基于人工神经网络预报性能的齿轮钢LF—VD过程钢水成分微调

开发了基于人工神经网络预报性能的齿轮钢LF－VD过程钢水成分微调软件,对减小齿轮钢的成分波动范围,保证窄淬透性的控制有重大意义。在成分微调过程中,可随时利用人工神经网络的方法对钢的性能进行预报,预报结果精确度高,利于有效的控制生产。     

基于神经网络的连铸坯表面纵裂预测

针对铸坯质量预报问题,利用人工神经网络中的BP算法建立原始化学成分和连铸生产的主要工艺参数与产品最终质量之间的关系,并开发出专门的应用软件.软件共分3部分:数据处理部分、人工神经网络训练部分、运用成熟网络预报部分.该预测方法的特点是直观、方便、稳定.数据均从稳定生产的现场取得.采用神经网络对D32-1钢的铸坯质量进行预报,经过上千次训练后,产品质量的预报值与实际值拟合良好,预报结果的相对误差很小.     

利用BP网络预测板材力学性能的软件开发

 针对热轧板带的力学性能预报问题,利用人工神经网络中的BP算法建立原始化学成分和热轧生产的主要工艺参数与产品力学性能之间的关系,并开发出专门的应用软件。软件共分3大部分：数据处理部分、人工神经网络训练部分、运用成熟网络预报部分。本软件的特点是直观、方便、稳定。数据均从稳定生产的现场取得。采用此软件对SS400钢的性能进行预报,经过10万次训练后,产品力学性能的预报值与实际值拟合良好,预报结果的相对误差很小。     

神经网络在宝钢连铸漏钢预报系统中的应用

介绍了连铸粘结性漏钢产生的机理和过程,以及宝钢利用人工神经网络技术建立的一套新的漏钢预报系统。该系统在预报精度和系统性能等方面均优于宝钢原有的漏钢预报装置。     

基于神经网络的烧结矿化学成分自适应预报系统的开发

将多层前向人工神经网络应用于烧结矿化学成分预报，改进后的BP算法可以实现网络结构的自组织。应用该技术开发的烧结矿化学成分自适应预报系统能够快速，准确地预报烧结矿的化学成分，可用于在线操作指导或作为自动控制的依据。     

人工神经网络在转炉炼钢终点预报中的应用研究

简要介绍几种人工神经网络转炉炼钢终点预报模型,通过分析指出神经网络将在炼钢生产过程中得到广泛的应用。     

0Cr18Ni9不锈钢碳含量在线预报模型的开发

应用人工神经网络技术开发了0Cr18Ni9不锈钢碳含量在线预报模型。模型经过生产现场连续58炉在线验证,预报碳质量分数与实际碳质量分数误差在±0.015%之内的命中率达到89.66%。     

利用性能预报模型对SS400热轧板力学性能实施预报

以现场收集的四钢轧SS400热轧板的原始化学成分、终轧厚度、实测的力学性能数据为基础,通过回归模型和人工神经网络BP算法建模,确定其相互关系,并最终通过其化学成分和终轧厚度来预测产品力学性能。现场使用证明,在现有的条件下,回归模型比人工神经网络更适用。经测试,其抗拉强度预报值与实测值的相对误差有80％7g超过5％,屈服强度预报值与实测值的相对误差有76％不超过10％,延伸率预报值与实测值的相对误差有77％不超过10％。     

首钢合金结构钢40CrA力学性能预报控制模型的开发与应用

 采用人工神经网络方法开发了首钢合金结构钢40CrA的力学性能预报模型,并采用Matlab和VC++两种软件平台建立了对应的力学性能预报系统。该预报系统投入现场在线应用后,通过预测值与实际抽样检验值的分析比较,表明该系统预报精度较高,屈服强度、伸长率等各项性能预报精度达到97%以上,能够满足生产检验要求。     

利用人工神经网络系统预报钢水温度

通过分析影响钢水温降的各个因素,利用人工神经网络原理建立了钢水温度预报模型。该模型预报值与实测值基本相符,在此基础上,提出了该厂合理的温度制度,并提供了一种优化出钢温度的方法。     

基于改进人工神经网络的LF钢水终点温度预报

采用改进的人工神经网络算法,开发了40t钢包炉精炼时钢水终点温度预报模型。与传统BP网络算法相比较,改进算法可提高预测速度和精度。生产现场实验表明,传统BP神经网络算法,钢水温度预测误差±5℃的炉次仅为77%,用改进的BP神经网络算法,其误差±5℃的炉次为90%。     

用人工神经网络模型预测高碳钢高速线材力学性能

以现场正交试验数据为基础，采用人工神经网络方法预测高碳钢高碳钢高速线材产品力学性能，将预报结果与试验结果相比较可知，该模型具有较高的精度。     

基于人工神经网络的CSP热轧板带力学性能预报

建立了BP神经网络力学性能预报模型.神经网络模型经过训练,得到的预报结果与实际测量的数据相比较表明:BP神经网络预报产品的力学性能精度较高,具有良好的推广价值.     

基于小脑模型神经网络的轧制力预报模型

研究了热轧板带厚度控制中轧制力预报环节的局部逼近神经网络实现方法。网络在多次训练后对生产中的历史数据进行了轧制力预报 ,达到了较高的预报精度。     

Prediction of Ozone Formation Based on Neural Network

The atmospheric ozone concentration in Seoul was forecasted using an artificial neural network and spatiotemporal analysis. The artificial neural network was trained by using hourly pollutant and meteorological data that resulted in complex patterns of ozone formation. The finite-volume method was employed in the spatiotemporal analysis in order to take into account the effects of wind. Time horizons in the forecasts were 1–6 h and 16–21 h. The resulting predictions of ozone formation were compared to measured data. From the comparison, it was found that the neural network method gave reliable accuracy within a limited prediction horizon.     

基于GRNN网络的中厚板轧制温度的预测

 针对中厚板轧机控制模型中的轧制温度精度的提高问题,以4200轧机轧制的大量实测数据为基础,利用Matlab人工神经网络工具箱,建立了中厚板轧制温度的GRNN神经网络预测模型。通过分析影响钢板温度变化的各种因素,调整神经网络的光滑因子,确定了最佳的网络结构形式,提高了模型的预测精度,并与传统的BP神经网络模型相比较。结果表明,GRNN网络具有更高的精度和更好的泛化能力。该神经网络模型可应用于中厚板轧制温度的预测,也可为人工神经网络在其它自动控制方面的应用提供参考。     

Prediction of the measured temperature after the last finishing stand using artificial neural networks

In this report the development of an artificial neural network, capable of predicting the temperature after the last finishing stand of a hot strip mill for a certain class of steels, is described. Three neural networks with different numbers of hidden nodes (3, 5 and 7) were trained. The relative standard deviation in finish temperature as predicted by the best performing neural network model (7 hidden nodes) was just over 25% smaller than that of the linear Hoogovens model. This improved accuracy can be explained by the incorrect assumption in the Hoogovens model of linear dependence of the finishing temperature on some input parameters. With the trained neural network, the influence of the various input parameters on the finishing temperature could be examined. The dependencies predicted by the neural network can be approximated by a linear fit and are a factor 2 lower for all input parameters. It is conceivable that operation of the mill using an artificial neural network for the prediction of the finishing temperature would have resulted in smaller operational fluctuations.     

ANFIS模型在围岩稳定性分类中的应用

将模糊理论和人工神经网络理论相结合,建立了一种自适应神经模糊推理系统(ANFIS),应用于地下工程围岩稳定性分类.并根据收集到的围岩分类资料作为样本来训练和测试网络模型.预测结果表明,该模型能较好地用于地下硐室围岩分类.     

Artificial Neural Network for Measuring Organizational Effectiveness

An artificial neural network based methodology is applied for predicting the level of organizational effectiveness in a construction firm. The methodology uses the competing value approach to identify 14 variables. These are conceptualized from four general categories of organizational characteristics relevant for examining effectiveness: structural context; person-oriented processes; strategic means and ends; and organizational flexibility, rules, and regulations. In this study, effectiveness is operationalized as the level of performance in construction projects accomplished by the firm in the past 10 years. Cross-sectional data has been collected from firms operating in institutional and commercial construction. A multilayer back-propagation neural network based on the statistical analysis of training data has been developed and trained. Findings show that by applying a combination of the statistical analysis and artificial neural network to a realistic data set, high prediction accuracy is possible.