CN109242210B - 一种球团原料最佳配比的自动推荐方法 - Google Patents
一种球团原料最佳配比的自动推荐方法 Download PDFInfo
- Publication number
- CN109242210B CN109242210B CN201811194347.9A CN201811194347A CN109242210B CN 109242210 B CN109242210 B CN 109242210B CN 201811194347 A CN201811194347 A CN 201811194347A CN 109242210 B CN109242210 B CN 109242210B
- Authority
- CN
- China
- Prior art keywords
- pellet
- compressive strength
- layer
- neural network
- bst
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开一种球团原料最佳配比的自动推荐方法及系统。所述推荐方法包括获取配比变量;将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量;将所述广义神经网络输入变量输入到基于广义神经网络的球团矿抗压强度预报模型f中,获得球团矿抗压强度预报值;根据所述球团矿抗压强度预报模型f采用天牛搜索算法确定所述球团矿抗压强度预报值f的最大值fbst与对应的配比变量值。构建了最佳配比智能推荐模型,智能推荐的最佳配料方案提升了熟球的抗压强度。
Description
技术领域
本发明涉及球团矿领域,特别是涉及一种球团原料最佳配比的自动推荐方法。
背景技术
基础建设规模逐年扩大,钢材需求量节节攀升,有限的天然富块矿资源,无法满足更大规模的炼铁原料需求。球团矿是作为人造富块矿之一,具有高温还原软化性好、机械强度高、渣量低、铁品量高的优良特性。基于球团矿的优良特性,成为高炉炉料中不可或缺的组成部分。但是,球团矿在进入高炉之前和之后,均需要经过多次装卸、转运、堆积和运动,要经受碰撞、冲击、挤压和摩擦各种严酷的机械作用。在机械作用下,熟球产生了破碎、小块或粉末,将间接消极影响炉矿顺行和生产指标。
现有技术中,球团矿生产过程中的配料方案、焙烧制度、参数设定的操作多采用线性比例调控的手段,存在成球率低、抗压程度差的问题。
发明内容
本发明的目的是提供一种能够提高球团的抗压强度的球团原料最佳配比的自动推荐方法及系统。
为实现上述目的,本发明提供了如下方案:
一种球团原料最佳配比的自动推荐方法,所述推荐方法包括:
获取配比变量xt=[x1,x2,x3,x4,x5,x6]T,x1表示SiO2的质量占比,x2表示 CaO的质量占比,x3表示MgO的质量占比,x4表示Al2O3的质量占比,x5表示焙烧时间,x6表示焙烧温度;其中t的取值为0,1,2,......,tmax;
将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量;
将所述广义神经网络输入变量输入到基于广义神经网络的球团矿抗压强度预报值f中,获得球团矿抗压强度预报值;
根据所述球团矿抗压强度预报模型f采用天牛搜索算法确定所述球团矿抗压强度预报值f的最大值fbst;
根据所述球团矿抗压强度预报值f采用天牛须搜索算法确定球团矿抗压强度最大值fbst所对应的自变量的值xbst。
可选的,所述将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量具体包括:
所述广义回归神经网络包括输入层、模式层、求和层、输出层;
获取所述配比变量xt中的i组j维数据,并按照传递函数传递至所述模式层;
其中,xt表示所述广义回归神经网络预处理的输入变量,而xi t表示第i个神经元对应的学习样本数据,σ为平滑因子参数;
所述输出层的神经元数目与学习样本中输出向量的维数l相等,输出层的指标yj=Sj/SD,J=1,2,3,...,l。
可选的,在所述获取配比变量xt=[x1,x2,x3,x4,x5,x6]T之前还包括:
提取球团自动配料数据库中的行为数据,将所述特征向量通过特征-物品相关矩阵转化为推荐物品列表;
根据所述行为数据获得当前用户的特征向量;
根据所述特征向量和所述推荐物品列表获得初始推荐列表。
可选的,所述根据所述球团矿抗压强度预报模型f采用天牛搜索算法确定所述球团矿抗压强度预报值f的最大值fbst具体包括:
其中,xr表示搜索区域的右侧位置,xl表示搜索区域的左侧位置,dt表示天牛须的探测距离;
如果f(xt)>fbst,则fbst′=f(xt),xbst′=xt;
否则,停止迭代,获得所述球团矿抗压强度预报值f的最大值fbst。
一种球团原料最佳配比的自动推荐系统,所述系统包括:
配比变量获取模块,用于获取配比变量xt=[x1,x2,x3,x4,x5,x6]T;
配比变量处理模块,用于将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量;
目标函数建立模块,用于将所述广义神经网络输入变量输入到基于广义神经网络的球团矿抗压强度预报值f中,获得球团矿抗压强度预报值;
计算模块,用于根据所述球团矿抗压强度预报模型f采用天牛搜索算法确定所述球团矿抗压强度预报值f的最大值fbst;
配比变量最优值确定模块,用于根据所述球团矿抗压强度预报值f采用天牛须搜索算法确定球团矿抗压强度最大值fbst所对应的自变量的值xbst。
可选的,所述目标函数建立模块具体包括:
数据获取单元,用于获取所述配比变量xt中的i组j维数据,并按照传递函数传递至所述模式层;
其中,xt表示所述广义回归神经网络的输入变量,而xi t表示第i个神经元对应的学习样本数据,σ为平滑因子参数;
输出单元,用于所述输出层的神经元数目与学习样本中输出向量的维数l 相等,输出层的指标yj=Sj/SD,J=1,2,3,...,l。
可选的,所述推荐系统还包括:
推荐物品列表获取模块,用于提取球团自动配料数据库中的行为数据,将所述特征向量通过特征-物品相关矩阵转化为推荐物品列表;
特征向量获取模块,用于根据所述行为数据获得当前用户的特征向量;
初始推荐列表获取模块,用于根据所述特征向量和所述推荐物品列表获得初始推荐列表。
可选的,计算模块具体包括:
判断单元,用于判断t是否小于tmax;
其中,xr表示搜索区域的右侧位置,xl表示搜索区域的左侧位置,dt表示天牛须的探测距离;
如果f(xt)>fbst,则fbst′=f(xt),xbst′=xt;
目标函数最大值获取单元,用于获得所述球团矿抗压强度预报值f的最大值fbst。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明公开了一种球团原料最佳配比的自动推荐方法及系统,所述推荐方法包括获取配比变量;将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量;将所述输入变量输入到基于广义神经网络的球团矿抗压强度预报模型 f中获得球团矿抗压强度预报值;根据所述球团矿抗压强度预报模型f采用天牛搜索算法确定所述球团矿抗压强度预报值f的最大值fbst及与其对应的原料配比变量值xbst,构建了最佳配比智能推荐模型。智能推荐的最佳配料方案提升了熟球的抗压强度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的球团原料最佳配比的自动推荐方法的流程图;
图2为本发明提供的优化后的系统仿真与实验检测结果对比图;
图3为本发明提供的优化前的系统与优化后的实验检测结果对比图。
图4为本发明提供的球团原料配比推荐引擎架构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种能够提高球团的抗压强度的球团原料最佳配比的自动推荐方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,一种球团原料最佳配比的自动推荐方法,所述推荐方法包括:
步骤100:获取配比变量xt=[x1,x2,x3,x4,x5,x6]T,x1表示SiO2的质量占比, x2表示CaO的质量占比,x3表示MgO的质量占比,x4表示Al2O3的质量占比, x5表示焙烧时间,x6表示焙烧温度;其中t的取值为0,1,2,......,tmax;
步骤200:将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量;
步骤300:将所述输入变量输入到基于广义神经网络的球团矿抗压强度预报值f中获得球团矿抗压强度预报值;
步骤400:根据所述球团矿抗压强度预报值f采用天牛搜索算法确定所述球团矿抗压强度预报值f的最大值fbst;
步骤500:根据所述球团矿抗压强度预报值f采用天牛搜索算法确定球团矿抗压强度预报值f的最大值fbst所对应的配比变量值xbst。
所述步骤200:将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量具体包括:
所述广义回归神经网络包括输入层、模式层、求和层、输出层;
获取所述配比变量xt中的i组j维数据,并按照传递函数传递至所述模式层;
其中,xt表示所述广义回归神经网络的输入变量,而xi t表示第i个神经元对应的学习样本数据,σ为平滑因子参数;
所述输出层的神经元数目与学习样本中输出向量的维数l相等,输出层的指标yj=Sj/SD,J=1,2,3,...,l。
如图4所示,在所述步骤100:获取配比变量xt=[x1,x2,x3,x4,x5,x6]T之前还包括:
提取球团自动配料数据库中的行为数据,将所述特征向量通过特征-物品相关矩阵转化为推荐物品列表;
根据所述行为数据获得当前用户的特征向量;
根据所述特征向量和所述推荐物品列表获得初始推荐列表。
所述步骤300:根据所述球团矿抗压强度预报目标函数f采用天牛搜索算法确定所述球团矿抗压强度预报目标函数f的最大值fbst具体包括:
其中,xr表示搜索区域的右侧位置,xl表示搜索区域的左侧位置,dt表示天牛须的探测距离;
如果f(xt)>fbst,则fbst′=f(xt),xbst′=xt;
否则,停止迭代,获得所述球团矿抗压强度预报目标函数f的最大值fbst。
一种球团原料最佳配比的自动推荐系统,所述系统包括:
配比变量获取模块,用于获取配比变量xt=[x1,x2,x3,x4,x5,x6]T;
配比变量处理模块,用于将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量;
目标函数建立模块,用于将所述输入变量输入到基于广义神经网络的球团矿抗压强度预报模型f中获得球团矿抗压强度预报值;
计算模块,用于根据所述球团矿抗压强度预报模型f采用天牛搜索算法确定所述球团矿抗压强度预报值f的最大值fbst;
配比变量最优值确定模块,用于根据所述球团矿抗压强度预报模型f采用天牛搜索算法确定球团矿抗压强度预报值f的最大值fbst所对应的配比变量值 xbst。
所述目标函数建立模块具体包括:
数据获取单元,用于获取所述配比变量xt中的i组j维数据,并按照传递函数传递至所述模式层;
其中,xt表示所述广义回归神经网络的输入变量,而xi t表示第i个神经元对应的学习样本数据,σ为平滑因子参数;
输出单元,用于所述输出层的神经元数目与学习样本中输出向量的维数l 相等,输出层的指标yj=Sj/SD,J=1,2,3,...,l。
所述推荐系统还包括:
推荐物品列表获取模块,用于提取球团自动配料数据库中的行为数据,将所述特征向量通过特征-物品相关矩阵转化为推荐物品列表;
特征向量获取模块,用于根据所述行为数据获得当前用户的特征向量;
初始推荐列表获取模块,用于根据所述特征向量和所述推荐物品列表获得初始推荐列表。
计算模块具体包括:
判断单元,用于判断t是否小于tmax;
其中,xr表示搜索区域的右侧位置,xl表示搜索区域的左侧位置,dt表示天牛须的探测距离;
如果f(xt)>fbst,则fbst′=f(xt),xbst′=xt;
实施例2
随机选取用于抗压强度预报的样本集10组(见表1),为了不改变焙烧制度(焙烧时长x5与焙烧温度x6),让实验可重复进行,应用算法在变量空间
内智能推荐造球原料的最佳配比。
表1用于系统仿真的历史样本集
系统仿真具体结果见表2,由表2可知,基于抗压强度预报模型,在变量空间内,采用BAS算法可以求取抗压强度最大时的球团原料配比,算法迭代次数最大为248,最小迭代次数为107,平均耗时5.5s,算法收敛速度很快。
仿真结果显示:在原料最佳配比下,熟球抗压强度在原来基础上有了显著提升,表1、表2可知:最大提升幅度达到30.04%,最低提升幅度为8.24%,平均提升幅度为16.60%。但都是建立在抗压强度预报模型的基础上,还须实验的进一步验证。
在系统仿真样本原有的焙烧制度下,按照表2调整原料配比,重复球团焙烧过程,检测配料优化的熟球实际抗压强度。检测结果与未优化前的实际抗压强度、优化后的仿真抗压强度之间的数值对比见表3,直观表达见图2和图3。
表2球团矿原料配比智能推荐系统仿真结果一览表
表3球团矿原料配比智能推荐结果的实验验证一览表
深度解析3、图2和图3可知:球团矿抗压强度预报模型的预测精度很高,这一点在系统仿真样本的重复实验检测结果与仿真结果之间的对比得到体现;以实验验证的方式佐证了球团矿原料配比优化后的熟球抗压强度显著优于优化前的客观事实,这一点在图3中得到直观体现。基于表1的分析结果,再结合抗压强度的高精度预报结果和实验验证结果,可以在一定程度上证明基于 BAS算法的球团矿原料最佳配比智能推荐模型的有效性和高效性,具有一定的实用价值。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种球团原料最佳配比的自动推荐方法,其特征在于,所述推荐方法包括:
获取配比变量xt=[x1,x2,x3,x4,x5,x6]T,x1表示SiO2的质量占比,x2表示CaO的质量占比,x3表示MgO的质量占比,x4表示Al2O3的质量占比,x5表示焙烧时间,x6表示焙烧温度;其中t的取值为0,1,2,......,tmax;
将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量;
将所述广义神经网络输入变量输入到基于广义神经网络的球团矿抗压强度预报值f中,获得球团矿抗压强度预报值;
根据球团矿抗压强度预报模型f采用天牛搜索算法确定所述球团矿抗压强度预报值f的最大值fbst;
根据所述球团矿抗压强度预报值f采用天牛须搜索算法确定球团矿抗压强度最大值fbst所对应的自变量的值xbst。
2.根据权利要求1所述的一种球团原料最佳配比的自动推荐方法,其特征在于,所述将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量具体包括:
所述广义回归神经网络包括输入层、模式层、求和层、输出层;
获取所述配比变量xt中的i组j维数据,并按照传递函数传递至所述模式层;
其中,xt表示所述广义回归神经网络预处理的输入变量,而xi t表示第i个神经元对应的学习样本数据,σ为平滑因子参数;
所述输出层的神经元数目与学习样本中输出向量的维数l相等,输出层的指标yj=Sj/SD,J=1,2,3,...,l。
3.根据权利要求1所述的一种球团原料最佳配比的自动推荐方法,其特征在于,在所述获取配比变量xt=[x1,x2,x3,x4,x5,x6]T之前还包括:
提取球团自动配料数据库中的行为数据,将特征向量通过特征-物品相关矩阵转化为推荐物品列表;
根据所述行为数据获得当前用户的特征向量;
根据所述特征向量和所述推荐物品列表获得初始推荐列表。
4.根据权利要求1所述的一种球团原料最佳配比的自动推荐方法,其特征在于,所述根据球团矿抗压强度预报模型f采用天牛搜索算法确定所述球团矿抗压强度预报值f的最大值fbst具体包括:
其中,xr表示搜索区域的右侧位置,xl表示搜索区域的左侧位置,dt表示天牛须的探测距离;
如果f(xt)>fbst,则fbst′=f(xt),xbst′=xt;
否则,停止迭代,获得所述球团矿抗压强度预报值f的最大值fbst。
5.一种球团原料最佳配比的自动推荐系统,其特征在于,所述系统包括:
配比变量获取模块,用于获取配比变量xt=[x1,x2,x3,x4,x5,x6]T;
配比变量处理模块,用于将所述配比变量xt进行广义回归神经网络预处理,获得广义神经网络输入变量;所述广义回归神经网络包括输入层、模式层、求和层、输出层;
目标函数建立模块,用于将所述广义神经网络输入变量输入到基于广义神经网络的球团矿抗压强度预报值f中,获得球团矿抗压强度预报值;
计算模块,用于根据球团矿抗压强度预报模型f采用天牛搜索算法确定所述球团矿抗压强度预报值f的最大值fbst;
配比变量最优值确定模块,用于根据所述球团矿抗压强度预报值f采用天牛须搜索算法确定球团矿抗压强度最大值fbst所对应的自变量的值xbst。
6.根据权利要求5所述的一种球团原料最佳配比的自动推荐系统,其特征在于,所述目标函数建立模块具体包括:
数据获取单元,用于获取所述配比变量xt中的i组j维数据,并按照传递函数传递至所述模式层;
其中,xt表示所述广义回归神经网络的输入变量,而xi t表示第i个神经元对应的学习样本数据,σ为平滑因子参数;
输出单元,用于所述输出层的神经元数目与学习样本中输出向量的维数l相等,输出层的指标yj=Sj/SD,J=1,2,3,...,l。
7.根据权利要求5所述的一种球团原料最佳配比的自动推荐系统,其特征在于,所述推荐系统还包括:
推荐物品列表获取模块,用于提取球团自动配料数据库中的行为数据,将特征向量通过特征-物品相关矩阵转化为推荐物品列表;
特征向量获取模块,用于根据所述行为数据获得当前用户的特征向量;
初始推荐列表获取模块,用于根据所述特征向量和所述推荐物品列表获得初始推荐列表。
8.根据权利要求5所述的一种球团原料最佳配比的自动推荐系统,其特征在于,计算模块具体包括:
判断单元,用于判断t是否小于tmax;
其中,xr表示搜索区域的右侧位置,xl表示搜索区域的左侧位置,dt表示天牛须的探测距离;
如果f(xt)>fbst,则fbst′=f(xt),xbst′=xt;
目标函数最大值获取单元,用于获得所述球团矿抗压强度预报值f的最大值fbst。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811194347.9A CN109242210B (zh) | 2018-10-15 | 2018-10-15 | 一种球团原料最佳配比的自动推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811194347.9A CN109242210B (zh) | 2018-10-15 | 2018-10-15 | 一种球团原料最佳配比的自动推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242210A CN109242210A (zh) | 2019-01-18 |
CN109242210B true CN109242210B (zh) | 2020-12-22 |
Family
ID=65052917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811194347.9A Active CN109242210B (zh) | 2018-10-15 | 2018-10-15 | 一种球团原料最佳配比的自动推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242210B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793308A (zh) * | 2021-08-25 | 2021-12-14 | 北京科技大学 | 一种基于神经网络的球团矿质量智能评级方法及装置 |
CN114093442B (zh) * | 2022-01-10 | 2022-03-29 | 华北理工大学 | 一种预测及优化熔剂性生球性能的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2254384C1 (ru) * | 2004-01-20 | 2005-06-20 | Открытое акционерное общество "Магнитогорский металлургический комбинат" | Способ производства промывочного агломерата |
CN104711416A (zh) * | 2015-02-26 | 2015-06-17 | 首钢京唐钢铁联合有限责任公司 | 一种球团矿原料配比的计算方法及装置 |
CN107345272A (zh) * | 2017-07-18 | 2017-11-14 | 鞍钢集团矿业有限公司 | 一种含氧化镁的球团矿粘结剂及其制备和使用方法 |
CN108154295A (zh) * | 2017-12-22 | 2018-06-12 | 柳州钢铁股份有限公司 | 一种基于烧结-球团-炼铁联动的优化配矿方法 |
-
2018
- 2018-10-15 CN CN201811194347.9A patent/CN109242210B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2254384C1 (ru) * | 2004-01-20 | 2005-06-20 | Открытое акционерное общество "Магнитогорский металлургический комбинат" | Способ производства промывочного агломерата |
CN104711416A (zh) * | 2015-02-26 | 2015-06-17 | 首钢京唐钢铁联合有限责任公司 | 一种球团矿原料配比的计算方法及装置 |
CN107345272A (zh) * | 2017-07-18 | 2017-11-14 | 鞍钢集团矿业有限公司 | 一种含氧化镁的球团矿粘结剂及其制备和使用方法 |
CN108154295A (zh) * | 2017-12-22 | 2018-06-12 | 柳州钢铁股份有限公司 | 一种基于烧结-球团-炼铁联动的优化配矿方法 |
Non-Patent Citations (4)
Title |
---|
Development of high strength hydroxyapatite by solid-state-sintering process;Sumit Pramanik ,etc;《Ceramics International》;20070430;第33卷(第3期);第419-426页 * |
SiO2含量对镁质熔剂性球团性能影响;李杰 等;《烧结球团》;20170815;第42卷(第4期);第23-27页 * |
基于粒子群算法的球团生产工艺参数优化研究;杨爱民 等;《钢铁流程绿色制造与创新技术交流会论文集》;20180815;第51-59页 * |
铁矿含碳球团高温抗压强度研究及机理分析;杨乐彪 等;《钢铁》;20171015;第52卷(第10期);第13-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109242210A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | A multilevel prediction model of carbon efficiency based on the differential evolution algorithm for the iron ore sintering process | |
Yuan et al. | Double locally weighted principal component regression for soft sensor with sample selection under supervised latent structure | |
Han et al. | Endpoint prediction model for basic oxygen furnace steel-making based on membrane algorithm evolving extreme learning machine | |
CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
Yang et al. | IoT system for pellet proportioning based on BAS intelligent recommendation model | |
Chen et al. | A hybrid time series prediction model based on recurrent neural network and double joint linear–nonlinear extreme learning network for prediction of carbon efficiency in iron ore sintering process | |
CN109242210B (zh) | 一种球团原料最佳配比的自动推荐方法 | |
Tian et al. | TS fuzzy neural network predictive control for burning zone temperature in rotary kiln with improved hierarchical genetic algorithm | |
Xie et al. | Robust stochastic configuration network multi-output modeling of molten iron quality in blast furnace ironmaking | |
Li et al. | A soft sensing scheme of gas utilization ratio prediction for blast furnace via improved extreme learning machine | |
Yuan et al. | Modeling and optimization of coal blending and coking costs using coal petrography | |
CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统 | |
Wang et al. | A new data-driven roll force and roll torque model based on FEM and hybrid PSO-ELM for hot strip rolling | |
Nenchev et al. | Metallurgical data science for steel industry: A case study on basic oxygen furnace | |
Cardoso et al. | Modeling of artificial neural networks for silicon prediction in the cast iron production process | |
Wang et al. | Application research based on GA-FWA in prediction of sintering burning through point | |
CN110457784A (zh) | 一种基于bp网络模型的煤灰熔点预测方法 | |
Gao et al. | Assessing the predictability for blast furnace system through nonlinear time series analysis | |
Cardoso et al. | Artificial neural network-based committee machine for predicting the slag quality of a blast furnace fed with metallurgical coke | |
Reddy et al. | Neural network modelling of flow stress in Ti–6Al–4V alloy with equiaxed and Widmanstätten microstructures | |
Li et al. | Long short-term memory based on random forest-recursive feature eliminated for hot metal silcion content prediction of blast furnace | |
Mitra et al. | Evolutionary algorithms in ironmaking applications | |
Zhou et al. | BP neural network prediction for Si and S contents in hot metal of COREX process based on mathematical analysis and Deng’s correlation | |
Pettersson et al. | A genetic algorithm evolving charging programs in the ironmaking blast furnace | |
Sun et al. | A soft-sensing model for predicting cement-specific surface area based on inception-residual-quasi-recurrent neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230407 Address after: No. 25 Yongqing Road Commercial Street, Tangshan High tech Industrial Park, Tangshan City, Hebei Province 063010 Patentee after: Tangshan Tianying Intelligent Technology Co.,Ltd. Address before: No.21 Bohai Avenue, Caofeidian new town, Tangshan City, Hebei Province 063000 Patentee before: NORTH CHINA University OF SCIENCE AND TECHNOLOGY |