JP6732066B2 - 取鍋内の空気溜まりを割り出すためのシステムおよび方法 - Google Patents
取鍋内の空気溜まりを割り出すためのシステムおよび方法 Download PDFInfo
- Publication number
- JP6732066B2 JP6732066B2 JP2019031719A JP2019031719A JP6732066B2 JP 6732066 B2 JP6732066 B2 JP 6732066B2 JP 2019031719 A JP2019031719 A JP 2019031719A JP 2019031719 A JP2019031719 A JP 2019031719A JP 6732066 B2 JP6732066 B2 JP 6732066B2
- Authority
- JP
- Japan
- Prior art keywords
- ladle
- parameters
- air
- steel
- shape
- 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
- 238000000034 method Methods 0.000 title claims description 49
- 229910000831 Steel Inorganic materials 0.000 claims description 74
- 239000010959 steel Substances 0.000 claims description 74
- 238000010079 rubber tapping Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 39
- 238000004088 simulation Methods 0.000 claims description 36
- 239000012530 fluid Substances 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 32
- 239000002893 slag Substances 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 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
- 150000002431 hydrogen Chemical class 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 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
- 238000013075 data extraction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000003570 air Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009847 ladle furnace Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008555 neuronal activation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000009843 secondary steelmaking Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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]
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (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)
Description
本特許出願は、2018年3月9日に出願されたインド特許出願第201821008855号の優先権を主張する。
本開示は、一般に、取鍋精練法に関し、より詳細には、取鍋内の空気溜まりを割り出すためのシステムおよび方法に関する。
ρ=ρair+ρs+ρl
1)ネットワークの中の重みとバイアスとを初期化する。
2)入力を通常の方式で前方伝播する。すなわち、
- すべての出力が、対応する重みと入力ベクトルとの内積のシグモイド閾値を使用してコンピュータ計算される。
- 段nにおけるすべての出力が、段n+1におけるすべての入力に接続される。
3)誤差逆伝播: 誤差をユニット影響レベルに従って各ユニットにそれを割り当てることによって後方伝播する。
4)訓練終了(収束基準)
- 最大反復数に達する。
- 特定のターゲット誤差値に達する。
- 先のエポックにおけるすべての重みが、非常に小さくて何らかの特定の閾値を下回った。
- 先のエポックにおいて誤って分類されたタプルの割合が、何らかの閾値を下回る。
- あらかじめ指定された数のエポックが期限切れである。より精度の高い値を与える分類器(classifier)が、優れた分類器と見なされる。
Errj=Oj(1-Oj)(Tj-Oj) (3)
ただし、Ojは、ユニットjの実際の出力であり、Tjは、所与の訓練データセットの知られているターゲット値である。隠れ層ユニットjの誤差をコンピュータ計算するためには、次の層の中のユニットjに接続されているユニットの誤差の重み付き和が考慮される。隠れ層ユニットjの誤差は、式4によって計算される。
Wij=Wij+(l)ErrjOi (5)
変数lは、学習率であり、定数は、0から1の間の値である。逆伝播は、勾配降下法を使用して、訓練データに適合する重みセットを探すように学習して、平均2乗誤差を最小にする。この学習率は、局所的最小値におけるもたつきを回避する助けとなり、大域的最小値の発見を促進する。バイアスは、式6によって更新される。
θj=θj+(l)Errj (6)
102 プロセッサ
104 メモリ
106 ネットワークインターフェースユニット
108 サンプル生成モジュール
110 CFDシミュレーションモジュール
112 訓練データ抽出モジュール
114 ANN訓練/検証モジュール
116 予測モジュール
118 推定モジュール
200 概略図
300 概略図
400A CFDモデル
400B CFD格子
500 ANNモデル
600 略図
700A グラフ
700B グラフ
700C グラフ
800 方法
Claims (12)
- 取鍋に関連する形状パラメータを取得するステップであって、前記形状パラメータが、取鍋の上面および底面の直径、取鍋高さ、プラグの数、前記プラグの位置、ならびに前記プラグの直径を含む、ステップと、
出鋼の取鍋加工パラメータを取り込むステップであって、前記取鍋加工パラメータが、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ、流入する鋼中のキャリーオーバースラグの割合、および出鋼の持続時間を含む、ステップと、
前記取鍋加工パラメータおよび前記形状パラメータを使用して入力データを作成するステップと、
前記作成された入力データを使用して多相計算流体力学(computational fluid dynamics: CFD)を実行して、シミュレーション結果を取得するステップと、
前記シミュレーション結果から、空気/鋼界面面積および空気溜まり量である出力データを計算するステップと、
前記入力データおよび対応する前記出力データから訓練データを作成するステップと、
前記取得した訓練データを使用して、人工ニューラルネットワーク(artificial neural network: ANN)モデルを訓練するステップと、
前記訓練されたANNモデルを使用して、新規形状パラメータおよび前記取鍋加工パラメータの前記取鍋内の空気溜まり量および空気/鋼界面面積を割り出すステップと
を含むプロセッサ実装方法。 - 前記取鍋加工パラメータおよび前記形状パラメータを使用して入力データを作成するステップが、
前記形状パラメータおよび前記取鍋加工パラメータを加工条件および形状詳細の全範囲を取り込む数のセットに分割するステップと、
各セットに範囲を含む前記パラメータの値について多相計算流体力学シミュレーションを実行するステップと、
前記パラメータの範囲のそれぞれのCFDシミュレーション結果から、影響指標を計算することによって前記セットのそれぞれにおけるキーパラメータを識別し、あらかじめ定義された値よりも大きい影響指標を含む前記パラメータのうちの1つまたは複数を選択するステップと、
前記パラメータの前記1つまたは複数の入力データを作成するステップと
を含む、請求項1に記載の方法。 - 前記多相計算流体力学シミュレーションを実行するステップが、
前記形状パラメータを使用して前記取鍋の仮想形状を作成するステップと、
前記取鍋の前記仮想形状を使用して計算格子を生成するステップと、
前記取鍋加工パラメータを使用して前記計算流体力学のモデリングに必要な境界条件を生成するステップと、
前記計算格子、前記境界条件、およびあらかじめ定義されたソルバ条件を使用して、前記多相計算流体力学シミュレーションを実行するステップと
を含む、請求項2に記載の方法。 - 前記シミュレーションされた結果から、前記空気/鋼界面面積および前記空気溜まり量である出力データを計算するステップが、
溶鋼が所定の値未満である流体面積を推定することによって、前記取鍋における鋼内の前記空気溜まり量を計算するステップと、
空気の割合が所定の値よりも大きい溶鋼/空気界面面積を推定することによって、前記空気/鋼界面面積を計算するステップと
を含む、請求項1に記載の方法。 - 1つまたは複数のメモリと、
1つまたは複数のハードウェアプロセッサとを含み、前記1つまたは複数のメモリが、前記1つまたは複数のハードウェアプロセッサに連結され、前記1つまたは複数のハードウェアプロセッサが、前記1つまたは複数のメモリに記憶されているプログラミングされた命令を実行するように構成され、前記命令が、
取鍋に関連する形状パラメータを取得するステップであって、前記形状パラメータが、取鍋の上面および底面の直径、取鍋高さ、プラグの数、前記プラグの位置、ならびに前記プラグの直径を含む、ステップと、
出鋼の取鍋加工パラメータを取り込むステップであって、前記取鍋加工パラメータが、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ、および出鋼の持続時間を含む、ステップと、
前記取鍋加工パラメータおよび前記形状パラメータを使用して入力データを作成するステップと、
前記作成された入力データを使用して多相計算流体力学を実行して、シミュレーション結果を取得するステップと、
前記シミュレーション結果から、空気/鋼界面面積および空気溜まり量である出力データを計算するステップと、
前記入力データおよび対応する前記出力データから訓練データを作成するステップと、
前記取得した訓練データを使用して、人工ニューラルネットワーク(ANN)モデルを訓練するステップと、
前記訓練されたANNモデルを使用して、新規形状パラメータ、および前記取鍋加工パラメータの前記取鍋内の空気溜まり量および空気/鋼界面面積を割り出すステップと
を行う、システム。 - 前記1つまたは複数のハードウェアプロセッサが、プログラミングされた命令をさらに実行することができ、前記命令が、
前記形状パラメータおよび前記取鍋加工パラメータを加工条件および形状詳細の全範囲を取り込む数のセットに分割するステップと、
各セットに極値範囲を含む前記パラメータの値について多相計算流体力学シミュレーションを実行するステップと、
前記パラメータの極値範囲のそれぞれのCFDシミュレーション結果から、影響指標を計算することによって前記セットのそれぞれにおけるキーパラメータを識別し、あらかじめ定義された値よりも大きい影響指標を含む前記パラメータを選択するステップと、
前記キーパラメータの入力データを作成するステップと
を行う、請求項5に記載のシステム。 - 前記1つまたは複数のハードウェアプロセッサが、プログラミングされた命令をさらに実行することができ、前記命令が、
前記形状パラメータを使用して前記取鍋の仮想形状を作成するステップと、
前記取鍋の前記仮想形状を使用して計算格子を生成するステップと、
前記取鍋加工パラメータを使用して前記計算流体力学のモデリングに必要な境界条件を生成するステップと、
前記計算格子、前記境界条件、およびあらかじめ定義されたソルバ条件を使用して、前記多相計算流体力学シミュレーションを実行するステップと
を行う、請求項6に記載のシステム。 - 前記1つまたは複数のハードウェアプロセッサが、プログラミングされた命令をさらに実行することができ、前記命令が、
溶鋼が所定の値未満である流体面積を推定することによって、前記取鍋における鋼内の前記空気溜まり量を計算するステップと、
空気の割合が所定の値よりも大きい溶鋼/空気界面面積を推定することによって、前記空気/鋼界面面積を計算するステップと
を行う、請求項6に記載のシステム。 - 1つまたは複数の命令を含む1つまたは複数の非一時的機械可読情報記憶媒体であって、前記命令は、1つまたは複数のハードウェアプロセッサによって実行されると、前記1つまたは複数のハードウェアプロセッサに、取鍋内の空気溜まりを割り出すための方法を行わせ、前記方法が、
取鍋に関連する形状パラメータを取得するステップであって、前記形状パラメータが、取鍋の上面および底面の直径、取鍋高さ、プラグの数、前記プラグの位置、ならびに前記プラグの直径を含む、ステップと、
出鋼の取鍋加工パラメータを取り込むステップであって、前記取鍋加工パラメータが、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ、流入する鋼中のキャリーオーバースラグの割合、および出鋼の持続時間を含む、ステップと、
前記取鍋加工パラメータおよび前記形状パラメータを使用して入力データを作成するステップと、
前記作成された入力データを使用して多相計算流体力学(CFD)を実行して、シミュレーション結果を取得するステップと、
前記シミュレーションされた結果から、空気/鋼界面面積および空気溜まり量である出力データを計算するステップと、
前記入力データおよび対応する前記出力データから訓練データを作成するステップと、
前記取得した訓練データを使用して、人工ニューラルネットワーク(ANN)モデルを訓練するステップと、
前記訓練されたANNモデルを使用して、新規形状パラメータ、および前記取鍋加工パラメータの前記取鍋内の空気溜まり量および空気/鋼界面面積を割り出すステップと
を含む、1つまたは複数の非一時的機械可読情報記憶媒体。 - 前記形状パラメータおよび前記取鍋加工パラメータを加工条件および形状詳細の全範囲を取り込む数のセットに分割するステップと、
各セットに範囲を含む前記パラメータの値について多相計算流体力学シミュレーションを実行するステップと、
前記パラメータの範囲のそれぞれのCFDシミュレーション結果から、影響指標を計算することによって前記セットのそれぞれにおけるキーパラメータを識別し、あらかじめ定義された値よりも大きい影響指標を含む前記パラメータのうちの1つまたは複数を選択するステップと、
前記パラメータのうちの1つまたは複数の入力データを作成するステップと
をさらに含む、請求項9に記載の1つまたは複数の非一時的機械可読情報記憶媒体。 - 前記形状パラメータを使用して前記取鍋の仮想形状を作成するステップと、
前記取鍋の前記仮想形状を使用して計算格子を生成するステップと、
前記取鍋加工パラメータを使用して前記計算流体力学のモデリングに必要な境界条件を生成するステップと、
前記計算格子、前記境界条件、およびあらかじめ定義されたソルバ条件を使用して、前記多相計算流体力学シミュレーションを実行するステップと
をさらに含む、請求項10に記載の1つまたは複数の非一時的機械可読情報記憶媒体。 - 溶鋼が所定の値未満である流体面積を推定することによって、前記取鍋における鋼内の前記空気溜まり量を計算するステップと、
空気の割合が所定の値よりも大きい溶鋼/空気界面面積を推定することによって、前記空気/鋼界面面積を計算するステップと
をさらに含む、請求項9に記載の1つまたは複数の非一時的機械可読情報記憶媒体。
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 |
---|---|
JP2019160305A JP2019160305A (ja) | 2019-09-19 |
JP6732066B2 true JP6732066B2 (ja) | 2020-07-29 |
Family
ID=65351894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019031719A Active JP6732066B2 (ja) | 2018-03-09 | 2019-02-25 | 取鍋内の空気溜まりを割り出すためのシステムおよび方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11475180B2 (ja) |
EP (1) | EP3537317B1 (ja) |
JP (1) | JP6732066B2 (ja) |
CN (1) | CN110245372B (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (14)
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 |
UA91416C2 (ru) * | 2008-10-13 | 2010-07-26 | Закрите Акціонерне Товариство "Донецьксталь"-Металургійний Завод" | способ управления процессом нагрева монолитной огнеупорной футеровки сталеразливочного ковша |
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 |
CN101633038B (zh) * | 2009-05-26 | 2011-10-12 | 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 |
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 |
CN102430749B (zh) * | 2011-12-31 | 2013-08-21 | 大冶特殊钢股份有限公司 | 椭圆形钢包及其制作方法 |
EP2664970A1 (de) | 2012-05-15 | 2013-11-20 | ABB Research Ltd. | Prozessleitsystem und Verfahren |
CN102867220B (zh) * | 2012-06-25 | 2016-09-21 | 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 |
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
Also Published As
Publication number | Publication date |
---|---|
EP3537317A1 (en) | 2019-09-11 |
CN110245372B (zh) | 2022-10-21 |
CN110245372A (zh) | 2019-09-17 |
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 |
---|---|---|
JP6732066B2 (ja) | 取鍋内の空気溜まりを割り出すためのシステムおよび方法 | |
KR102611938B1 (ko) | 신경망을 사용한 통합 회로 플로어 플랜 생성 | |
US11861474B2 (en) | Dynamic placement of computation sub-graphs | |
JP5346701B2 (ja) | 学習制御システム及び学習制御方法 | |
TWI622939B (zh) | 用於執行類神經網路之類神經網路計算之方法、系統及電腦可讀取媒體 | |
US20190012611A1 (en) | Information processing system | |
JP2020191097A (ja) | 強化学習を用いた環境予測 | |
CN110795246A (zh) | 资源利用率的预测方法及装置 | |
CN108875776A (zh) | 模型训练方法和装置、业务推荐的方法和装置、电子设备 | |
CN110188862B (zh) | 用于数据处理的模型超参数的搜索方法、装置、系统 | |
Shi et al. | Artificial bee colony Based Bayesian Regularization Artificial Neural Network approach to model transient flammable cloud dispersion in congested area | |
JP7221062B2 (ja) | 流体解析システム、流体解析方法、および流体解析プログラム | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
EP4049771B1 (en) | Prediction of preheat refractory temperature profile of a ladle furnace | |
CN111612274B (zh) | 一种基于时空相关性的潮汐水位预报方法 | |
CN117875504A (zh) | 溃坝预测及其模型训练方法、装置、电子设备及存储介质 | |
JP2019040365A (ja) | 情報処理装置、方法、及びプログラム | |
Alyoubi et al. | Connotation of fuzzy logic system in Underwater communication systems for navy applications with data indulgence route | |
KR101909383B1 (ko) | 압축성 볼츠만 해석 기법의 벽면 경계 조건 모델링 방법 | |
CN111428420B (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 | |
Chen et al. | Towards profit optimization during online participant selection in compressive mobile crowdsensing | |
CN114611678A (zh) | 训练方法及装置、数据处理方法、电子设备和存储介质 | |
Pan et al. | Asynchronous value iteration network | |
CN112016611A (zh) | 生成器网络和策略生成网络的训练方法、装置和电子设备 | |
CN110879530A (zh) | 用于对动态模型进行安全的训练的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190424 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190424 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200527 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200608 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200707 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6732066 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |