共查询到17条相似文献,搜索用时 161 毫秒
1.
针对铁水预脱硫过程的实际情况,采用Visual Basic 6.0进行编程,建立了网络结构为4-12-1,模型数据归一化范围均为[0,1]区间的BP神经网络铁水预脱硫镁粉耗量预报模型。模型确定铁水质量、铁水温度、初始硫含量、终点硫含量为输入参数。采用210炉数据进行模型训练,经46炉数据现场验证表明,模型预报结果误差有65.2%的炉次绝对值误差在0.04 kg/t以内,有91.3%的炉次绝对值误差在0.06 kg/t以内,平均绝对值误差为0.033 kg/t。本模型的预测结果较好地符合了实际生产情况。 相似文献
2.
基于改进BP神经网络的铁水预处理终点硫含量预报模型 总被引:1,自引:1,他引:1
铁水预处理脱硫是纯净钢生产中的一项重要任务,其中铁水终点硫含量是反映脱硫站能力和生产效果的重要指标.对梅山钢铁股份有限公司铁水包喷吹CaO Mg粉剂复合脱硫过程,通过采用自适应调整学习率和最大误差学习法对标准BP算法进行了改进,建立了基于改进BP神经网络的铁水预处理终点硫含量预报模型.用梅钢的1154炉数据进行模型训练,经100炉数据现场验证表明,改进的BP算法比标准BP算法预报误差≤0.003%的精度提高28%,有19%的炉次预报值与实际值完全一致,有90%的炉次误差≤0.003%,平均误差为0.0017%.改进的BP算法在铁水预脱硫终点硫含量预报模型应用中获得了更好的使用效果. 相似文献
3.
4.
5.
鞍钢铁水终点硫含量神经网络预报模型 总被引:1,自引:0,他引:1
针对鞍钢铁水罐喷吹CaO+Mg粉剂复合脱硫过程,建立了基于BP神经网络的铁水预处理终点硫含量预报模型。用鞍钢的1000炉数据进行模型训练,经60炉数据验证表明,有5%的炉次预报值与实际值完全一致,有76.67%的炉次误差≤0.003%。平均误差为0.0025%。 相似文献
6.
7.
通过对宣钢脱硫站77组生产数据进行多元线性回归得到了在单吹颗粒镁铁水脱硫时吨铁镁的消耗xMg(kg/t)、喷吹时间t(s)、铁水初始硫含量[%S]0、脱硫量xS、铁水温度T(K)和吨铁镁粒的喷吹速率VMg与脱硫率和镁的利用率的数学模型.通过对数学模型的研究发现:脱硫率随吨铁镁耗量、初始硫含量的增加而增加,随喷吹时间、温度和镁喷吹速率的增大而降低.镁利用率随吨铁镁耗量、喷吹时间及喷吹速率的增加而减少,随喷吹时间的延长、镁喷吹速率、铁液中初始硫含量及温度的升高而升高.在合适的吨铁镁消耗量的情况下,要提高脱硫率和镁利用率,应该在保障脱硫时间的前提下,降低吨铁镁喷吹速率,减少喷吹时间. 相似文献
8.
9.
10.
11.
转炉炼钢是一个复杂的高温物理化学反应过程。在冶炼过程中不能连续检测钢的成分。所以,准确地预报终点的碳质量分数和温度对于提高终点命中率是非常有意义的。基于广西某钢厂80 t转炉炼钢实际生产数据,建立了终点碳质量分数和终点温度的孪生支持向量回归机(TSVR)预测模型,对100个炉次的实际生产数据进行了模型的训练,另外30个炉次的数据用于验证模型的精度。结果表明,预测误差Δω([C])≤ 0.01%的命中率为93.3%,Δt≤15 ℃的命中率为96.7%,双命中率为90%。与BP神经网络模型相比,TSVR模型的终点碳质量分数和终点温度命中率均比BP神经网络模型高。 相似文献
12.
13.
14.
15.
The desulfurization of hot metal by the injection of fluidized lime (≥94% CaO) is analyzed, when the lime consumption is 0.5–19 kg/t of hot metal. That results in 95% desulfurization; the lowest sulfur content in the hot metal is 0.003%. Decrease in sulfur content in the hot metal to 0.005, 0.010, 0.015, 0.020, and 0.025% with different initial sulfur content is observed, with the injection of different quantities of lime. Sulfur content below 0.001% is not observed and not guaranteed. Recommendations are made for optimal desulfurization of hot metal by lime. Their adoption increases the desulfurization, decreases the losses of hot metal and the temperature, and decreases the consumption of materials and the cost of the process. 相似文献
16.
基于FA-ELM的转炉终点磷含量预测模型 总被引:1,自引:0,他引:1
转炉终点磷含量的预测对实现转炉自动出钢、缩短冶炼周期具有重要意义,为了实现转炉终点磷含量的窄窗口控制,为操作工艺提供指导,需要建立更高精度的终点磷含量预测模型。通过对冶炼工艺以及脱磷热力学的分析,选取12项影响脱磷过程的可观测指标,构建了终点磷含量预测指标体系,然后借助因子分析法(FA)对数据进行降维处理,得到6个派生变量,将其作为模型输入,终点磷含量作为模型输出,建立基于超限学习机(ELM)的终点磷含量预测模型。并将ELM模型预测结果与BP神经网络的进行对比,研究发现,ELM模型拟合度更高,回归系数R2=0.778 7,平均误差MAPE=0.106 0,并且预测误差在±0.003 0%内的炉次所占比例为86.67%。因此,相比于BP神经网络模型,ELM模型具有较高的精度和较好的泛化能力。 相似文献