排序方式: 共有54条查询结果,搜索用时 15 毫秒
1.
选矿过程中的矿浆浓度是一个重要的生产工艺参数,一般可以通过预测矿浆浓度来提高生产效率。由于矿浆浓度和其他的生产工艺参数往往非线性相关,这给矿浆浓度的预测带来了很大困难。本文针对此问题,基于超限学习机这一面向神经网络的新颖学习算法,提出了一种矿浆浓度预测新算法。首先,使用相空间重构方法对矿浆浓度数据进行预处理,从一维转换到多维。然后,使用基于L2范数的超限学习机算法(ELM-L2)建立时序预测模型,实现预测功能。围绕来自于某矿厂的真实生产数据进行了实验验证,结果显示,针对大规模的数据样本集,所设计的算法与传统神经网络预测算法相比,训练时间大约减少了30%,而预测精度大约提高了48%。实验结果表明了所设计预测算法的有效性。 相似文献
2.
3.
4.
5.
针对铝电解槽针振信息元诊断手段的不足,提出基于小波-神经网络技术的铝电解槽针振信息元分析与诊断的新方法。获取5种针振信息元的特征波谱作为神经网络的训练样本,建立神经网络诊断系统。分析了系统软硬件结构及其特点,并在350kA预焙铝电解槽上进行实验和仿真。实验证明该系统有很高的精度,且具有很好的应用价值。 相似文献
6.
7.
应用标准k-Е双方程、低Reynolds数Jones-Launder k-Е模型与RNG k-Е模型分别对三种不同进电方式(四点进电的200kA槽、两点进电的160kA槽以及三点进电的80kA槽)的预焙阳极Al电解槽内的Al液流场进行了数值仿真,并且应用铁棒溶蚀法对相应工况下的Al液流场进行了工业测试。通过对计算结果和测试结果的比较与分析,可以得出:与标准k-Е模型相比较,低Reynolds数模型具有较小的湍流粘度;标准k-Е模型与RNG模型用于Al液流场的数值仿真时,其计算结果均有较高的可靠性。并初步得出在电流强度大于80kA的Al电解槽中,Al液流动的计算不适宜应用低Reynolds数模型。 相似文献
8.
9.
10.
不同进电方式与槽膛内形的铝电解槽内流场的数值模拟 总被引:1,自引:0,他引:1
采用k-ε双方程模型封闭的Navier-stokes方程描述铝电解槽内熔体的湍流流动。对于200kA、160kA与80kA三种不同进电方式的铝电解槽以及具有不同槽膛内形的160kA槽,在磁场、热场解析的基础上,计算出相应工况下动量方程中的源项,即洛仑兹力,并对稳定状态下熔体的三维流场进行了数值计算。计算结果表明,在模拟工况条件下,铝液流动在200kA槽内呈现出四个旋涡,在160kA与80kA槽内呈现出两个旋涡;不同的进电方式与槽膛内形对熔体的运动方式均有显著影响。 相似文献