CN110245372A - 用于确定钢水包中的空气截留的系统和方法 - Google Patents
用于确定钢水包中的空气截留的系统和方法 Download PDFInfo
- Publication number
- CN110245372A CN110245372A CN201910163165.3A CN201910163165A CN110245372A CN 110245372 A CN110245372 A CN 110245372A CN 201910163165 A CN201910163165 A CN 201910163165A CN 110245372 A CN110245372 A CN 110245372A
- Authority
- CN
- China
- Prior art keywords
- parameter
- steel
- steel ladle
- air
- geometric
- 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.)
- Granted
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 152
- 239000010959 steel Substances 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010079 rubber tapping Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 37
- 239000012530 fluid Substances 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 31
- 238000004088 simulation Methods 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 11
- 239000002893 slag Substances 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 16
- 238000007670 refining Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000009843 secondary steelmaking Methods 0.000 abstract description 2
- 210000005036 nerve Anatomy 0.000 abstract 1
- 230000001052 transient effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 16
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 6
- 239000001257 hydrogen Substances 0.000 description 6
- 229910052739 hydrogen Inorganic materials 0.000 description 6
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009847 ladle furnace Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
- B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
- B22D11/16—Controlling or regulating processes or operations
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Treatment Of Steel In Its Molten State (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开总体上涉及一般领域,并且更具体地涉及用于确定钢水包中的空气截留的系统和方法。执行在钢水包的二次炼钢阶段的各种精炼操作是具有挑战性的,因为其需要大量的时间和资源。本主题公开了一种用于确定钢水包中的空气截留的技术。在实施例中,该方法使用瞬态计算流体动力学建模来模拟液钢的出钢过程并关于时间来跟踪界面。通过对不同的几何参数和操作参数进行参数研究,生成训练和验证数据,然后将其用于训练人工神经网络模型。然后需要输出参数的新的钢水包几何参数和操作输入参数被用于预测空气截留。
Description
相关申请的交叉引用和优先权
本专利申请要求于2018年3月9日提交的印度专利申请201821008855的优先权。
技术领域
本公开总体上涉及钢水包精炼过程,并且更具体地涉及用于确定钢水包中的空气截留的系统和方法。
背景技术
在钢水包炉中进行二次炼钢阶段的各种精炼操作。在精炼操作期间,来自钢水包中的出钢(tapping)操作中的氮气、氢气和氧气拾取取决于出钢时气泡的截留。现有方法通过总体经验相关性计算出钢时来自空气截留的氮气、氢气和氧气拾取(pickup)。这些经验关系可能无法捕捉这些现象,因为它们或基于水模型实验。另一种现有方法使用高温模拟模型来估计空气截留。然而,这些模拟模型可能需要大量的时间和资源。
发明内容
以下呈现了本公开的一些实施例的简化概述,以便提供对实施例的基本理解。该概述不是实施例的全面概览。其并未旨在标识实施例的关键/重要元素或描绘实施例的范围。其唯一目的是以简化形式呈现一些实施例,作为下面所呈现的更详细描述的序言。
鉴于前述内容,本文的实施例提供了用于确定钢包中的空气截留的方法和系统。在一个方面,处理器实施的方法包括以下步骤:获得与钢包相关联的几何参数,其中几何参数包括钢包顶部直径和底部直径、钢包高度、塞子的数量、塞子的位置和塞子的直径;捕获用于出钢的钢包工艺参数,其中钢包工艺参数包括出钢率的范围、出钢入口面积、初始炉渣高度、进钢中携带炉渣的百分比和出钢的持续时间;使用钢包工艺参数和几何参数创建输入数据;使用所创建的输入数据执行多相计算流体动力学以获得模拟结果;根据模拟结果计算输出数据,该输出数据为空气-钢界面面积和空气截留量;从输入数据和对应的输出数据创建训练数据;使用所获得的训练数据训练人工神经网络(ANN)模型;以及使用经训练的ANN模型来针对新的几何参数和钢包工艺参数确定钢包中的空气截留量和空气-钢界面面积。
在另一方面,提供了一种用于确定钢包中的空气截留的系统。该系统包括一个或多个存储器;一个或多个硬件处理器,所述一个或多个存储器耦合到所述一个或多个硬件处理器,其中所述一个或多个硬件处理器被配置为执行存储在所述一个或多个存储器中的编程指令以:获得与钢包相关联的几何参数,其中几何参数包括钢包顶部直径和底部直径、钢包高度、塞子的数量、塞子的位置和塞子的直径;捕获用于出钢的钢包工艺参数,其中钢包工艺参数包括出钢率的范围、出钢入口面积、初始炉渣高度、进钢中携带炉渣的百分比和出钢的持续时间;使用钢包工艺参数和几何参数创建输入数据;使用所创建的输入数据执行多相计算流体动力学以获得模拟结果;从模拟结果计算输出数据,该输出数据为空气-钢界面面积和空气截留量;从输入数据和对应的输出数据创建训练数据;使用所获得的训练数据训练人工神经网络(ANN)模型;以及使用经训练的人工神经网络来针对新的几何参数和钢包工艺参数确定钢包中的空气截留量和空气-钢界面面积。
在又另一方面,提供了一种非暂时性计算机可读介质,其上包含有用于执行用于确定钢包中是否存在空气截留的方法的计算机程序。该方法包括以下步骤:获得与钢包相关联的几何参数,其中几何参数包括钢包顶部直径和底部直径、钢包高度、塞子的数量、塞子的位置和塞子的直径;捕获用于出钢的钢包工艺参数,其中钢包工艺参数包括出钢率的范围、出钢入口面积、初始炉渣高度、进钢中携带炉渣的百分比和出钢的持续时间;使用钢包工艺参数和几何参数创建输入数据;使用所创建的输入数据执行多相计算流体动力学以获得模拟结果;从模拟结果计算输出数据,该输出数据为空气-钢界面面积和空气截留量;从输入数据和对应的输出数据创建训练数据;使用所获得的训练数据训练人工神经网络(ANN)模型;以及使用经训练的ANN模型来针对新的几何参数和钢包工艺参数确定钢包中的空气截留量和空气-钢界面面积。
本领域技术人员应该理解的是,本文的任何框图表示体现本主题的原理的说明性系统的概念视图。类似地,要理解的是,任何流程图、流程图表、状态转换图、伪代码等表示可以基本上被表示在计算机可读介质中并且因此由计算设备或处理器执行的各种过程,无论这样的计算设备或处理器是否被明确地示出。
附图说明
参考附图描述详细描述。在图中,附图标记的最左边一个或多个数字标识该附图标记首次出现的图。在整个附图中使用相同的标号来指代相同的特征和模块。
图1示出了根据示例实施例的用于确定钢水包中的空气截留的系统的框图。
图2示出了根据示例实施例的钢水包几何形状的示意图。
图3示出了根据示例实施例的出钢操作的示意图。
图4A示出了根据示例实施例的用于出钢的计算流体动力学(CFD)模型的细节。
图4B示出了根据示例实施例的钢水包的计算网格。
图5示出了根据示例实施例的用于空气截留估计的人工神经网络的细节。
图6是示出了根据示例性实施例的用于出钢操作(示出了随出钢时间的空气截留)的钢体积分数轮廓的图示。
图7A示出了根据示例实施例的示出针对不同出钢率的钢-空气界面面积的CFD结果的图。
图7B示出了根据示例实施例的示出针对不同入口直径的钢-空气界面面积的CFD结果的图。
图7C示出了根据示例实施例的与基本情况(1ton/s速率和1米入口直径)相比的影响指数的曲线图。
图8示出了根据示例实施例的用于确定钢水包中的空气截留的方法的流程图。
本领域技术人员应该理解的是,本文的任何框图表示体现本主题原理的说明性系统和设备的概念图。类似地,将要理解的是,任何流程表、流程图等表示可以基本上被表示在计算机可读介质中并且因此由计算机或处理器执行的各种过程,无论这样的计算机或处理器是否被明确地示出。
具体实施方式
参考在附图中示出并在以下描述中详述的非限制性实施例,更全面地解释了本文的实施例及其各种特征和有利细节。本文使用的示例仅旨在便于理解可以实践本文的实施例的方式,并进一步使本领域技术人员能够实践本文的实施例。因此,这些示例不应被解释为限制本文实施例的范围。
公开了一种用于确定钢水包中的空气截留的技术。这填补了快速且准确地确定钢水包中钢液出钢时的空气截留的要求的间隙。因为从计算流体动力学(CFD)建模中找到这些参数非常耗费时间和资源。在实施例中,该技术利用从CFD生成的开眼(eye opening)数据来构建用于钢水包的净化操作(purging operation)以快速预测开眼的人工神经网络模型,然后利用其根据开眼进行氮气、氧气和氢气拾取的预测。例如,CFD建模用于生成训练数据,该训练数据用于训练神经网络模型,并且然后经训练的模型用于估计输出变量。通过运行具有不同数量的隐藏层和节点的神经网络来估计神经网络的设置以训练神经网络模型。然后需要输出参数的新的钢包几何参数和操作输入参数被用于预测空气截留。使用所预测的空气截留,估计氮气、氢气和氧气拾取。
该方法和系统不限于本文描述的特定实施例。另外,该方法和系统可以与本文描述的其他模块和方法独立地并分开地实践。每个设备元件/模块和方法可以与其他元件/模块和其他方法结合使用。
用于确定钢水包中的空气截留的系统和方法的方式已经参考图1至图6进行了详细解释。虽然所描述的用于确定钢水包中的空气截留的方法和系统的各方面可以以任何数量的不同系统、实用环境和/或配置来实施,但是在以下一个或多个示例性系统的上下文中描述实施例。
图1示出了根据示例实施例的用于确定钢水包中的空气截留的系统100的框图。在示例实施例中,系统100可以被实施在计算设备中,或者与计算设备直接通信。系统100包括一个或多个硬件处理器(诸如一个或多个处理器102)、一个或多个存储器(诸如存储器104)和网络接口单元(诸如网络接口单元106)或以其他方式与其通信。在实施例中,处理器102、存储器104和网络接口单元106可以通过诸如系统总线或类似机制的系统总线进行耦合。尽管图1示出了系统100的示例组件,但是在其他实施方式中,系统100可以包含比图1中描绘的更少的组件、附加组件、不同组件或不同布置的组件。
除了别的以外,处理器102可以包括实施与通信相关联的音频和逻辑功能的电路。例如,处理器102可以包括但不限于一个或多个数字信号处理器(DSP)、一个或多个微处理器、一个或多个专用计算机芯片、一个或多个现场可编程门阵列(FPGA)、一个或多个专用集成电路(ASIC)、一个或多个计算机、各种模数转换器、数模转换器和/或其他支持电路。因此,处理器102还可以包括编码消息和/或数据或信息的功能。除了别的以外,处理器102可以包括被配置为支持处理器102的操作的逻辑门、时钟、和算术逻辑单元(ALU)。此外,处理器102可以包括执行一个或多个软件程序的功能,该软件程序可以被存储在存储器104中或者以其他方式可被处理器102访问。
可以通过使用专用硬件以及能够执行与适当软件相关联的软件的硬件来提供图中所示的各种元件的功能,包括标记为“一个或多个处理器”的任何功能块。当由处理器提供时,功能可以由单个专用处理器、由单个共享处理器或由多个单独的处理器提供,其中一些处理器可以是共享的。此外,术语“处理器”的明确使用不应被解释为专指能够执行软件的硬件,并且可以隐含地包括但不限于DSP硬件、网络处理器、专用集成电路(ASIC)、FPGA、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储器。还可以包括其他硬件、常规的和/或定制的硬件。
一个或多个接口106可以包括各种软件和硬件接口,例如,用于一个或多个外围设备的接口,诸如键盘、鼠标、外部存储器和打印机。一个或多个接口106可以促进包括有线网络(例如局域网(LAN)、电缆等)以及无线网络(诸如无线LAN(WLAN)、蜂窝或卫星)的各种网络和协议类型内的多种通信。
诸如存储器104的一个或多个存储器可以存储由系统使用以实施系统的功能的任何数量的信息片段和数据。存储器104可以包括例如易失性存储器和/或非易失性存储器。易失性存储器的示例可以包括但不限于易失性随机存取存储器。非易失性存储器可以附加地或替代地包括电可擦除可编程只读存储器(EEPROM)、闪存、硬盘驱动器等。易失性存储器的一些示例包括但不限于随机存取存储器、动态随机存取存储器、静态随机存取存储器等。非易失性存储器的一些示例包括但不限于硬盘、磁带、光盘、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、闪存等。存储器104可以被配置为存储信息、数据、应用、指令等,以使系统100能够根据各种示例实施例执行各种功能。附加地或替代地,存储器104可以被配置为存储指令,该指令在由处理器102执行时致使系统以各种实施例中描述的方式运行。存储器104包括样本生成模块108、CFD模拟模块110、训练数据提取模块112、ANN训练和验证模块114、预测模块116、估计模块118和其他模块。模块108至118和其他模块包括执行特定任务或实施特定抽象数据类型的例程、程序、对象、组件、数据结构等。其他模块可以包括对系统100的应用和功能进行补充的程序或编码指令。
在操作中,样本生成模块108接收钢水包几何参数和工艺参数的不同集合以获得从CFD模拟生成训练数据所需的样本数据。以覆盖几何参数和工艺参数的整个范围的这种方式生成样本。在示例实施方式中,样本生成模块108接收钢水包的几何参数及其在工业中使用的每个几何尺寸的范围。例如,几何参数包括钢水包顶部直径和底部直径、钢水包高度、塞子位置、塞子直径、塞子数量、出钢设备(tapper)角度等(如图2的示意图200所示)。在该实施方式中,样本生成模块108接收用于出钢的工艺参数,包括出钢率的范围、出钢入口面积、初始炉渣高度(或重量)、进钢中的携带炉渣的百分比和出钢的持续时间。例如,图3的示意图300示出了出钢操作。
在接收了几何参数和工艺参数之后,样本生成模块108使用针对不同工艺参数和几何参数的实验技术(DOE)的Taguchi设计来创建样本输入数据。在实施例中,样本生成模块108将输入参数的每个集合分成可以捕获处理条件和几何参数的整个范围的多个集合。例如,首先取变量的最大和最小范围,然后例如使用DOE的Taguchi方法来生成实验数据集合。关键输入参数基于其对输出的影响进行识别。例如,通过从针对参数的每个极限范围的CFD模拟结果计算影响指数来识别每个集合中的关键参数,并且利用大于预定义值的影响指数来选择一个或多个参数。此外,创建针对一个或多个参数的输入数据。为了识别关键输入参数,极限范围变量被用来进行CFD模拟,并计算影响指数。选择具有较高影响指数的关键参数。影响指数被定义为针对参数的极限输入的输出值之间的差异。与基本情况(1ton/s速率和1米入口直径)相比的影响指数的示例在图7C的曲线图700C中示出。
此外,CFD模拟模块110使用输入参数的不同集合来转换成钢水包计算网格和边界条件,并且然后模拟出钢操作中存在的流体流动条件以获得收敛的数值结果。此外,训练数据提取模块112从CFD模拟结果中提取针对输入集合的输出参数,如空气-钢界面面积和空气截留。在示例实施例中,CFD模拟模块110对具有高影响指数的变量的所有生成的样本输入数据执行模拟。然后,CFD模拟模块基于模拟结果计算输出数据(即,空气截留和空气-钢界面面积)。例如,通过估计液钢小于预先确定值(例如,10%)的流体面积来计算钢水包中钢内的空气截留。通过估计空气的百分比大于预先确定值的液钢-空气界面面积来估计空气-钢界面面积。例如,空气体积分数大于90%。
在示例性实施例中,如所示的用于出钢的CFD模型(如图4A的CFD模型400A中所示)被用于执行模拟研究以捕获不同相之间的物理现象。该模型使用在创建了钢水包的虚拟几何形状之后生成的计算网格文件(如图4B的CFD网格400B中所示)。然后,工艺变量被用于生成CFD建模中所需的边界条件。例如,边界条件包括所有壁处的光滑壁边界条件、钢水包入口处的质量流入口、顶壁处的压力出口边界、以炉渣、钢和空气的初始水平的初始化、1873K下的等温条件。该模型使用基于流体体积(VOF)的方法来使用流体相互作用参数(如空气-钢和炉渣-钢、空气-炉渣、空气-钢之间的表面张力)求解钢水包内部的流体流动。对于计算的每个时间步骤,钢水包的空体积填充有空气。流体的初始高度取自初始炉渣层高度。10-4的收敛标准用于获得收敛结果。存在用于CFD建模的一些求解器条件。CFD模型的方案给出了关于如钢-空气界面面积和空气截留的输出参数的信息。例如,该模型使用以下方程计算连续性:
此外,CFD模型使用以下方程计算动量守恒:
此外,K-epsilon湍流模型方程包括:
而且,VOF模型方程包括(此处q=l、s、空气分别对应于液钢、炉渣和空气):
αl+αs+αair=1
ρ=ρair+ρs+ρl此外,ANN训练和验证模块114使用从CFD模型所生成的数据来训练网络。一旦完成训练,那么输入输出数据的几个集合就被用于验证ANN模型以便检查其正确性。在这种情况下,将来自经训练的ANN模型的预测结果与实际CFD结果进行比较。当所有预测结果都在±5%内时,则仅该ANN模型被认为是经训练过的。在实施例中,ANN模型的训练以2个隐藏层、5个输入层和一个输出层开始。例如,在训练网络时使用反向传播算法,并且改变隐藏层的数量。每个隐藏层以最少3个节点开始,并基于验证结果顺序增加/减少。每当达到验证目标或接近目标时,即预测结果在CFD结果的±5%范围内,则存储网络架构。以这种方式,不同的网络架构针对不同数量的隐藏层被存储,并且然后被比较。以最准确方式进行预测的网络被选择为经训练的ANN模型。然后,预测模块116针对新的输入数据集合来预测在出钢情况下如钢-空气界面面积和空气截留的输出参数。
在用于预测空气截留的ANN模型中(如图5的ANN模型500中所示),输入变量包括出钢率、出钢入口面积、初始炉渣高度、钢水包直径、进钢中的炉渣百分比和初始炉渣层厚度。在模型的每个隐藏层中,存在训练网络所需的多个节点。在训练期间,使用诸如空气-钢界面面积的输出变量。用于训练ANN模型的训练算法是反向传播。它生成针对隐藏层中的每个节点的权重。一旦ANN模型被训练,就接收新的输入变量集合,以便经训练的模型估计输出参数。
在图6的图600中示出了用于出钢操作(示出了随出钢时间的空气截留)的示例图示钢体积分数轮廓。图7A的示例曲线图700A示出了针对不同出钢率的钢-空气界面面积的CFD结果。图7B的示例曲线图700B示出了针对不同入口直径的钢-空气界面面积的CFD结果。对于任何输入参数的指定范围内的任何值,每当空气-钢界面面积的值与基本情况相比落在±5%之外,如曲线图700C所示,则输入参数被视为有影响的参数,否则输入参数将被忽略。这里,在曲线图700C中,黑线是基本情况,并且灰线是边界线。
在示例实施方式中,在建模中使用n-多层感知器(MLP)网络。该网络在每个输入层、隐藏层和输出层中分别具有5、5、1个神经元(节点)。通过取输入和输出数据,所有输入和输出被单独归一化。每个神经元具有其权重和偏差。此外,反向传播(BP)学习算法用于网络的训练。BP学习算法包括以下步骤:
1)对网络中的权重和偏差进行初始化。
2)以通常的方式向前传播输入,即
·使用对应权重和输入矢量的内积的S形阈值来计算所有输出。
·阶段n处的所有输出都被连接到阶段n+1处的所有输入。
3)误差反向传播:通过根据单位影响水平将误差分配给每个单元来向后传播误差
4)训练终止(收敛标准)
·达到最大迭代次数。
·达到指定的目标误差值。
·前一时期中的所有权重如此小以至于低于某个特定阈值
·前一时期中被错误分类的元组的百分比低于某个阈值
·预先指定数量的时期已经期满。给出较高准确度值的分类器被视为好的分类器。
神经网络建模的第一步骤是网络的初始化。与神经元相关联的所有权重和偏差被给予针对迭代开始的一些初始值。然后随着训练进行来修改这些权重和偏差。利用随机值对网络的所有权重和偏差进行初始化。神经网络建模的第二步骤以将训练数据传递到网络的输入层开始。输入通过输入单元而不变。接下来,计算隐藏层和输出层中每个单元的净输入(net input)和净输出。隐藏层或输出层中单元的净输入被计算为其输入的线性组合。通过将连接到单元的输入与其对应的权重相乘来计算到该单元的净输入,然后将其与偏差相加。给定隐藏层或输出层中的单元,在等式1中给出了到单元j的净输入Ij。
其中Wij是从前一层中的单元Ij到单元j的连接的权重,Oj是来自前一层的单元I的输出,θj是单元的偏差。偏差充当阈值,因为它用于改变单元的活动。隐藏层和输出层中的每个单元都取其净输入,并且然后应用激活函数。该函数表示由单元表示的神经元的激活。使用逻辑或S形函数,并且如方程2来计算单元j的输出。此函数也称为压缩函数,因为它将大的输入域映射到0到1的较小范围。
通过更新权重和偏差来向后反向传播误差,以反映网络预测。对于输出层中的单元j,通过方程3计算误差。
Errj=Oj(1-Oj)(Tj-Oj) (3)
其中Oj是单元j的实际输出,并且Tj是给定训练数据集合的已知目标值。为了计算隐藏层单元j的误差,考虑连接到下一层中的单元j的单元的误差的加权和。通过方程4来计算隐藏层单元j的误差。
其中Wjk是从单元j到下一较高层中的单元k的连接的权重,并且Errk是单元k的误差。更新权重和偏差以反映所传播的误差。根据通过方程5计算的权重来更新权重。
wij=wij+(l)ErrjOi (5)
变量l是学习率,其是具有0到1之间的值的常数。反向传播学习使用梯度下降的方法来搜索适合训练数据的权重集合,以便使均方误差最小化。学习率帮助避免陷入局部最小值,并鼓励查找全局最小值。通过方程6来更新偏差。
θj=θj+(l)Errj (6)
在一些实施例中,估计模块118可被用于估计空气-钢界面处的脱硫和来自开眼的氮气、氢气和氧气拾取。为此,针对物理变量中的每个来求解化学动力学方程。从ANN模型所预测的参数用于预测钢水包中的氮气、氢气和硫浓度。这些物理参数的预测非常快速且准确。因此,这些预测可以促进工艺的在线控制,以提高钢厂的生产率以及钢的质量。
图8示出了根据示例实施例的用于确定钢水包中的空气截留的方法800的流程图。可以在计算机可执行指令的一般上下文中描述方法800。通常,计算机可执行指令可以包括执行特定功能或实施特定抽象数据类型的例程、程序、对象、组件、数据结构、过程、模块、函数等。方法800还可以在分布式计算环境中实施,其中功能由通过通信网络链接的远程处理设备执行。描述方法800的顺序不旨在被解释为限制,并且可以以任何顺序组合任何数量的所描述的方法框以实施方法800或替代方法。此外,方法800可以以任何合适的硬件、软件、固件或其组合来实施。在实施例中,流程图中描绘的方法800可以由系统(例如,图1的系统100)来执行。
在框802处,接收与钢水包相关联的几何参数。例如,几何参数包括钢水包顶部和底部直径、钢水包高度、塞子的数量、塞子的位置、塞子的直径等。在框804处,捕获用于出钢的钢水包工艺参数。例如,钢水包工艺参数包括出钢率的范围、出钢入口面积、初始炉渣高度、进钢中携带炉渣的百分比和出钢的持续时间等。在框806处,使用钢水包工艺参数和几何参数来创建输入数据。在示例实施方式中,钢水包几何参数和工艺参数被分成多个集合,其捕获处理条件和几何细节的整个范围。然后针对每个集合中的具有极限范围的参数值执行多相计算流体动力学模拟。此外,通过从针对参数的每个极限范围的CFD模拟结果计算影响指数来识别每个集合中的关键参数,并且利用大于预定义值的影响指数来选择一个或多个参数。此外,创建针对一个或多个参数的输入数据。
在框808处,使用所创建的输入数据执行多相计算流体动力学以获得模拟结果。在示例实施方式中,使用几何参数创建钢水包的虚拟几何形状。此外,使用钢水包的虚拟几何形状生成计算网格。此外,使用钢水包工艺参数生成对计算流体动力学进行建模所需的边界条件。此外,使用计算网格、边界条件和预定义求解器条件来执行多相计算流体动力学模拟。
在框810处,从模拟结果计算输出数据,该输出数据为空气-钢界面面积和空气截留量。在实施例中,通过估计液钢小于预先确定值的流体面积来计算钢包中钢内的空气截留量。此外,通过估计空气超过预先确定值的液钢-空气界面来计算空气-钢界面面积。
在框812处,从输入数据和对应的输出数据来创建训练数据。在框814处,使用所获得的训练数据来训练人工神经网络(ANN)模型。在方框816处,使用经训练的ANN模型来针对新的几何参数和钢水包工艺参数确定钢水包中的空气截留量和空气-钢界面面积。
书面描述描述了本文的主题,以使本领域技术人员能够制造和使用实施例。本主题实施例的范围由权利要求限定,并且可以包括本领域技术人员想到的其他修改。如果这些其他修改具有与权利要求的字面语言没有不同的相似元素,或者如果它们包括与权利要求的字面语言无实质差别的等效元素,则这样的其他修改旨在落入权利要求的范围内。
然而,要理解的是,保护范围扩展到这样的程序,并且除了其中具有消息的计算机可读装置之外;当程序在服务器或移动设备或任何合适的可编程设备上运行时,这样的非暂时性计算机可读存储装置包含用于实施该方法的一个或多个步骤的程序代码装置。硬件设备可以是可以被编程的任何种类的设备,包括例如任何种类的计算机,如服务器或个人计算机等,或其任何组合。该设备还可以包括可以是例如硬件装置的装置,像例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)或硬件和软件装置的组合,例如ASIC和FPGA、或者至少一个微处理器和具有位于其中的软件模块的至少一个存储器。因此,该装置可以包括硬件装置和软件装置。本文描述的方法实施例可以以硬件和软件来实施。该设备还可以包括软件装置。替代地,实施例可以在不同的硬件设备上例如使用多个CPU实施。
本文的实施例可以包括硬件元件和软件元件。以软件实施的实施例包括但不限于固件、驻留软件、微代码等。由本文描述的各种模块执行的功能可以在其他模块或其他模块的组合中实施。出于该描述的目的,计算机可用或计算机可读介质可以是可以包括、存储、通信、传播或传输程序以供指令执行系统、器件或设备使用或与之结合使用的任何器件。
特定实施方式和实施例的前面描述将如此充分地揭示本文实施方式和实施例的一般性质,使得其他人可以在脱离一般概念的情况下通过应用当前知识而容易地修改这样的特定实施例和/或使其适应各种应用,并且因此,在所公开实施例的等同物的含义和范围内,应当并且旨在理解这些适应和修改。要理解的是,本文采用的措辞或术语是出于描述的目的而非限制。因此,尽管已经就优选实施例描述了本文的实施例,但是本领域技术人员将认识到的是,可以在本文所描述的实施例的精神和范围内利用修改来实践本文的实施例。
已经参考各种实施例呈现了先前的描述。本申请所属领域的普通技术人员将理解的是,可以在不有意脱离该原理、精神和范围的情况下实践所描述的结构和操作方法的改变和变化。
Claims (12)
1.一种处理器实施的方法,包括:
获得与钢水包相关联的几何参数,其中所述几何参数包括钢水包顶部直径和底部直径、钢水包高度、塞子的数量、所述塞子的位置和所述塞子的直径;
捕获用于出钢的钢水包工艺参数,其中所述钢水包工艺参数包括出钢率的范围、出钢入口面积、初始炉渣高度、进钢中携带炉渣的百分比和出钢的持续时间;
使用所述钢水包工艺参数和几何参数创建输入数据;
使用所创建的输入数据执行多相计算流体动力学(CFD)以获得模拟结果;
从所述模拟结果计算作为空气-钢界面面积和空气截留量的输出数据;
从所述输入数据和对应的输出数据创建训练数据;
使用所获得的训练数据来训练人工神经网络(ANN)模型;以及
使用经训练的ANN模型来针对新的几何参数和所述钢水包工艺参数确定所述钢水包中的空气截留量和空气-钢界面面积。
2.根据权利要求1所述的方法,其中使用所述钢水包工艺参数和几何参数创建输入数据包括:
将所述几何参数和所述钢水包工艺参数分成捕获处理条件和几何细节的整个范围的多个集合;
针对每个集合中的具有范围的参数值执行多相计算流体动力学模拟;
通过从针对参数的范围中的每个范围的CFD模拟结果计算影响指数来识别所述集合中的每个集合中的关键参数,并且利用大于预定义值的影响指数来选择所述参数中的一个或多个参数;以及
针对所述参数中的一个或多个参数创建输入数据。
3.根据权利要求2所述的方法,其中执行多相计算流体动力学包括:
使用所述几何参数创建所述钢水包的虚拟几何形状;
使用所述钢水包的虚拟几何形状生成计算网格;
使用所述钢水包工艺参数生成对所述计算流体动力学进行建模所需的边界条件;以及
使用所述计算网格、边界条件和预定义求解器条件来执行所述多相计算流体动力学模拟。
4.根据权利要求1所述的方法,其中从模拟结果计算作为空气-钢界面面积和空气截留量的输出数据包括:
通过估计液钢小于预先确定值所在的流体面积来计算所述钢水包中钢内的空气截留量;以及
通过估计空气的百分比大于预先确定值所在的液钢-空气界面来计算所述空气-钢界面面积。
5.一种系统,包括:
一个或多个存储器;以及
一个或多个硬件处理器,所述一个或多个存储器耦合到所述一个或多个硬件处理器,其中所述一个或多个硬件处理器被配置为执行存储在所述一个或多个存储器中的编程指令以:
获得与钢水包相关联的几何参数,其中所述几何参数包括钢水包顶部直径和底部直径、钢水包高度、塞子的数量、所述塞子的位置和所述塞子的直径;
捕获用于出钢的钢水包工艺参数,其中所述钢水包工艺参数包括出钢率的范围、出钢入口面积、初始炉渣高度和出钢的持续时间;
使用所述钢水包工艺参数和几何参数创建输入数据;
使用所创建的输入数据执行多相计算流体动力学以获得模拟结果;
从所述模拟结果计算作为空气-钢界面面积和空气截留量的输出数据;
从所述输入数据和对应的输出数据创建训练数据;
使用所获得的训练数据训练人工神经网络(ANN)模型;以及
使用经训练的ANN模型来针对新的几何参数和所述钢水包工艺参数确定所述钢水包中的空气截留量和空气-钢界面面积。
6.根据权利要求5所述的系统,其中所述一个或多个硬件处理器还能够执行编程指令以:
将所述几何参数和所述钢水包工艺参数分成捕获处理条件和几何细节的整个范围的多个集合;
针对每个集合中的具有极限范围的参数值执行多相计算流体动力学模拟;
通过从针对参数的极限范围中的每个极限范围的CFD模拟结果计算影响指数来识别所述集合中的每个集合中的关键参数,并且利用大于预定义值的影响指数来选择参数;
针对所述关键参数创建输入数据。
7.根据权利要求6所述的系统,其中所述一个或多个硬件处理器还能够执行编程指令以:
使用所述几何参数创建所述钢水包的虚拟几何形状;
使用所述钢水包的虚拟几何形状生成计算网格;
使用所述钢水包工艺参数生成对所述计算流体动力学进行建模所需的边界条件;以及
使用所述计算网格、边界条件和预定义求解器条件来执行所述多相计算流体动力学模拟。
8.根据权利要求6所述的系统,其中所述一个或多个硬件处理器还能够执行编程指令以:
通过估计液钢小于预先确定值所在的流体面积来计算所述钢水包中钢内的空气截留量;以及
通过估计空气的百分比大于预先确定值所在的液钢-空气界面来计算所述空气-钢界面面积。
9.一个或多个非暂时性机器可读信息存储介质,其包括一个或多个指令,所述一个或多个指令在由一个或多个硬件处理器执行时致使得所述一个或多个硬件处理器执行用于确定钢水包中的空气截留的方法,所述方法包括:
获得与钢水包相关联的几何参数,其中所述几何参数包括钢水包顶部直径和底部直径、钢水包高度、塞子的数量、所述塞子的位置和所述塞子的直径;
捕获用于出钢的钢水包工艺参数,其中所述钢水包工艺参数包括出钢率的范围、出钢入口面积、初始炉渣高度、进钢中携带炉渣的百分比和出钢的持续时间;
使用所述钢水包工艺参数和几何参数创建输入数据;
使用所创建的输入数据执行多相计算流体动力学(CFD)以获得模拟结果;
从所述模拟结果计算作为空气-钢界面面积和空气截留量的输出数据;
从所述输入数据和对应的输出数据创建训练数据;
使用所获得的训练数据来训练人工神经网络(ANN)模型;以及
使用经训练的ANN模型来针对新的几何参数和所述钢水包工艺参数确定所述钢水包中的空气截留量和空气-钢界面面积。
10.根据权利要求9所述的一种或多种非暂时性机器可读信息存储介质,还包括:
将所述几何参数和所述钢水包工艺参数分成捕获处理条件和几何细节的整个范围的多个集合;
针对每个集合中的具有范围的参数值执行多相计算流体动力学模拟;
通过从针对参数的范围中的每个范围的CFD模拟结果计算影响指数来识别所述集合中的每个集合中的关键参数,并且利用大于预定义值的影响指数来选择参数中的一个或多个参数;以及
针对所述参数中的一个或多个参数创建输入数据。
11.根据权利要求10所述的一种或多种非暂时性机器可读信息存储介质,还包括:
使用所述几何参数创建所述钢水包的虚拟几何形状;
使用所述钢水包的虚拟几何形状生成计算网格;
使用所述钢水包工艺参数生成对所述计算流体动力学进行建模所需的边界条件;以及
使用所述计算网格、边界条件和预定义求解器条件来执行所述多相计算流体动力学模拟。
12.根据权利要求9所述的一种或多种非暂时性机器可读信息存储介质,还包括:
通过估计液钢小于预先确定值所在的流体面积来计算所述钢水包中钢内的空气截留量;以及
通过估计空气的百分比大于预先确定值所在的液钢-空气界面来计算所述空气-钢界面面积。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201821008855 | 2018-03-09 | ||
IN201821008855 | 2018-03-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245372A true CN110245372A (zh) | 2019-09-17 |
CN110245372B CN110245372B (zh) | 2022-10-21 |
Family
ID=65351894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910163165.3A Active CN110245372B (zh) | 2018-03-09 | 2019-03-05 | 用于确定钢水包中的空气截留的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11475180B2 (zh) |
EP (1) | EP3537317B1 (zh) |
JP (1) | JP6732066B2 (zh) |
CN (1) | CN110245372B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865753A (zh) * | 2019-11-07 | 2020-03-06 | 支付宝(杭州)信息技术有限公司 | 应用消息的通知方法及装置 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353656B (zh) * | 2020-03-23 | 2021-05-07 | 大连理工大学 | 一种基于生产计划的钢铁企业氧气负荷预测方法 |
CN111680433B (zh) * | 2020-04-29 | 2023-02-21 | 中国第一汽车股份有限公司 | 一种板材厚度的赋值方法、装置、设备及存储介质 |
CN111998892A (zh) * | 2020-07-23 | 2020-11-27 | 麦特勒智能科技(张家港)有限公司 | 一种基于流场和浓度场数值模拟计算的混钢模型系统 |
CN112364918B (zh) * | 2020-11-10 | 2024-04-02 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
US12032359B2 (en) * | 2021-02-25 | 2024-07-09 | Tata Consultancy Services Limited | Prediction of preheat refractory temperature profile of a ladle furnace |
CN113158586A (zh) * | 2021-05-26 | 2021-07-23 | 华能新能源股份有限公司 | 结合神经网络算法的风电场数值模拟方法、装置及存储介质 |
CN113642258B (zh) * | 2021-10-14 | 2022-01-14 | 成都万江港利科技股份有限公司 | 一种基于神经网络的cfd模型种类选择方法 |
TWI839266B (zh) * | 2023-07-11 | 2024-04-11 | 中國鋼鐵股份有限公司 | 一種鋼渣接取方法及系統 |
CN117634340B (zh) * | 2023-11-20 | 2024-05-24 | 北京科技大学 | 一种底吹氩钢包脱硫效果的判定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101633038A (zh) * | 2009-05-26 | 2010-01-27 | 山西太钢不锈钢股份有限公司 | 一种降低不锈钢连铸坯表面缺陷的方法 |
UA91416C2 (ru) * | 2008-10-13 | 2010-07-26 | Закрите Акціонерне Товариство "Донецьксталь"-Металургійний Завод" | способ управления процессом нагрева монолитной огнеупорной футеровки сталеразливочного ковша |
CN102430749A (zh) * | 2011-12-31 | 2012-05-02 | 大冶特殊钢股份有限公司 | 椭圆形钢包及其制作方法 |
CN102867220A (zh) * | 2012-06-25 | 2013-01-09 | 攀钢集团研究院有限公司 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5161555A (ja) | 1974-11-26 | 1976-05-28 | Mitsubishi Gas Chemical Co | Nannenseihoriamidojushisoseibutsu |
FR2632971B1 (fr) * | 1988-06-17 | 1993-09-03 | Vallourec | Procede de traitement des aciers liquides par injection de gaz a travers le fond de poche |
GB0412105D0 (en) | 2004-05-29 | 2004-06-30 | Warner Noel A | Recovery of steel from contaminated scrap |
JP5328305B2 (ja) | 2008-11-13 | 2013-10-30 | 株式会社神戸製鋼所 | 取鍋精錬方法 |
CN101846971A (zh) | 2009-03-23 | 2010-09-29 | 上海都峰智能科技有限公司 | 钢包炉优化方法 |
US8945464B2 (en) | 2011-05-20 | 2015-02-03 | Air Products And Chemicals, Inc. | Heating method and system for controlling air ingress into enclosed spaces |
US9740801B2 (en) * | 2011-09-03 | 2017-08-22 | Tata Consultancy Services Limited | Optimization for cooling |
CN102419581A (zh) | 2011-10-19 | 2012-04-18 | 北京科技大学 | 一种基于hrcea的特殊钢厂炼钢-连铸生产调度方法 |
EP2664970A1 (de) | 2012-05-15 | 2013-11-20 | ABB Research Ltd. | Prozessleitsystem und Verfahren |
US9996074B2 (en) * | 2016-09-21 | 2018-06-12 | International Business Machines Corporation | System and predictive modeling method for smelting process control based on multi-source information with heterogeneous relatedness |
-
2019
- 2019-02-06 US US16/269,052 patent/US11475180B2/en active Active
- 2019-02-06 EP EP19155654.7A patent/EP3537317B1/en active Active
- 2019-02-25 JP JP2019031719A patent/JP6732066B2/ja active Active
- 2019-03-05 CN CN201910163165.3A patent/CN110245372B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
UA91416C2 (ru) * | 2008-10-13 | 2010-07-26 | Закрите Акціонерне Товариство "Донецьксталь"-Металургійний Завод" | способ управления процессом нагрева монолитной огнеупорной футеровки сталеразливочного ковша |
CN101633038A (zh) * | 2009-05-26 | 2010-01-27 | 山西太钢不锈钢股份有限公司 | 一种降低不锈钢连铸坯表面缺陷的方法 |
CN102430749A (zh) * | 2011-12-31 | 2012-05-02 | 大冶特殊钢股份有限公司 | 椭圆形钢包及其制作方法 |
CN102867220A (zh) * | 2012-06-25 | 2013-01-09 | 攀钢集团研究院有限公司 | 一种实时预测钢包精炼炉精炼钢水温度的方法 |
Non-Patent Citations (2)
Title |
---|
Q.CAO: "《Mathematical Investigation of Fluid Flow, Mass Transfer, and Slag-steel Interfactial Behavior in Gas-stirred Ladles》", 《METALLURGICAL AND METERIALS TRANSACTIONS》 * |
S.MISRA: "《Nitrogen pickup during tapping of liquid steel》", 《AISTECH 2004 PROCEEDINGS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865753A (zh) * | 2019-11-07 | 2020-03-06 | 支付宝(杭州)信息技术有限公司 | 应用消息的通知方法及装置 |
CN110865753B (zh) * | 2019-11-07 | 2021-01-22 | 支付宝(杭州)信息技术有限公司 | 应用消息的通知方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
EP3537317A1 (en) | 2019-09-11 |
JP6732066B2 (ja) | 2020-07-29 |
CN110245372B (zh) | 2022-10-21 |
US11475180B2 (en) | 2022-10-18 |
US20190278879A1 (en) | 2019-09-12 |
JP2019160305A (ja) | 2019-09-19 |
EP3537317B1 (en) | 2022-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245372A (zh) | 用于确定钢水包中的空气截留的系统和方法 | |
Su et al. | Smart performance-based design for building fire safety: Prediction of smoke motion via AI | |
US20210383041A1 (en) | In-situ thermodynamic model training | |
KR102492318B1 (ko) | 모델 학습 방법 및 장치, 및 데이터 인식 방법 | |
US20180349757A1 (en) | Learning service providing apparatus | |
Chen et al. | Fuzzy forecasting based on two-factors second-order fuzzy-trend logical relationship groups and particle swarm optimization techniques | |
KR20200045128A (ko) | 모델 학습 방법 및 장치, 및 데이터 인식 방법 | |
WO2020117991A1 (en) | Generating integrated circuit floorplans using neural networks | |
CN108694443A (zh) | 基于神经网络的语言模型训练方法和装置 | |
WO2019151984A1 (en) | Dynamic placement of computation sub-graphs | |
Vieira et al. | Bio‐inspired algorithms for the optimization of offshore oil production systems | |
Shi et al. | Artificial bee colony Based Bayesian Regularization Artificial Neural Network approach to model transient flammable cloud dispersion in congested area | |
CN116595356B (zh) | 时序信号预测方法、装置、电子设备及存储介质 | |
CN113962390B (zh) | 基于深度强化学习网络构建多样化搜索策略的模型的方法 | |
CN112163671A (zh) | 一种新能源场景生成方法及系统 | |
CN115293227A (zh) | 一种模型训练方法及相关设备 | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN116109449A (zh) | 一种数据处理方法及相关设备 | |
US12032359B2 (en) | Prediction of preheat refractory temperature profile of a ladle furnace | |
CN112819151A (zh) | 用于识别图像的方法和设备以及训练方法 | |
CN113407820B (zh) | 利用模型进行数据处理的方法及相关系统、存储介质 | |
CN113196274A (zh) | 根据材料属性的自定义元胞晶格核的计算机辅助设计 | |
US20210264307A1 (en) | Learning device, information processing system, learning method, and learning program | |
Belfadil et al. | Leveraging deep reinforcement learning for water distribution systems with large action spaces and uncertainties: DRL-EPANET for pressure control | |
JP7543094B2 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム |
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 |