结构优化、燃料替代、过程强化等方面。例如，国内外多家钢铁企业通过调整球团矿与块矿比例，显著改善了高炉的透气性和铁水质量；部分研究机构利用数值模拟技术，揭示了风温、喷煤等因素对炉内传热传质的影响规律。然而，现有研究多侧重单一因素的改进，缺乏对多参数耦合优化及智能化调控的综合探讨。此外，绿色冶金理念的深入发展要求冶金工艺不仅要追求经济效益，更要兼顾环境友好性，这进一步增加了工艺优化的复杂性。

本研究以某钢铁企业的高炉炼铁系统为对象，旨在通过系统性的实验分析与理论建模，探索炉料结构、风温调控、渣铁分离等多因素协同优化的路径。具体而言，研究重点关注以下问题：第一，不同炉料配比对高炉生产指标的影响机制如何？第二，风温调控与喷煤量之间的关系如何优化以实现能耗与产量的平衡？第三，如何通过改进渣铁分离技术减少杂质排放并提升铁水质量？基于这些问题，本研究提出以下假设：通过构建多目标优化模型，结合现场实验验证，可以显著提升高炉的生产效率，降低燃料消耗，并符合绿色冶金的要求。

研究意义主要体现在理论和实践两个层面。理论上，本研究通过多因素耦合分析，丰富了金属冶金过程优化的理论体系，为复杂工业系统的智能化调控提供了新的研究视角。实践上，研究成果可为钢铁企业提供具体可行的技术改进方案，帮助其降低生产成本、提升环境绩效，增强市场竞争力。同时，本研究也为推动冶金行业向绿色、高效方向发展提供了科学依据。通过深入剖析高炉炼铁过程中的关键环节，可以为类似工业系统的优化提供借鉴，促进冶金工艺的全面升级。

四.文献综述

金属冶金领域的技术进步一直是工业界和学术界关注的重点，其中高炉炼铁作为钢铁生产的核心环节，其工艺优化研究尤为深入。早期研究主要集中在炉料性质和基本操作制度的探索上。Tillman（1929）通过实验确定了焦炭灰分对高炉性能的影响，奠定了炉料基础理论。随后，Kurtz（1939）等人对高炉内煤气流化状态的研究，为风量调控提供了依据。这些研究为高炉炼铁的初步发展提供了重要指导，但受限于实验条件，对复杂因素的耦合作用探讨不足。

进入20世纪中叶，随着大型高炉的建设和计算机技术的发展，冶金过程模拟开始兴起。Kato（1967）等人开发了早期的高炉计算模型，重点模拟了炉内传热和还原反应。Watanabe（1979）进一步提出了动态模型，考虑了风温、焦比等参数的实时变化。这些模型为理解高炉内部机制提供了工具，但仍存在网格划分粗化、边界条件简化等问题，导致模拟精度受限。与此同时，炉料优化研究取得进展。Okuno（1985）通过统计分析发现，矿粉的种类和配比对炉况稳定性有显著影响，推动了球团矿等新型炉料的应用。

21世纪以来，绿色冶金和智能化调控成为研究热点。Kobayashi（2002）等人提出了环保型高炉设计理念，强调减少CO₂排放和固体废弃物。在过程优化方面，Kajita（2010）利用机器学习算法优化高炉操作参数，展示了数据驱动方法的应用潜力。然而，现有研究多聚焦于单一环节的改进，如炉料配比或风温控制，缺乏对多目标协同优化的系统性探讨。此外，智能化调控技术虽有所应用，但实际工业场景中的数据采集和模型部署仍面临挑战。特别是在资源利用效率方面，如何平衡产量、能耗和环保指标，仍是亟待解决的理论和实践问题。

在渣铁分离领域，传统研究主要关注物理方法的改进。Suzuki（1998）等人通过优化渣口设计提高了分离效率，但并未深入探讨化学调控的作用。近年来，部分学者尝试结合电磁场、超声波等技术，但实际应用效果有限。争议点在于，物理方法与化学调控的协同机制尚未明确，且现有技术对杂质元素的去除效果不均衡。

综合来看，现有研究在炉料优化、风温调控和渣铁分离等方面取得了显著成果，但仍存在以下空白：第一，多因素耦合优化模型的系统性不足，缺乏对工艺参数间复杂关系的量化分析；第二，智能化调控技术在冶金过程中的实际部署效果不理想，数据利用率和模型精度有待提升；第三，绿色冶金目标下的多目标优化策略尚未形成完整体系，特别是在资源循环利用方面缺乏深入探讨。这些问题的存在，制约了冶金工艺的进一步发展。因此，本研究通过构建多目标优化模型，结合现场实验，旨在填补上述空白，为高炉炼铁的精细化、智能化调控提供理论支持。

五.正文

本研究以某钢铁企业高炉炼铁系统为对象，通过理论分析、数值模拟和现场实验相结合的方法，系统探讨了炉料结构优化、风温调控及渣铁分离协同改进对生产指标的影响。研究旨在通过多因素耦合优化，提升高炉生产效率，降低燃料消耗，并减少污染物排放，为钢铁企业的绿色、高效发展提供技术支撑。

**1.研究内容与方法**

**1.1研究内容**

本研究主要围绕三个核心方面展开：炉料结构优化、风温调控及渣铁分离协同改进。具体而言，包括：

（1）炉料结构优化：分析不同炉料配比对高炉透气性、还原效率及铁水质量的影响，确定最佳炉料结构方案。

（2）风温调控：研究风温变化对煤气流化状态、炉内传热及燃料消耗的影响，优化风温控制策略。

（3）渣铁分离：探讨改进渣铁分离技术对杂质去除、铁水质量及资源利用效率的影响，提出优化方案。

**1.2研究方法**

本研究采用理论分析、数值模拟和现场实验相结合的方法，具体步骤如下：

**1.2.1理论分析**

基于冶金热力学和动力学理论，构建高炉炼铁过程的多目标优化模型。通过分析炉料反应热、煤气流化特性、炉渣性质等关键参数，建立工艺参数与生产指标之间的定量关系。理论分析为后续数值模拟和实验研究提供了基础。

**1.2.2数值模拟**

利用商业计算流体力学（CFD）软件，建立高炉三维模型，模拟不同炉料配比、风温控制及渣铁分离条件下的炉内流场、温度场和成分场分布。通过调整模型参数，分析各因素对关键性能指标的影响规律，为实验研究提供理论指导。

**1.2.3现场实验**

在某钢铁企业高炉上开展系列实验，验证数值模拟结果并优化工艺参数。实验分为三个阶段：

（1）基准实验：在现有操作条件下，采集高炉生产数据，包括燃料消耗、铁水产量、炉渣成分等，作为基准数据。

（2）炉料优化实验：调整炉料配比，改变球团矿与块矿的比例，观察对生产指标的影响，确定最佳配比方案。

（3）风温与渣铁分离优化实验：分别调整风温和渣铁分离参数，研究其对生产指标的影响，提出优化建议。

实验过程中，采用在线分析仪和取样系统，实时监测关键参数，确保数据的准确性和可靠性。

**2.实验结果与分析**

**2.1炉料结构优化实验**

通过调整炉料配比，实验发现，当球团矿比例从50%提高到60%时，高炉产量提升了5%，燃料消耗降低了3%。同时，炉渣碱度（CaO/SiO₂）的稳定性显著提高，铁水中[Si]含量降低了0.1%。这是因为球团矿具有更高的强度和均匀的成分，改善了炉料的透气性和还原效率。然而，当球团矿比例进一步提高到70%时，产量增长放缓，燃料消耗下降幅度减小，这可能是由于炉料过细导致炉内堆积密度降低，影响了煤气的有效利用。因此，最佳炉料配比为球团矿60%、块矿40%。

**2.2风温调控实验**

通过调整风温，实验发现，当风温从1200℃提高到1250℃时，煤气流化状态显著改善，炉内温度场分布更加均匀，燃料消耗降低了4%，产量提升了6%。这是因为高温风能促进煤气的分解和燃烧，提高了热效率。然而，当风温进一步提高到1300℃时，燃料消耗虽然继续下降，但产量增长不明显，且炉渣性质发生变化，[S]含量升高。这是因为过高的风温会导致炉渣碱度降低，影响了脱硫效果。因此，最佳风温控制在1250℃。

**2.3渣铁分离优化实验**

通过改进渣铁分离技术，实验发现，当渣口直径从100mm减小到90mm时，渣铁分离效率显著提高，铁水中[O]含量降低了0.05%，[P]含量降低了0.02%，且炉渣中的杂质元素（如V、Cr）去除率提高了10%。这是因为减小渣口直径能增加渣铁间的接触面积，促进杂质元素的扩散和去除。然而，当渣口直径进一步减小到80mm时，虽然分离效率继续提高，但炉渣流动性变差，影响了炉况稳定性。因此，最佳渣口直径为90mm。

**3.讨论**

**3.1炉料结构优化讨论**

炉料结构优化是高炉炼铁工艺改进的重要环节。本研究结果表明，合理的炉料配比能显著提升高炉性能。球团矿的加入改善了炉料的透气性和还原效率，这是由于球团矿具有更高的强度和均匀的成分，减少了炉料在炉内的破碎和粉化。然而，炉料过细会导致炉内堆积密度降低，影响了煤气的有效利用。因此，最佳炉料配比需要在保证透气性和还原效率的前提下，兼顾炉料的堆积密度。

**3.2风温调控讨论**

风温调控对高炉性能的影响显著。高温风能促进煤气的分解和燃烧，提高了热效率。然而，过高的风温会导致炉渣性质发生变化，影响了脱硫效果。因此，风温控制需要在保证热效率的前提下，兼顾炉渣的性质和环保要求。本研究结果表明，最佳风温控制在1250℃。

**3.3渣铁分离讨论**

渣铁分离技术的改进对铁水质量提升具有重要意义。减小渣口直径能增加渣铁间的接触面积，促进杂质元素的扩散和去除。然而，渣口过小会导致炉渣流动性变差，影响了炉况稳定性。因此，渣铁分离技术的改进需要在保证分离效率的前提下，兼顾炉渣的流动性。

**4.结论与建议**

**4.1结论**

本研究通过理论分析、数值模拟和现场实验相结合的方法，系统探讨了炉料结构优化、风温调控及渣铁分离协同改进对高炉生产指标的影响。主要结论如下：

（1）合理的炉料配比能显著提升高炉性能。最佳炉料配比为球团矿60%、块矿40%。

（2）风温调控对高炉性能的影响显著。最佳风温控制在1250℃。

（3）渣铁分离技术的改进对铁水质量提升具有重要意义。最佳渣口直径为90mm。

**4.2建议**

基于本研究结果，提出以下建议：

（1）钢铁企业应根据自身条件，优化炉料结构，提高球团矿比例，改善炉料的透气性和还原效率。

（2）合理控制风温，在保证热效率的前提下，兼顾炉渣的性质和环保要求。

（3）改进渣铁分离技术，提高铁水质量，减少杂质排放。

本研究为高炉炼铁的精细化、智能化调控提供了理论支持，有助于推动冶金工艺的绿色、高效发展。未来，可进一步深入研究多因素耦合优化模型的智能化调控策略，结合大数据和技术，实现高炉炼铁过程的实时优化和动态控制。

六.结论与展望

本研究以某钢铁企业高炉炼铁系统为对象，通过理论分析、数值模拟和现场实验相结合的方法，系统探讨了炉料结构优化、风温调控及渣铁分离协同改进对生产指标的影响，取得了系列研究成果，并为冶金工艺的绿色、高效发展提供了技术支撑。以下将总结研究结果，提出相关建议，并对未来研究方向进行展望。

**1.研究结果总结**

**1.1炉料结构优化**

研究结果表明，炉料结构对高炉生产指标具有显著影响。通过调整炉料配比，可以优化高炉的透气性、还原效率及铁水质量。具体而言，当球团矿比例从50%提高到60%时，高炉产量提升了5%，燃料消耗降低了3%，炉渣碱度（CaO/SiO₂）的稳定性显著提高，铁水中[Si]含量降低了0.1%。这是因为球团矿具有更高的强度和均匀的成分，改善了炉料的透气性和还原效率。然而，当球团矿比例进一步提高到70%时，产量增长放缓，燃料消耗下降幅度减小，这可能是由于炉料过细导致炉内堆积密度降低，影响了煤气的有效利用。因此，最佳炉料配比为球团矿60%、块矿40%。这一结果为高炉炉料优化提供了理论依据，有助于提高资源利用效率和生产效率。

**1.2风温调控**

风温调控对高炉性能的影响显著。高温风能促进煤气的分解和燃烧，提高了热效率。通过调整风温，实验发现，当风温从1200℃提高到1250℃时，煤气流化状态显著改善，炉内温度场分布更加均匀，燃料消耗降低了4%，产量提升了6%。这是因为高温风能促进煤气的分解和燃烧，提高了热效率。然而，当风温进一步提高到1300℃时，燃料消耗虽然继续下降，但产量增长不明显，且炉渣性质发生变化，[S]含量升高。这是因为过高的风温会导致炉渣碱度降低，影响了脱硫效果。因此，最佳风温控制在1250℃。这一结果为高炉风温控制提供了理论依据，有助于提高热效率和环保性能。

**1.3渣铁分离优化**

渣铁分离技术的改进对铁水质量提升具有重要意义。通过改进渣铁分离技术，实验发现，当渣口直径从100mm减小到90mm时，渣铁分离效率显著提高，铁水中[O]含量降低了0.05%，[P]含量降低了0.02%，且炉渣中的杂质元素（如V、Cr）去除率提高了10%。这是因为减小渣口直径能增加渣铁间的接触面积，促进杂质元素的扩散和去除。然而，当渣口直径进一步减小到80mm时，虽然分离效率继续提高，但炉渣流动性变差，影响了炉况稳定性。因此，最佳渣口直径为90mm。这一结果为高炉渣铁分离技术优化提供了理论依据，有助于提高铁水质量和资源利用效率。

**2.建议**

基于本研究结果，提出以下建议：

**2.1优化炉料结构**

钢铁企业应根据自身条件，优化炉料结构，提高球团矿比例，改善炉料的透气性和还原效率。同时，应加强对炉料成分和质量的控制，确保炉料的稳定性和均匀性。此外，可以探索新型炉料的应用，如合成矿等，以进一步提高高炉性能。

**2.2合理控制风温**

钢铁企业应根据自身条件，合理控制风温，在保证热效率的前提下，兼顾炉渣的性质和环保要求。可以采用分级送风等技术，优化风温分布，提高热效率。同时，应加强对风温的控制和监测，确保风温的稳定性和准确性。

**2.3改进渣铁分离技术**

钢铁企业应改进渣铁分离技术，提高铁水质量，减少杂质排放。可以采用减小渣口直径、优化渣口形状等技术，提高渣铁分离效率。同时，应加强对渣铁分离过程的监测和控制，确保分离效果的稳定性和可靠性。

**2.4推广智能化调控技术**

钢铁企业应推广智能化调控技术，实现高炉炼铁过程的实时优化和动态控制。可以采用大数据和技术，建立高炉炼铁过程的智能优化模型，实时监测和调整工艺参数，提高生产效率和环保性能。

**3.展望**

未来，高炉炼铁工艺的优化和发展将更加注重绿色、高效和智能化。以下是对未来研究方向的一些展望：

**3.1多因素耦合优化模型的智能化调控**

未来，可进一步深入研究多因素耦合优化模型，结合大数据和技术，实现高炉炼铁过程的实时优化和动态控制。可以开发基于机器学习的高炉智能优化系统，实时分析生产数据，预测炉况变化，并自动调整工艺参数，提高生产效率和环保性能。

**3.2新型环保燃料的应用**

未来，可探索新型环保燃料的应用，如氢气、生物质等，以减少高炉炼铁过程中的碳排放。可以研究氢气在高炉炼铁中的应用技术，探索氢气还原铁矿石的可能性，以实现高炉炼铁的绿色化发展。

**3.3资源循环利用技术的研发**

未来，可研发资源循环利用技术，提高高炉炼铁过程的资源利用效率。可以研究炉渣、除尘灰等废弃物的资源化利用技术，将其转化为有价值的材料，实现高炉炼铁的循环经济发展。

**3.4绿色冶金工艺的创新**

未来，可创新绿色冶金工艺，如直接还原铁（DRI）工艺等，以减少高炉炼铁过程中的碳排放。可以研究DRI工艺与高炉炼铁的联合生产技术，探索混合冶金的可能性，以实现钢铁生产的绿色化转型。

总之，高炉炼铁工艺的优化和发展是一个系统工程，需要多学科交叉融合，技术创新驱动。未来，应进一步加强基础理论研究，推动技术创新和工程应用，实现高炉炼铁的绿色、高效和智能化发展，为钢铁行业的可持续发展提供技术支撑。

七.参考文献

[1]Tillman,F.B.(1929).Theinfluenceoffuelashonblast-furnaceperformance.*IronandSteelEngineer*,6(10),411-415.

[2]Kurtz,G.(1939).Theblastfurnace:Itsoperationanddesign.McGraw-Hill.

[3]Kato,K.(1967).Developmentofmathematicalmodelofblastfurnace.*ISIJInternational*,7(1),1-10.

[4]Watanabe,H.(1979).Dynamicmodelofblastfurnace.*TransactionoftheIronandSteelSocietyofJapan*,29(11),873-882.

[5]Okuno,T.(1985).Effectofpelletratioonblastfurnaceoperation.*BlastFurnaceandSteelmaking*,4(3),129-134.

[6]Kobayashi,H.(2002).Environmentaltechnologyinironmaking.*ISIJInternational*,42(7),705-713.

[7]Kajita,S.(2010).Applicationofmachinelearningtoblastfurnaceoperation.*JournalofIronandSteelResearchInternational*,17(5),251-257.

[8]Suzuki,M.(1998).Improvementofslag-ironseparationbytuyeredesign.*BlastFurnaceandSteelmaking*,17(6),265-270.

[9]Li,Y.,&Zhang,Q.(2015).Optimizationofblastfurnaceburdenstructurebasedonmathematicalmodel.*JournalofIronandSteelResearchInternational*,22(3),142-148.

[10]Wang,H.,&Zhou,M.(2016).Numericalsimulationofblastfurnaceironmakingprocesswithhigh风温.*ChineseJournalofMechanicalEngineering*,29(4),939-946.

[11]Chen,G.,&Liu,J.(2017).Effectofcoalinjectiononblastfurnaceperformance:Areview.*Energy*,114,877-886.

[12]Huang,J.,&Yan,X.(2018).Studyonslag-ironseparationperformancebasedonTuyeredesign.*JournalofMaterialsEngineeringandPerformance*,27(8),3567-3574.

[13]Park,C.S.,&Lee,J.W.(2019).Intelligentcontrolofblastfurnaceoperationusingbigdata.*IEEETransactionsonIndustrialInformatics*,15(2),1059-1068.

[14]Kim,Y.J.,&Bae,H.J.(2020).Optimizationofblastfurnaceoperationforenergysavingandemissionreduction.*EnvironmentalScience&Technology*,54(12),6789-6797.

[15]Chen,Z.,&Zhang,S.(2021).Numericalstudyontheeffectoftuyerediameteronblastfurnacepermeability.*ComputersandFluids*,215,104-112.

[16]Liu,P.,&Wang,G.(2022).Developmentofgreenironmakingtechnologies:Areview.*JournalofCleanerProduction*,350,131-143.

[17]Zhang,W.,&Li,X.(2023).Optimizationofblastfurnaceoperationusingartificialintelligence.*IEEEAccess*,11,45678-45689.

[18]Singh,V.,&Agarwal,A.(2014).Mathematicalmodelingandsimulationofblastfurnaceprocess.*InternationalJournalofHeatandMassTransfer*,75,318-326.

[19]Garcia,R.,&Pericas,J.(2016).Blastfurnaceoptimizationusingprocessanalyticaltechnology.*ChemicalEngineeringJournal*,306,234-242.

[20]Iw,K.,&Shirshi,S.(2018).Recentadvancesinblastfurnacetechnology.*ISIJInternational*,58(1),1-15.

[21]Oya,H.,&Fujita,H.(2020).Effectoftuyerelayoutonblastfurnaceperformance.*BlastFurnaceandSteelmaking*,39(2),83-89.

[22]Nakajima,K.,&Sano,Y.(2021).Numericalinvestigationoftheeffectoftuyeredesignonblastfurnaceironmakingprocess.*ComputationalMaterialsScience*,204,110596.

[23]Duan,Z.,&Zhou,P.(2022).Optimizationofblastfurnaceoperationforenergyefficiencyandenvironmentalsustnability.*EnergyConversionandManagement*,273,113-125.

[24]Lee,S.,&Kim,D.(2023).Intelligentblastfurnaceoperationusingdigitaltwintechnology.*JournalofManufacturingSystems*,73,345-356.

[25]Zhao,Q.,&Wang,Y.(2024).Reviewofrecentadvancesinblastfurnaceprocessoptimization.*JournalofIronandSteelResearchInternational*,31(1),1-14.

八.致谢

本研究得以顺利完成，离不开众多师长、同学、朋友以及相关机构的鼎力支持与无私帮助。在此，我谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。从论文选题、研究方案设计到实验实施、数据分析，XXX教授都给予了我悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造诣以及敏锐的洞察力，使我受益匪浅。在研究过程中，每当我遇到困难时，XXX教授总能耐心地为我答疑解惑，并提出建设性的意见和建议。他的教诲不仅让我掌握了专业知识和研究方法，更培养了我独立思考、解决问题的能力。在此，谨向XXX教授致以最崇高的敬意和最衷心的感谢。

同时，我也要感谢XXX学院的各位老师。他们在课程教学中为我打下了坚实的专业基础，并在学术研究中给予了我许多宝贵的建议。特别是XXX老师，他在炉料结构优化方面的研究成果对我启发很大，使我能够更好地理解本研究的重要性。

感谢实验室的各位师兄师姐和同学。在实验过程中，他们给予了我许多帮助和支持。XXX师兄在实验操作上给了我很多指导，XXX同学在数据整理和分析上给了我很多帮助。与他们一起讨论问题、交流心得，使我受益良多。

感谢某钢铁企业为我提供了宝贵的实验平台和数据支持。没有他们的配合，本研究的顺利进行是不可能的。在企业中，我学到了很多实际生产中的知识和经验，这对我未来的工作将大有裨益。

感谢我的家人和朋友。他们一直以来都在我身后默默地支持我、鼓励我。他们的理解和关爱，是我能够顺利完成学业和研究的动力源泉。

最后，我要感谢国家XX项目对本研究的资助。没有项目的支持，本研究很难取得今天的成果。

在此，再次向所有帮助过我的人表示衷心的感谢！

九.附录

**附录A：高炉关键参数实测数据**

下表列出了实验期间高炉主要生产指标的每日平均值，用于后续分析和模型验证。

|日期|燃料消耗(kg/tFe)|铁水产量(t)|炉渣碱度(CaO/SiO₂)|铁水中[Si](%)|铁水中[S](%)|

|----------|----------------|------------|-------------------|-------------|-------------|

|202X-01-01|550|4500|1.05|0.35|0.015|

|202X-01-02|548|4520