共查询到18条相似文献,搜索用时 62 毫秒
1.
2.
3.
4.
5.
目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考. 相似文献
6.
7.
提出了一种高效的BP神经网络学习算法,首次对神经网络输出结果进行自适应残差补偿,基于此提出炼铜转炉吹炼终点组合预报模型.经实践检验.本预报模型的预测结果具有较高的精度和较强的实时性,而且本模型具有较好的自学习能力,能有效指导生产实践。 相似文献
8.
9.
10.
11.
12.
《Baosteel Technical Research》2010,(Z1):104
Artificial intelligence techniques have been used to predict basic oxygen furnace(BOF) end-points. However,the main challenge is to effectively reduce the input nodes as too many input nodes in neural network increase complexity,decrease accuracy and slow down the training speed of the network.Simply picking-up variables as input usually influence validity of model.It is quite necessary to develop an effective method to reduce the number of input nodes whereby to simplify the network and improve model performance.In this study,a variable-filtrating technique combining both metallurgical mechanism model and partial least-squares(PLS ) regression method has been proposed by taking the advantages of both of them,i.e.qualitive and quantative relationships between variables respectively.Accordingly,a fuzzy-reasoning neural network(FNN) prediction model for basic oxygen furnace(BOF) end-point carbon content based on this technique has been developed.The prediction results showed that this model can effectively improve the hit rate of end-point carbon content and increase network training speed.The successful hit rate of the model can reach up to 94.12%with about 0.02% error range. 相似文献
13.
转炉冶炼终点静态控制预测模型 总被引:4,自引:0,他引:4
基于天津天铁冶金集团30t转炉炼钢实际生产数据,首先建立了转炉炼钢终点静态控制的吹氧量及矿石用量统计模型,其预测100个炉次吹氧量和矿石用量平均相对误差分别为0.58%及10.4%。考虑到影响终点钢水温度和碳含量的因素比较复杂,设计了预测钢水终点温度和碳含量的人工神经网格模型,利用Levenberg-Marquardt算法和257个炉次的实际生产数据进行了模型训练,并对另外100个炉次的终点钢水温度及碳含量进行了预测,在终点钢水温度为1646-1698℃和终点碳质量分数为0.033%~0.128%的范围内,得到的终点碳温双命中率为55%。 相似文献
14.
通过测量大庆地区区域土壤的理化性质以及碳钢的短期腐蚀数据,分析土壤传质过程的逻辑关系,构建了碳钢短期土壤腐蚀预测模型.通过用该模型在BP人工神经网络中进行学习、训练及模拟,并与现场碳钢埋片腐蚀实验结果对比,进一步验证了腐蚀模型的合理性.结果表明:含水量、空气容量、pH、Cl-含量、SO42-含量和可溶盐总量六种土壤环境参数为影响区域土壤中碳钢腐蚀的主要因素;运用基于Matlab平台的人工神经网络,通过不断地积累土壤腐蚀信息,多次训练后可以建立起稳定性好、泛化能力强的土壤腐蚀预测模型,能较好地预测了大庆地区碳钢在土壤中的腐蚀速率. 相似文献
15.
16.
17.