CN111507767A - 一种钢铁原料采购供应优化方法 - Google Patents

一种钢铁原料采购供应优化方法 Download PDF

Info

Publication number
CN111507767A
CN111507767A CN202010304311.2A CN202010304311A CN111507767A CN 111507767 A CN111507767 A CN 111507767A CN 202010304311 A CN202010304311 A CN 202010304311A CN 111507767 A CN111507767 A CN 111507767A
Authority
CN
China
Prior art keywords
raw material
price
module
data
steel
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.)
Pending
Application number
CN202010304311.2A
Other languages
English (en)
Inventor
杨磊
孔庆源
姜鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Xuelang Shuzhi Technology Co ltd
Original Assignee
Wuxi Xuelang Shuzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Xuelang Shuzhi Technology Co ltd filed Critical Wuxi Xuelang Shuzhi Technology Co ltd
Priority to CN202010304311.2A priority Critical patent/CN111507767A/zh
Publication of CN111507767A publication Critical patent/CN111507767A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种钢铁原料采购供应优化方法，涉及钢铁原料采购供应领域，该方法包括：获取钢铁原料预测价格并存储在采购原料数据；将将本地数据和采购原料数据送至采购优化模块进行启发式算法的搜索与迭代，得到仓储策略、原料配方策略以及采购策略，仓储策略包括仓库中钢铁原料储量以及矿石储量，原料配方策略包括炼铁配方，采购策略包括采购钢铁原料的数量、运输任务以及炼铁所需燃料的数量。与传统人为预测相比通过情感分析和价格预测算法模块得到的预测价格扩展性强，将钢铁生产过程中涉及到的工艺流程转换为标准输入至采购优化模块中，提高了采购优化的准确性。

Description

一种钢铁原料采购供应优化方法
技术领域
本发明涉及钢铁原料采购供应领域，尤其是一种钢铁原料采购供应优化方法。
背景技术
钢铁原料在世界范围内有品种多、分布广、价格波动剧烈的特点。同时，铁矿石交易发生在期货市场，这意味着对不同品类的铁矿石原料的远期价格进行合理的预测后优化采购策略，可以节约原料的采购成本。此外，采购时需要考虑各地铁矿石的交货期差别以及逾期风险带来的生产影响，考虑采购方案和炼铁配方的兼容性，还需考虑原料运输成本，各种因素的交叉导致采购问题的复杂度呈几何倍上升。
目前的钢铁原料采购方案安排专业人员人为收集相应的资讯，通过资讯结合经验进行价格预测，当订单较多、种类复杂时，通过专业人员人为预测价格已然不能适应钢铁原料采购流程，会导致不能准确预测出钢铁原料的价格以及采购需求。
发明内容
本发明人针对上述问题及技术需求，提出了一种钢铁原料采购供应优化方法，与传统人为预测相比通过情感分析和价格预测算法模块得到的预测价格扩展性强，将钢铁生产过程中涉及到的工艺流程转换为标准输入至采购优化模块中，提高了采购优化的准确性。
本发明的技术方案如下：
一种钢铁原料采购供应优化方法，包括如下步骤：
获取钢铁原料预测价格并存储在采购原料数据中；
将本地数据和采购原料数据送至采购优化模块进行启发式算法的搜索与迭代，得到仓储策略、原料配方策略以及采购策略；
仓储策略包括仓库中钢铁原料储量以及矿石储量；原料配方策略包括炼铁配方；采购策略包括采购钢铁原料的数量、运输任务以及炼铁所需燃料的数量；本地数据包括仓库中原有钢铁原料储量以及矿石储量；采购原料数据包括钢铁原料预测价格、运输任务的成本、炼铁配方的成分列表、各矿石预测需求。
其进一步的技术方案为，获取钢铁原料预测价格，包括：
在原料价格预测模块中，采集数值数据和文本数据，对文本数据进行情感分析得到原料价格特征，将原料价格特征和数值数据进行特征工程分析后送至价格预测算法模块得到钢铁原料预测价格；
数值数据包括原料的配方和历史价格，文本数据包括对参考因素的预估和分析，参考因素包括未来经济、当前局势和气候情况。
其进一步的技术方案为，对文本数据进行情感分析得到原料价格特征，包括，通过爬虫技术抓取文本数据中预设的影响因子，通过语义识别预设的影响因子的关键主题并送入ELMo模型中，通过对关键主题进行多级情感定义后，得到原料价格特征。
其进一步的技术方案为，价格预测算法模块基于LSTM的网络结构。
其进一步的技术方案为，将本地数据和采购原料数据送至采购优化模块进行启发式算法的搜索与迭代，包括：
将本地数据和采购原料数据送至数据转义模块进行转换，将转换后的数据分别传输至逻辑转义模块和约束转义模块，在逻辑转义模块和约束转义模块中分别对钢铁生产过程中涉及到的工艺流程进行识别，通过自定义约束和默认约束对约束转义模块进行约束得到约束结果，将约束结果、在逻辑转义模块中得到的优化逻辑结果以及自定义目标传输至采购优化模块中进行启发式算法的搜索与迭代；
约束转义模块的约束具体包括：仓库中钢铁原料和矿石的仓储上下限，所产矿石要达到的规格，钢铁原料在市场中采购的总量以及满足最大需求量；；自定义约束包括随矿石市场走势变动的约束；默认约束为仓库中原有钢铁原料储量以及矿石储量；自定义目标为预期要达到的目标；约束结果包括采购原料的数量；优化逻辑结果包括运输路线。
其进一步的技术方案为，在启发式算法的搜索与迭代过程中，通过搜索采购原料数量向量
Figure BDA0002455168810000021
仓储矿石使用数量向量
Figure BDA0002455168810000022
和运输船对应港口船型使用数量向量
Figure BDA0002455168810000023
三个变量，达到迭代求解最优结果，最优结果包括：采购原料场地、运输任务成本最低、冶炼过程中矿石的需求量以及原料的配比。
其进一步的技术方案为，在采购优化模块中，还考虑到运输任务以及炼铁所需燃料的数量对采购的影响，运输任务与采购钢铁原料的数量、炼铁所需燃料的数量、运输工具以及运输次数相关；
炼铁所需燃料的数量与炼铁配方、采购钢铁原料的数量、仓库中原有钢铁原料储量以及矿石储量相关
本发明的有益技术效果是：
本申请提供的一种钢铁原料采购供应优化方法，与传统人为预测相比通过情感分析和价格预测算法模块得到的预测价格扩展性强，将钢铁生产过程中涉及到的工艺流程转换为标准输入至采购优化模块中，通过设计启发式算法的搜索与迭代，缩短了寻找最优解的时间，提高了采购优化的准确性，通过增加仓储策略解决交货期差别带来的影响，打通了采购、配矿和仓储三个逻辑，不仅在优化时考虑到了采购成本，同时还考虑了运输任务以及炼铁所需燃料等影响因素，最终输出了全局最优的仓储策略、原料配方策略以及采购策略。
附图说明
图1是本申请提供的优化方法的整体流程图。
图2是本申请提供的原料价格预测模块的价格预测流程图。
图3是本申请提供的ELMo模型的原理框图。
图4是本申请提供的LSTM的网络结构的原理框图。
图5是本申请提供的采购优化模块的优化流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种钢铁原料采购供应优化方法，所述优化方法的整体流程图如图1所示，所述优化方法包括以下步骤：
步骤1：获取钢铁原料预测价格并存储在采购原料数据中。采购原料数据包括钢铁原料预测价格、运输任务的成本、炼铁配方的成分列表、各矿石预测需求。
原料价格预测模块的价格预测流程图如图2所示，在原料价格预测模块中，采集数值数据和文本数据，数值数据包括原料的配方和历史价格，文本数据包括对参考因素的预估和分析，参考因素包括未来经济、当前局势和气候情况。对文本数据进行情感分析得到原料价格特征，通过爬虫技术抓取文本数据中预设的影响因子，通过语义识别预设的影响因子的关键主题并送入ELMo模型中，ELMo模型的原理框图如图3所示，通过对关键主题进行多级情感定义后，得到原料价格特征。将原料价格特征和数值数据进行特征工程分析后送至价格预测算法模块得到钢铁原料预测价格。
本申请的价格预测算法模块基于LSTM的网络结构，其原理框图如图4所示。LSTM的网络结构涉及的算法其实是一种回归预测方法，属于定量预测，其基本原理是：一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势，另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。因此LSTM的输入还包括历史的矿价等数据。
通过情感分析和价格预测算法模块得到了钢铁原料预测价格。与传统人为采集信息预测价格的方式相比，本申请的优化方法观察到的样本空间更大，通过一段时间的迭代及优化后，准确性更高，且具备复用性。
比如，从相关权威报道中提取到文本数据为“某个矿石原产地最近由于气候影响导致海上运输的运力减少……”情感分析处理文本数据的作用就是在文本数据中抓取到预设影响因子，本申请的预设影响因子为原料价格影响因子“某个矿石原产地最近由于气候影响导致海上运输的运力减少”并识别出关键主题“某个矿石原产地”、“气候影响”和“海上运输的运力减少”再给出评价，给出的评价转换为一个衡量基准后送入到ELMo模型的biLM中，通过对关键主题进行多级情感定义后，得到原料价格特征，biLM的输入还包括历史矿价等数据，相当于用历史上发生过的去预测未来的走势。本申请的情感分析采用ELMo模型，在原有的词向量模型中,每个词对应着一个向量,但是ELMo模型是根据一个句子赋予每个词汇向量，因此对于一个n-tokens的输入NLP任务模型,输入到NLP任务模型的是n个向量。ELMo模型与原有的词向量模型相比，可以更好地捕捉到语法和语义层面的信息，同时，传统的预训练词向量模型只能提供一层表征，而且词汇量受到限制，而ELMo模型所提供的是character-level的表征，对词汇量没有限制。
步骤2：将本地数据和采购原料数据送至采购优化模块进行启发式算法的搜索与迭代，得到仓储策略、原料配方策略以及采购策略。仓储策略包括仓库中所有的钢铁原料储量以及矿石储量。原料配方策略包括炼铁配方，炼铁配方中包含了所需矿石的成分列表。采购策略包括采购钢铁原料的数量、运输任务以及炼铁所需燃料的数量。本地数据包括仓库中原有钢铁原料储量以及矿石储量。
采购优化模块的优化流程如图5所示，启发式算法的搜索与迭代包括，将本地数据和采购原料数据送至数据转义模块进行转换，将转换后的数据分别传输至逻辑转义模块和约束转义模块，在逻辑转义模块和约束转义模块中分别对钢铁生产过程中涉及到的工艺流程进行识别，通过自定义约束和默认约束对约束转义模块进行约束得到约束结果，将约束结果、在逻辑转义模块中得到的优化逻辑结果以及自定义目标传输至采购优化模块中进行启发式算法的搜索与迭代。在本申请的启发式算法的搜索与迭代过程中，通过搜索采购原料数量向量
Figure BDA0002455168810000051
仓储矿石使用数量向量
Figure BDA0002455168810000052
和运输船对应港口船型使用数量向量
Figure BDA0002455168810000053
三个变量，达到迭代求解最优结果，最优结果包括：采购原料场地、运输任务成本最低、冶炼过程中矿石的需求量以及原料的配比。
约束转义模块的约束具体包括：仓库中钢铁原料和矿石的仓储上下限，所产矿石要达到的规格，钢铁原料在市场中采购的总量以及满足最大需求量。自定义约束包括随矿石市场走势变动的约束，比如当前市场石墨的市场效益好，自定义约束就包含了石墨的需求量以及成分，而下一季度云母的市场效益好，则自定义约束就变换成云母的需求量以及成分。默认约束为仓库中原有钢铁原料储量以及矿石储量。自定义目标为预期要达到的目标，比如以生产矿石的利润最大化为目标。约束结果包括采购原料的数量。优化逻辑结果包括运输路线。
在采购优化模块中，还考虑到运输任务以及炼铁所需燃料的数量对采购的影响，运输任务与采购钢铁原料的数量、炼铁所需燃料的数量、运输工具以及运输次数相关。比如在南非采购的一定数量的原料和炼铁所需燃料，通过飞机往返两次运送至上海，通过三艘货船运送至冶炼场地，设计标识运输任务的输出变量，构建运输任务的成本函数作为优化目标输入至采购优化模块中。
炼铁所需燃料的数量与炼铁配方、采购钢铁原料的数量、仓库中原有钢铁原料储量以及矿石储量相关。在钢铁冶炼过程中，矿石炉需要烧结和高炉进行相关化学反应，反应需要燃料提供能量。不同的矿石配比、化学反应的配比不同，导致所需能量不同，因此燃料使用量也不相同。在本申请中，将采购的原料和仓储中原有矿石储量根据炼铁配方中的需求量进行变量组合，构建燃料成本函数作为优化目标输入至采购优化模块中。
本申请的优化方法通过设计启发式算法的搜索与迭代，缩短了寻找最优解的时间，提高了采购优化的准确性，通过增加仓储策略解决交货期差别带来的影响，且原料部分的输入分为原有仓储及采购两部分进行，打通了采购、配方和仓储三个逻辑，实现了三个逻辑优化同时进行，不仅在优化时考虑到了采购成本，同时还考虑了运输任务以及炼铁所需燃料等影响因素，最终输出了全局最优的仓储策略、原料配方策略以及采购策略。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (7)

1.一种钢铁原料采购供应优化方法，其特征在于，所述方法包括：
获取钢铁原料预测价格并存储在采购原料数据中；
将本地数据和所述采购原料数据送至采购优化模块进行启发式算法的搜索与迭代，得到仓储策略、原料配方策略以及采购策略；
所述仓储策略包括仓库中钢铁原料储量以及矿石储量；所述原料配方策略包括炼铁配方；所述采购策略包括采购钢铁原料的数量、运输任务以及炼铁所需燃料的数量；所述本地数据包括仓库中原有钢铁原料储量以及矿石储量；采购原料数据包括所述钢铁原料预测价格、运输任务的成本、炼铁配方的成分列表、各矿石预测需求。
2.根据权利要求1所述的方法，其特征在于，所述获取钢铁原料预测价格，包括：
在原料价格预测模块中，采集数值数据和文本数据，对所述文本数据进行情感分析得到原料价格特征，将所述原料价格特征和所述数值数据进行特征工程分析后送至价格预测算法模块得到所述钢铁原料预测价格；
所述数值数据包括原料的配方和历史价格，所述文本数据包括对参考因素的预估和分析，所述参考因素包括未来经济、当前局势和气候情况。
3.根据权利要求2所述的方法，其特征在于，所述对所述文本数据进行情感分析得到原料价格特征，包括，通过爬虫技术抓取所述文本数据中预设的格影响因子，通过语义识别所述预设的影响因子的关键主题并送入ELMo模型中，通过对所述关键主题进行多级情感定义后，得到所述原料价格特征。
4.根据权利要求2所述的方法，其特征在于，所述价格预测算法模块基于LSTM的网络结构。
5.根据权利要求1所述的方法，其特征在于，所述将本地数据和所述采购原料数据送至采购优化模块进行启发式算法的搜索与迭代，包括：
将所述本地数据和所述采购原料数据送至数据转义模块进行转换，将转换后的数据分别传输至逻辑转义模块和约束转义模块，在所述逻辑转义模块和所述约束转义模块中分别对钢铁生产过程中涉及到的工艺流程进行识别，通过自定义约束和默认约束对所述约束转义模块进行约束得到约束结果，将所述约束结果、在所述逻辑转义模块中得到的优化逻辑结果以及自定义目标传输至所述采购优化模块中进行启发式算法的搜索与迭代；
所述约束转义模块的约束具体包括：仓库中钢铁原料和矿石的仓储上下限，所产矿石要达到的规格，钢铁原料在市场中采购的总量以及满足最大需求量；；所述自定义约束包括随矿石市场走势变动的约束；所述默认约束为仓库中原有钢铁原料储量以及矿石储量；所述自定义目标为预期要达到的目标；所述约束结果包括采购原料的数量；所述优化逻辑结果包括运输路线。
6.根据权利要求5所述的方法，其特征在于，在启发式算法的搜索与迭代过程中，通过搜索采购原料数量向量
Figure FDA0002455168800000021
仓储矿石使用数量向量
Figure FDA0002455168800000022
和运输船对应港口船型使用数量向量
Figure FDA0002455168800000023
三个变量，达到迭代求解最优结果，所述最优结果包括：采购原料场地、运输任务成本最低、冶炼过程中矿石的需求量以及原料的配比。
7.根据权利要求1所述的方法，其特征在于，在所述采购优化模块中，还考虑到所述运输任务以及所述炼铁所需燃料的数量对采购的影响，所述运输任务与所述采购钢铁原料的数量、所述炼铁所需燃料的数量、运输工具以及运输次数相关；
所述炼铁所需燃料的数量与所述炼铁配方、采购钢铁原料的数量、仓库中原有钢铁原料储量以及矿石储量相关。
CN202010304311.2A 2020-04-17 2020-04-17 一种钢铁原料采购供应优化方法 Pending CN111507767A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010304311.2A CN111507767A (zh) 2020-04-17 2020-04-17 一种钢铁原料采购供应优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010304311.2A CN111507767A (zh) 2020-04-17 2020-04-17 一种钢铁原料采购供应优化方法

Publications (1)

Publication Number Publication Date
CN111507767A true CN111507767A (zh) 2020-08-07

Family

ID=71876133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010304311.2A Pending CN111507767A (zh) 2020-04-17 2020-04-17 一种钢铁原料采购供应优化方法

Country Status (1)

Country Link
CN (1) CN111507767A (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101276439A (zh) * 2007-03-30 2008-10-01 上海宝信软件股份有限公司 大宗物料资源集中统筹平衡优化仿真方法及系统
CN102722652A (zh) * 2012-06-01 2012-10-10 攀钢集团攀枝花钢钒有限公司 一种高炉冶炼成本计算及优化方法
CN103276125A (zh) * 2013-06-20 2013-09-04 经文波 炼铁炉料总成本综合优化
CN103578023A (zh) * 2012-07-30 2014-02-12 上海宝信软件股份有限公司 基于钢铁原燃料采购计价的建模实现系统
CN104915746A (zh) * 2014-10-21 2015-09-16 安波 铁前采购和铁水成本一体化管理系统
CN104975118A (zh) * 2015-05-25 2015-10-14 王鹏 铁前原料配比优化方法
CN106875137A (zh) * 2015-12-14 2017-06-20 何怀泽 一种采购决策优化方法及系统
CN108108994A (zh) * 2017-11-10 2018-06-01 浙江中控软件技术有限公司 用于化工企业供应链的计划优化方法
CN108805311A (zh) * 2017-04-26 2018-11-13 北京金禾天成科技有限公司 农产品的价格预测方法和系统
CN109636016A (zh) * 2018-11-29 2019-04-16 深圳昆腾信息科技有限公司 一种股价预测方法、装置、介质及设备
CN110134765A (zh) * 2019-05-05 2019-08-16 杭州师范大学 一种基于情感分析的餐厅用户评论分析系统及方法
CN110298693A (zh) * 2019-06-17 2019-10-01 中电科大数据研究院有限公司 一种基于蔬菜价格预测推荐的大数据系统
CN110334956A (zh) * 2019-07-08 2019-10-15 重庆大学 一种应用于钢铁企业供应链的管理系统
CN110728298A (zh) * 2019-09-05 2020-01-24 北京三快在线科技有限公司 多任务分类模型训练方法、多任务分类方法及装置
CN110827091A (zh) * 2019-11-12 2020-02-21 成都航天科工大数据研究院有限公司 一种工业原材料价格预测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101276439A (zh) * 2007-03-30 2008-10-01 上海宝信软件股份有限公司 大宗物料资源集中统筹平衡优化仿真方法及系统
CN102722652A (zh) * 2012-06-01 2012-10-10 攀钢集团攀枝花钢钒有限公司 一种高炉冶炼成本计算及优化方法
CN103578023A (zh) * 2012-07-30 2014-02-12 上海宝信软件股份有限公司 基于钢铁原燃料采购计价的建模实现系统
CN103276125A (zh) * 2013-06-20 2013-09-04 经文波 炼铁炉料总成本综合优化
CN104915746A (zh) * 2014-10-21 2015-09-16 安波 铁前采购和铁水成本一体化管理系统
CN104975118A (zh) * 2015-05-25 2015-10-14 王鹏 铁前原料配比优化方法
CN106875137A (zh) * 2015-12-14 2017-06-20 何怀泽 一种采购决策优化方法及系统
CN108805311A (zh) * 2017-04-26 2018-11-13 北京金禾天成科技有限公司 农产品的价格预测方法和系统
CN108108994A (zh) * 2017-11-10 2018-06-01 浙江中控软件技术有限公司 用于化工企业供应链的计划优化方法
CN109636016A (zh) * 2018-11-29 2019-04-16 深圳昆腾信息科技有限公司 一种股价预测方法、装置、介质及设备
CN110134765A (zh) * 2019-05-05 2019-08-16 杭州师范大学 一种基于情感分析的餐厅用户评论分析系统及方法
CN110298693A (zh) * 2019-06-17 2019-10-01 中电科大数据研究院有限公司 一种基于蔬菜价格预测推荐的大数据系统
CN110334956A (zh) * 2019-07-08 2019-10-15 重庆大学 一种应用于钢铁企业供应链的管理系统
CN110728298A (zh) * 2019-09-05 2020-01-24 北京三快在线科技有限公司 多任务分类模型训练方法、多任务分类方法及装置
CN110827091A (zh) * 2019-11-12 2020-02-21 成都航天科工大数据研究院有限公司 一种工业原材料价格预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
朱国峰等: ""新型高炉炼铁原燃料采购决策专家系统"", 《金属世界》 *
王钰: ""钢铁企业采购物流系统优化研究——以建龙钢铁集团为例"", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
苗现永: ""基于供应链管理的钢铁企业采购与库存优化研究"", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *

Similar Documents

Publication Publication Date Title
Chapman et al. Metal Resources and Energy: Butterworths Monographs in Materials
Schmidt et al. Investigation of the primary production routes of nickel and cobalt products used for Li-ion batteries
Pinto et al. Supply chain integration strategies and circularity in the European steel industry
Cucchiella et al. Implementation of a real option in a sustainable supply chain: an empirical study of alkaline battery recycling
Matos et al. Mateerial System Analysis of five battery-related raw materials: Cobalt, Lithium, Manganese, Natural Graphite, Nickel
Mohtasham et al. Optimization of truck-shovel allocation in open-pit mines under uncertainty: a chance-constrained goal programming approach
Florin et al. Shifting business models for a circular economy: metals management for multi-product-use cycles
Scott et al. Lithium-Ion battery materials for electric vehicles and their global value chains
Röben et al. The demand response potential in copper production
Pan et al. Sector-level evaluation of China’s CO2 emissions: Trend evolution and index ranking
Celli et al. Development of a tool to optimize economic and environmental feasibility of food waste chains
Schiessl et al. Site-specific environmental impact assessment as a basis for supplier selections–exemplary application to aluminum
Godinho et al. An economic and greenhouse gas footprint assessment of international maritime transportation of hydrogen using liquid organic hydrogen carriers
Calderon et al. Critical mineral demand estimates for low-carbon technologies: What do they tell us and how can they evolve?
CN111507767A (zh) 一种钢铁原料采购供应优化方法
Prabhu et al. Technology choice using FHDM: A case of iron-making technology
Qiao et al. Insights into the evolution of cobalt use and implications through dynamic analysis of cobalt flows and stocks and the recycling potential of cobalt from urban mines in China during 2000–2021
Palm et al. Swedish experience using environmental accounts data for integrated product policy issues
Horst et al. Sustainability of the Steel Industry: A Systematic Review
Bazilian et al. The state of critical minerals report 2023
Jun et al. Prediction of hot metal temperature based on data mining
Davis et al. Li-cycle—A case study in integrated process development
Cateni et al. Industrial multiple criteria decision making problems handled by means of fuzzy inference-based decision support systems
Devlin The new steel map: reconfiguring supply chains around renewable resources
Avila-Soler et al. Strategic location for the construction of a graphite trading warehouse in Mexico

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200807

RJ01 Rejection of invention patent application after publication