JP7093090B1 - ディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法 - Google Patents
ディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法 Download PDFInfo
- Publication number
- JP7093090B1 JP7093090B1 JP2022075169A JP2022075169A JP7093090B1 JP 7093090 B1 JP7093090 B1 JP 7093090B1 JP 2022075169 A JP2022075169 A JP 2022075169A JP 2022075169 A JP2022075169 A JP 2022075169A JP 7093090 B1 JP7093090 B1 JP 7093090B1
- Authority
- JP
- Japan
- Prior art keywords
- calcium
- neural network
- deep neural
- molten steel
- yield
- 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
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- C21C7/0056—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00 using cored wires
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
Description
ステップS1は、生産及び操作データ情報の中からカルシウム処理工程におけるカルシウムの収得率に影響を与えるパラメータを取得してデータセットを構築し、ステップS1には、具体的に以下のステップS11~S13が含まれ、
ステップS12は、各々の生産チャージの精錬工程における生産及び操作データ情報を繰り返して収集し、データセットを構築し、
ステップS13は、ステップS12で得られたデータを前処理して、欠落が有ったり、明らかに不合理なデータを取り除き、
ステップS2は、ステップS1で得られたデータセットのデータを正規化処理し、正規化処理後のデータセットを得て、
ステップS3は、ディープニューラルネットワークを構築するステップであり、ステップS2で得られたデータセットをトレーニングデータセットとテストデータセットとに分け、生産及び操作データ情報をディープニューラルネットワークの入力とし、実際のカルシウムの収得率を出力とし、計算結果と実際の結果とを比較して重み及び閾値を修正し、トレーニングデータセット内のデータを用いてディープニューラルネットワークをトレーニングし、トレーニングされたディープニューラルネットワークを得て、
ステップS4は、テストデータセットを用いて、ステップS3でトレーニングされたディープニューラルネットワークをテストし、テストデータセット内の入力データをディープニューラルネットワークの入力データとし、カルシウムの収得率の計算結果を得て、実際の収得率の結果とディープニューラルネットワークによって計算されたカルシウムの収得率とに生じた誤差値が最小閾値に達することを最適化の目標としてディープニューラルネットワークを最適化し、
ステップS5は、ステップS4で計算された誤差値に従って、トレーニングされたディープニューラルネットワークが要求を満たしているかを確定し、誤差値が最小閾値に達していれば、現在のディープネットワークを最終的なカルシウムの収得率の予測モデルとし、誤差値が最小閾値に達していなければ、ニューラルネットワークの隠れ層の数量、ノード数及び学習率を変更して、ステップS4を、誤差値が最小閾値に達し、ディープニューラルネットワークによって計算されたカルシウムの収得率が所定の要求を満たせるようになるまで繰り返し、
ステップS6は、ステップS5で得られた最終的なカルシウムの収得率の予測モデルに従って、実際のカルシウム処理操作工程におけるカルシウムの収得率を予測する、ディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法を提供している。
タンディッシュの溶鋼成分の検出の際は、タンディッシュの同じ位置で、半分注湯された時にラケット状サンプルを取り、
連続鋳造鋳片の成分の検出の際は、安定して注湯された連続鋳造鋳片を取り、板幅の1/4であり且つ内弧側から1/4離れた位置でサンプリングして分析する。
サブステップS31は、小さな乱数を用いて各々の層の重み及び閾値を初期化し、設定されたネットワーク構造及び前回のイテレーションの重み及び閾値を通じて、ネットワークの最初の層から後に向かって各ニューロンの出力を計算し、次に重み及び閾値を変更し、最後の層から前に向かって各閾値及び重みによる総誤差への影響を計算し、誤差に従って重み及び閾値を調整し、両工程を、収束に達するまで交互に行い、
S2では、ニューロン間の伝達関数として、Sigmoid関数が使用され、その式は、
式において、xは、正規化後のx変数を表し、wは、ニューロン間の結合の重みを表し、θは、ニューロンノードの閾値を表す。
本発明に係るディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率予測方法は、各々の生産チャージの操作パラメータ情報を事前に取得してデータセットを構築し、取得されたデータセットに基づいてディープニューラルネットワークモデルを構築して予測モデルとする。各々のチャージの生産操作情報を取得して、ディープニューラルネットワークによって予測することで、現在のチャージでの合理的なカルシウムの収得率を得て、カルシウム処理操作の参照の根拠とする。本モデルを用いてカルシウムの収得率の予測計算をすれば、安定してカルシウムの収得率を制御して向上させることができる。一部の鋼種の場合は、カルシウム供給操作のパラメータを調整することで、カルシウムの収得率を10%~20%から30%以上に高めることができ、カルシウムの供給が減り、生産コストが削減される。さらに、合理的なカルシウムの供給量により、ノズル詰まり現象の発生も減少し、連続鋳造工程の円滑な進行が保証され、生産効率及び製品の品質が向上する。
ステップS11は、各々の生産チャージの精錬工程における生産及び操作データ情報を収集し、各々のチャージのカルシウムの収得率を計算して1つのレコードユニットとし、
精錬工程におけるカルシウムの収得率の計算式は、
ステップ2では、データが正規化処理され、正規化方法として、以下の式が使用される。
式において、ymin及びymaxは、それぞれ、正規化の最小値及び最大値を表し、本実施例では、それぞれ-1及び1を取り、xmin及びxmaxは、それぞれx変数の最小値及び最大値を表す。
実際の収得率の結果とニューラルネットワークの結果とに生じた誤差値の計算式は、
式において、YCalは、ディープニューラルネットワークによって計算されたカルシウムの収得率を表し、YExpは、実際のカルシウムの収得率を表し、nは、選択されたテストデータの数量を表す。
ディープニューラルネットワークの構造パラメータには、隠れ層の数量、各々の隠れ層のノード数及び学習率が含まれる。
ステップ1において、事前にデータを取得してデータセットを構築することは、
各々の生産チャージの精錬工程における各パラメータの情報を収集して1つのレコードユニットとするステップを含み、
生産チャージの各パラメータ情報には、カルシウム処理前の溶鋼内の炭素、シリコン、マンガン、リン、硫黄、アルミニウム、酸素、カルシウム元素の含有量、溶鋼の温度、溶鋼の品質、精錬工程で添加された改質剤、脱硫剤、加炭剤、石灰の品質、カルシウムワイヤの送給速度、アルゴン吹き付けの流量等の情報が含まれる。
溶鋼成分のアッセイ用のラケット状サンプルをカルシウム処理の前後にそれぞれ取り、サンプリング工程については、サンプリング結果の安定性を保証するために、サンプリング工程では、サンプラーを取鍋の同じ位置に置いて、同じ位置でサンプリングされることを保証する必要があり、
カルシウム処理の前に、溶鋼成分が電気スパーク直読分光計法を用いて検出され、先ずサンプルを明るく磨き、次にサンプルの表面で少なくとも2つの点を励起させ、励起された点の成分を観察して成分偏差の大きい点を消去し、安定した測定結果が得られるまで続け、溶鋼がステーションに入る時には、酸素プローブを用いて溶鋼の温度及び溶解酸素含有量が測定され、酸素プローブが、溶鋼の同じ位置に挿入されることが保証される。
小さな乱数を用いて各々の層の重み及び閾値を初期化し、設定されたネットワーク構造及び前回のイテレーションの重み及び閾値を通じて、ネットワークの最初の層から後に向かって各ニューロンの出力を計算し、次に重み及び閾値を変更し、最後の層から前に向かって各閾値及び重みによる総誤差への影響を計算し、誤差に従って重み及び閾値を調整し、両工程を、収束に達するまで交互に行うことであり、
ニューロン間の伝達関数として、Sigmoid関数が使用され、その式は、
式において、xは、正規化後のx変数を表し、wは、ニューロン間の結合の重みを表し、θは、ニューロンノードの閾値を表す。
Claims (5)
- ディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法であって、以下のステップS1~S6を含み、
ステップS1は、生産及び操作データ情報の中からカルシウム処理工程におけるカルシウムの収得率に影響を与えるパラメータを取得してデータセットを構築し、ステップS1には、具体的に以下のステップS11~S13が含まれ、
ステップS12は、各々の生産チャージの精錬工程における生産及び操作データ情報を繰り返して収集し、データセットを構築し、
ステップS13は、ステップS12で得られたデータを前処理して、欠落が有ったり、明らかに不合理なデータを取り除き、
ステップS2は、ステップS1で得られたデータセットのデータを正規化処理し、正規化処理後のデータセットを得て、
ステップS3は、ディープニューラルネットワークを構築するステップであり、ステップS2で得られたデータセットをトレーニングデータセットとテストデータセットとに分け、生産及び操作データ情報をディープニューラルネットワークの入力とし、実際のカルシウムの収得率を出力とし、計算結果と実際の結果とを比較して重み及び閾値を修正し、トレーニングデータセット内のデータを用いてディープニューラルネットワークをトレーニングし、トレーニングされたディープニューラルネットワークを得て、
ステップS4は、テストデータセットを用いて、ステップS3でトレーニングされたディープニューラルネットワークをテストし、テストデータセット内の入力データをディープニューラルネットワークの入力データとし、カルシウムの収得率の計算結果を得て、実際の収得率の結果とディープニューラルネットワークによって計算されたカルシウムの収得率とに生じた誤差値が最小閾値に達することを最適化の目標としてディープニューラルネットワークを最適化し、
ステップS5は、ステップS4で計算された誤差値に従って、トレーニングされたディープニューラルネットワークが要求を満たしているかを確定し、誤差値が最小閾値に達していれば、現在のディープネットワークを最終的なカルシウムの収得率の予測モデルとし、誤差値が最小閾値に達していなければ、ニューラルネットワークの隠れ層の数量、ノード数及び学習率を変更して、ステップS4を、誤差値が最小閾値に達し、ディープニューラルネットワークによって計算されたカルシウムの収得率が所定の要求を満たせるようになるまで繰り返し、
ステップS6は、ステップS5で得られた最終的なカルシウムの収得率の予測モデルに従って、実際のカルシウム処理操作工程におけるカルシウムの収得率を予測する、ことを特徴とするディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法。 - ステップS11において、前記カルシウム処理工程におけるカルシウムの収得率に影響を与えるパラメータは、溶鋼内のC含有量、溶鋼内のSi含有量、溶鋼内のMn含有量、溶鋼内のP含有量、溶鋼内のS含有量、溶鋼内の遊離酸素含有量、溶鋼の温度、カルシウムワイヤの種類、カルシウムワイヤの送給速度、アルゴン吹き付けの流量、溶鋼の重量、ワイヤの送給長さ、精錬工程で添加される原材料及び補助材料の種類及び数量、並びに、カルシウムワイヤ内のカルシウム含有量を含む、ことを特徴とする請求項1に記載のディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法。
- ステップS11での収集の際は、溶鋼成分のアッセイ用のラケット状サンプルをカルシウム処理の前後にそれぞれ取り、サンプリング工程では、サンプラーを取鍋の同じ位置に置く必要があり、
タンディッシュの溶鋼成分の検出の際は、タンディッシュの同じ位置で、半分注湯された時にラケット状サンプルを取り、
連続鋳造鋳片の成分の検出の際は、安定して注湯された連続鋳造鋳片を取り、板幅の1/4であり且つ内弧側から1/4離れた位置でサンプリングして分析する、ことを特徴とする請求項2に記載のディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法。 - カルシウム処理の前に、溶鋼成分が電気スパーク直読分光計法を用いて検出され、先ずサンプルを明るく磨き、次にサンプルの表面で少なくとも2つの点を励起させ、励起された点の成分を観察して成分偏差の大きい点を消去し、安定した測定結果が得られるまで続け、カルシウム処理の後は、溶鋼がステーションに入る時に酸素プローブを用いて溶鋼の温度及び溶解酸素含有量が測定され、酸素プローブが、溶鋼の同じ位置に挿入されることが保証される、ことを特徴とする請求項3に記載のディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法。
- ステップS3において、前記ディープニューラルネットワークをトレーニングすることは、具体的に以下のサブステップS31を含み、
サブステップS31は、小さな乱数を用いて各々の層の重み及び閾値を初期化し、設定されたネットワーク構造及び前回のイテレーションの重み及び閾値を通じて、ネットワークの最初の層から後に向かって各ニューロンの出力を計算し、次に重み及び閾値を変更し、最後の層から前に向かって各閾値及び重みによる総誤差への影響を計算し、誤差に従って重み及び閾値を調整し、両工程を、収束に達するまで交互に行い、
S2では、ニューロン間の伝達関数として、Sigmoid関数が使用され、その式は、
式において、xは、正規化後のx変数を表し、wは、ニューロン間の結合の重みを表し、θは、ニューロンノードの閾値を表す、ことを特徴とする請求項1に記載のディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110691320.6 | 2021-06-22 | ||
CN202110691320.6A CN113343576B (zh) | 2021-06-22 | 2021-06-22 | 基于深度神经网络的钙处理过程中钙的收得率的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7093090B1 true JP7093090B1 (ja) | 2022-06-29 |
JP2023002457A JP2023002457A (ja) | 2023-01-10 |
Family
ID=77478703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022075169A Active JP7093090B1 (ja) | 2021-06-22 | 2022-04-28 | ディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11545239B1 (ja) |
JP (1) | JP7093090B1 (ja) |
CN (1) | CN113343576B (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115436239A (zh) * | 2022-11-07 | 2022-12-06 | 四川亿欣新材料有限公司 | 一种碳酸钙颗粒度检测方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011149B (zh) * | 2023-01-18 | 2023-10-20 | 鞍钢股份有限公司 | 一种rh精炼炉目标搬出温度确定方法 |
CN116772662B (zh) * | 2023-07-17 | 2024-04-19 | 东方空间技术(山东)有限公司 | 一种火箭回收子级着陆腿控制方法、计算设备及存储介质 |
CN116822753B (zh) * | 2023-08-30 | 2023-11-03 | 北京建筑大学 | 基于神经网络的电动淋洗修复底泥预测优化方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5327357A (en) * | 1991-12-03 | 1994-07-05 | Praxair Technology, Inc. | Method of decarburizing molten metal in the refining of steel using neural networks |
WO2015005023A1 (ja) * | 2013-07-10 | 2015-01-15 | Jfeスチール株式会社 | 鋼材の製造方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100851804B1 (ko) * | 2001-12-11 | 2008-08-13 | 주식회사 포스코 | 탈산 용강에 칼슘 투입시 실수율 향상 방법 |
EP2455501B1 (en) * | 2009-07-15 | 2019-04-03 | Kabushiki Kaisha Kobe Seiko Sho | Method for producing alloy ingot |
JP7056592B2 (ja) * | 2019-01-17 | 2022-04-19 | Jfeスチール株式会社 | 金属材料の製造仕様決定方法、製造方法、および製造仕様決定装置 |
US11915105B2 (en) * | 2019-02-05 | 2024-02-27 | Imagars Llc | Machine learning to accelerate alloy design |
US20210027860A1 (en) * | 2019-07-23 | 2021-01-28 | The Florida State University Research Foundation, Inc. | Methods of Designing and Predicting Proteins |
CN110777230B (zh) * | 2019-11-13 | 2021-01-05 | 北京科技大学 | 基于目标等轴晶尺寸和比例的钢连铸坯凝固组织细化方法 |
CN110866659B (zh) * | 2019-12-09 | 2023-08-15 | 东北大学 | 一种拜耳法氧化铝生产高压管道溶出过程中苛性比值在线预测方法 |
CN111549286B (zh) * | 2020-06-22 | 2021-10-15 | 中南大学 | 一种易焊接的超高强高韧钢材及其制备方法 |
CN111950427B (zh) * | 2020-08-06 | 2022-02-15 | 中国地质科学院矿产资源研究所 | 基于热红外波谱特征和bp神经网络模型的石榴子石亚类识别方法 |
-
2021
- 2021-06-22 CN CN202110691320.6A patent/CN113343576B/zh active Active
-
2022
- 2022-04-28 JP JP2022075169A patent/JP7093090B1/ja active Active
- 2022-06-20 US US17/844,364 patent/US11545239B1/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5327357A (en) * | 1991-12-03 | 1994-07-05 | Praxair Technology, Inc. | Method of decarburizing molten metal in the refining of steel using neural networks |
WO2015005023A1 (ja) * | 2013-07-10 | 2015-01-15 | Jfeスチール株式会社 | 鋼材の製造方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115436239A (zh) * | 2022-11-07 | 2022-12-06 | 四川亿欣新材料有限公司 | 一种碳酸钙颗粒度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US11545239B1 (en) | 2023-01-03 |
JP2023002457A (ja) | 2023-01-10 |
CN113343576A (zh) | 2021-09-03 |
CN113343576B (zh) | 2022-03-11 |
US20220406413A1 (en) | 2022-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7093090B1 (ja) | ディープニューラルネットワークに基づくカルシウム処理工程におけるカルシウムの収得率の予測方法 | |
CN104630410B (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
CN113435114B (zh) | 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法 | |
CN112418538A (zh) | 一种基于随机森林分类的连铸坯夹杂预测方法 | |
CN110991089A (zh) | 一种转炉炼钢冶炼后期碳含量预报方法 | |
CN111020118B (zh) | 一种基于粒子群优化案例推理的rh终点温度预测方法 | |
Xin et al. | Predicting the alloying element yield in a ladle furnace using principal component analysis and deep neural network | |
Tian et al. | A new AdaBoost. IR soft sensor method for robust operation optimization of ladle furnace refining | |
CN115906538A (zh) | 一种钢包精炼炉钢水成分预测的方法 | |
CN109840309A (zh) | 一种铁水脱硫剂用量的计算方法 | |
CN114841277A (zh) | 一种转炉出钢合金收得率预测方法和系统 | |
CN1842384B (zh) | 一种用于预测和控制液态钢的铸造性能的方法及控制设备 | |
CN112417639B (zh) | 一种热轧低碳钢氧化铁皮结构演变数字解析方法 | |
Que et al. | TiN inclusions distribution in the composite cross section of Titanium Micro-alloyed Steel slab: thermo-chemical modeling and automatic statistic analysis | |
CN101294946B (zh) | 一种混合在线预测定氧加铝的模型建模与优化方法 | |
NL2030465B1 (en) | Continuous casting slab quality predicting method based on extreme learning machine | |
CN115034370B (zh) | 基于bp网络模型预测高炉炉缸活性的方法 | |
Ma et al. | Optimization of “Deoxidation Alloying” Batching Scheme | |
Huang et al. | Prediction of alloy yield based on optimized BP neural network | |
CN115906628A (zh) | 一种基于生产条件动态调整的转炉工序合金添加方法 | |
Han et al. | Temperature Prediction Model in Transition Ladle based on Guided Mutation GA-BP Neural Network | |
CN114769540B (zh) | 高牌号无取向硅钢铸坯的生产方法 | |
CN117708708B (zh) | 一种炼钢用铁合金的品质评级及推荐方法 | |
Wang et al. | Development of quantitative indices and machine learning-based predictive models for SEN clogging | |
Francis et al. | Prediction of the aluminum silicon modification level in the AlSiCu alloys using artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220428 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220428 |
|
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: 20220607 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220608 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7093090 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |