CN113343576A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113343576A CN113343576A CN202110691320.6A CN202110691320A CN113343576A CN 113343576 A CN113343576 A CN 113343576A CN 202110691320 A CN202110691320 A CN 202110691320A CN 113343576 A CN113343576 A CN 113343576A
- Authority
- CN
- China
- Prior art keywords
- calcium
- yield
- neural network
- deep neural
- molten 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.)
- Granted
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)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Organic Chemistry (AREA)
- Materials Engineering (AREA)
- Geometry (AREA)
- Metallurgy (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明公开了一种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,涉及到钢铁冶金领域的钢液精炼钙处理过程,其包括以下步骤:预先获取每一炉次的生产及操作数据信息,构建数据集;基于构建的数据集训练并测试深度神经网络,建立预测模型;基于预测模型将实际每一炉次的生产及操作数据信息作为输入,预测计算当前钙的收得率。本发明可以对钙处理过程中钙的收得率进行预测,有利于精准控制钢中钙含量,稳定控制钙处理过程,提升钙处理效果,提高产品质量,保证生产的稳定性。
Description
技术领域
本发明属于钢铁冶金钢液精炼领域,具体涉及一种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。
背景技术
在钢液的冶炼过程中,为了有效的将钢液中的氧含量降低至较低水平,作为一种强脱氧剂,铝被广泛的应用于炼钢过程。但铝的加入会生成大量的氧化铝夹杂物,容易导致水口结瘤,影响连铸过程的顺行以及导致产品性能的下降。因此,将金属钙加入到钢液中以将钢液中的氧化铝夹杂物改性为液态的钙铝酸盐,减少水口结瘤,保证连铸顺行,提高产品质量。同时,钢中钙的存在也可以控制钢中MnS夹杂物的形貌及数量。然而,钢中的需钙量存在一个合理的范围,钙的加入量较低,达不到钙处理的效果,加入量过高,则容易生成高熔点的CaS类夹杂物,同样容易导致水口结瘤。
近年来,受益于计算机及大数据等技术的迅速发展,神经网络被广泛应用到各个行业中。神经网络具有自学习及自适应性,当环境发生变化时,即给神经网络新的训练样本时,其可以自动调整相互连接的权值,从而在一定的输入条件下给出合理的期望输出。并且,神经网络具有较好的容错性,局部的错误不会使神经网络产生较为严重的错误。神经网络可以通过不断地调整各个神经元节点之间的权值,最终具备解决实际问题的能力。
与铝、硅、锰等合金相比,钙的熔沸点较低,在钢中溶解度较低,且蒸气压较大。因此,钙合金很难加入到钢液中,钙处理过程很难将钢液中钙含量控制在一定范围。对于大多数钢铁企业,钙处理过程都是凭借经验进行喂钙,无法对钙处理过程收得率进行预测,因此钙含量控制不稳定。因此,基于深度神经网络计算实现对钙处理过程钙的收得率的预测,对于精准控制钢中的钙含量,稳定钙处理操作,进而降低企业生产及运行成本,提高产品质量及合金利用效率,具有重要的研究价值及意义。
发明内容
为了解决上述现有技术的不足,本发明提供一种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,最终实现对钙处理操作的稳定控制。
具体地,本发明提供一种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,其包括以下步骤:
S1:获取生产及操作数据信息中影响钙处理过程钙的收得率的参数并构建数据集;步骤S1具体包括如下步骤:
S11、采集每一生产炉次精炼过程中生产及操作数据信息并计算每一炉次的钙的收得率,作为一条记录单元;每一炉次的钙的收得率分别包括精炼过程钙的收得率η1、中间包钙的收得率η2以及连铸坯钙的收得率η3;
精炼过程钙的收得率的计算方式为:
中间包钙的收得率的计算方式为:
连铸坯钙的收得率的计算方式为:
式中:W代表钢液质量,单位为t;ω[Ca]O代表钢液钙处理前钙含量,单位为ppm;χ代表喂钙线长度,单位为m;β代表钙线中钙含量,单位为%;μ代表钙线米重,单位为kg/m,ω[Ca]R代表精炼结束后钢液钙含量,单位为ppm;ω[Ca]T代表连铸过程中间包中钢液钙含量,单位为ppm;ω[Ca]B代表连铸坯中钙含量,单位为ppm;
S12、重复采集每一生产炉次精炼过程中生产及操作数据信息,建立数据集;
S13、对步骤S12所得数据进行预处理,去除缺失和明显不合理的数据;
S2:对步骤S1得到的数据集的数据进行归一化处理,得到归一化处理后的数据集;
S3:建立深度神经网络:将步骤S2获得的数据集分为训练数据集和测试数据集;以生产及操作数据信息作为深度神经网络的输入,实际的钙的收得率作为输出,对比计算结果及实际结果,修正权值及阈值,并利用训练数据集中的数据对深度神经网络进行训练,得到训练好的深度神经网络;
S4:使用测试数据集对步骤S3训练好的深度神经网络进行测试,测试数据集中的输入数据作为深度神经网络的输入数据,得到钙的收得率计算结果,以实际收得率结果与深度神经网络计算得到的钙的收得率产生的误差值达到最小阈值作为优化目标对深度神经网络进行优化;
S5:根据步骤S4计算的误差值,确定训练好的深度神经网络是否满足要求,如果误差值达到最小阈值,则将当前的深度网络作为最终的钙的收得率的预测模型;若误差值未达到最小阈值,则修改神经网络的隐藏层数量、节点数以及学习率,重复步骤S4直至误差值达到最小阈值,深度神经网络计算的钙的收得率能满足预定要求;
S6:根据步骤S5得到的最终的钙的收得率的预测模型,对实际钙处理操作过程中的钙的收得率进行预测。
优选地,步骤S11中所述影响钙处理过程钙的收得率的参数包括:钢液C含量、钢液Si含量、钢液Mn含量、钢液P含量、钢液S含量、钢液游离氧含量、钢液温度、钙线种类、喂钙线速度、吹氩流量、钢液重量、喂线长度、精炼过程中加入的原辅料的种类及数量以及钙线钙含量。
优选地,步骤S11中采集时分别在钙处理前后取球拍样,用于化验钢液成分,取样过程中需要将取样器放在钢包的相同位置;
检测中间包钢液成分时,在中间包相同位置,浇注一半时取球拍样;
检测连铸坯成分时,取浇注稳定的连铸坯,在板宽1/4并且距离内弧侧1/4位置处取样分析。
优选地,钙处理前钢液成分使用电火花直读光谱仪法进行检测,首先将试样打磨光亮,然后在试样表面至少激发出两个点,观察激发出的点的成分,删去其中成分偏差较大的点,直到获得稳定的测量结果;在钙处理后钢液进站时使用定氧探头测定钢液温度及溶解氧含量,定氧探头保证***钢液的相同位置。
优选地,步骤S3中所述对深度神经网络进行训练具体包括以下子步骤:
S31、用小的随机数对每一层的权值和阈值进行初始化,通过设置的网络结构和前一次迭代的权值和阈值,从网络第一层向后计算各神经元的输出,然后对权值和阈值进行修改,从最后一层向前计算各个阈值和权值对总误差的影响,并根据误差对权值和阈值进行调整,两个过程交替进行,直至达到收敛;
S2、神经元之间的传递函数使用Sigmoid函数,公式如下:
式中,x代表归一化后的x变量,w代表神经元之间连接的权值,θ代表神经元节点的阈值。
优选地,步骤S3中构建的深度神经网络输入层包含21个节点,中间层包含3个,每个中间层包含6个节点,输出层含有1个节点,最大迭代次数为1500,学习率为0.2。
优选地,误差值的最小阈值为5%。
与现有技术相比,本发明的有益效果:
本发明基于深度神经网络的钙处理过程钙的收得率预测方法,通过预先获取每一生产炉次的操作参数信息构建数据集,基于获取的数据集建立深度神经网络模型并作为预测模型。获取每一炉次的生产操作信息,根据深度神经网络进行预测,得到当前炉次下合理的钙的收得率,作为钙处理操作的参考依据。使用本模型进行钙的收得率的预测计算,可稳定控制并提高钙的收得率。对于某些钢种,通过调整喂钙操作参数,可将钙的收得率从10%-20%提升至30%及以上,减少了钙的喂入,降低了生产成本。并且合理的钙的喂入量也可以减少水口结瘤现象的发生,保证了连铸过程的顺行,提高了生产效率以及产品质量。
附图说明
图1是根据本发明实施的一种基于深度神经网络的钢液钙处理过程中钙的收得率的预测方法流程示意图;
图2是根据神经网络模型计算的收得率与实际结果的对比。
具体实施方式
以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
根据本发明的实施例,提供了一种基于深度神经网络的钢液钙处理过程钙的收得率预测方法。
如图1所示,根据本发明实施例的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,包括以下步骤:
步骤1:预先获取国内某厂采用钙处理技术的钢种近一年内生产及操作数据信息数据,包括钢液C含量、钢液Si含量、钢液Mn含量、钢液P含量、钢液S含量、钢液游离氧含量、钢液温度、钙线种类、喂钙线速度、吹氩流量、钢液重量、喂线长度、精炼过程中加入的原辅料的种类及数量、钙线钙含量,共561组数据。计算钙处理过程钙的收得率,并构建数据集。
具体包括如下步骤:
S11、采集每一生产炉次精炼过程中生产及操作数据信息并计算每一炉次的钙的收得率,作为一条记录单元;
精炼过程钙的收得率的计算方式为:
中间包收得率的计算方式为:
连铸坯收得率的计算方式为:
式中:W代表钢液质量,单位为t;ω[Ca]O代表钢液钙处理前钙含量,单位为ppm;χ代表喂钙线长度,单位为m;β代表钙线中钙含量,单位为%;μ代表钙线米重,单位为kg/m,ω[Ca]R代表精炼结束后钢液钙含量,单位为ppm;ω[Ca]T代表连铸过程中间包中钢液钙含量,单位为ppm;ω[Ca]B代表连铸坯中钙含量,单位为ppm。
步骤2:对步骤1所得数据进行归一化处理,得到归一化处理后的数据集。
其中,步骤2对数据进行归一化处理,归一化方法使用如下公式:
式中:ymin和ymax分别代表归一化的最小值和最大值,本实施例中分别取-1和1,xmin和xmax分别代表x变量的最小值和最大值。
步骤3:基于步骤2获得的数据集分为训练数据集和测试数据集;随机选择511组数据为训练数据集,50组数据为测试数据集,以钢液成分数据及喂钙操作条件等数据作为输入,实际的收得率作为输出,构建深度神经网络利用训练数据集中的数据对深度神经网络进行训练;
步骤4:使用测试数据集对步骤3训练好的深度神经网络进行测试。测试数据集中的输入数据作为深度神经网络的输入数据,得到钙的收得率计算结果,以实际收得率结果与深度神经网络结果产生的误差值最小为优化目标;设定误差值的最小优化目标为5%。
其中,实际收得率结果与神经网络结果产生的误差值的计算公式为:
式中:YCal代表深度神经网络计算的钙的收得率,YExp代表实际的钙的收得率,n代表选取测试数据的数量。
步骤5:根据步骤4计算的误差值,确定训练好的深度神经网络是否满足要求,如果满足,则当前的深度网络作为钙的收得率的预测模型;若不满足要求,则修改深度神经网络结构参数,重复步骤4直至深度神经网络计算的钙的收得率能满足预定要求。图2为通过深度神经网络预测的钙的收得率与实际钙的收得率的对比结果,当前的收得率的预测结果与实际生产结果的误差小于5%。
其中,深度神经网络的结构参数包括隐藏层数量、各个隐藏层节点数和学习率。
步骤6:根据步骤5已经训练好的深度神经网络模型,对实际钙处理操作过程的钙的收得率进行预测。
其中,步骤1预先获取数据并构建数据集,包括以下步骤:
采集每一生产炉次精炼过程中各项参数的信息作为一条记录单元;
其中生产炉次各项参数信息包括:钙处理前钢液碳、硅、锰、磷、硫、铝、氧、钙元素含量、钢液温度、钢液质量、精炼过程加入的改性剂、脱硫剂、增碳剂、石灰质量、喂钙线速度、吹氩流量等信息。
其中,分别在钙处理前后取球拍样,用于化验钢液成分,取样过程为保证取样结果的稳定性,取样过程中需要将取样器放在钢包的相同位置,以保证在同一位置取样;
钙处理前钢液成分使用电火花直读光谱仪法进行检测,首先将试样打磨光亮,然后在试样表面至少激发出两个点,观察激发出的点的成分,删去其中成分偏差较大的点,直到获得稳定的测量结果;在钢液进站时使用定氧探头测定钢液温度及溶解氧含量,定氧探头保证***钢液的相同位置。
步骤3中对深度神经网络训练具体步骤如下:
用小的随机数对每一层的权值和阈值进行初始化,通过设置的网络结构和前一次迭代的权值和阈值,从网络第一层向后计算各神经元的输出,然后对权值和阈值进行修改,从最后一层向前计算各个阈值和权值对总误差的影响,并根据误差对权值和阈值进行调整,两个过程交替进行,直至达到收敛;
其中,神经元之间的传递函数使用Sigmoid函数,公式如下:
式中,x代表归一化后的x变量,w代表神经元之间连接的权值,θ代表神经元节点的阈值。
构建的深度神经网络输入层包含21个节点,中间层包含3个,每个中间层包含6个节点,输出层含有1个节点。最大迭代次数为1500,学习率为0.2。
根据构建的数据集训练深度神经网络模型,直到深度神经网络模型的误差稳定在一个较小的值的时候,说明深度神经网络已经收敛。利用训练好的深度神经网络,当获取到每一炉次钙处理前的相关操作参数信息后,可对当前生产条件下的钙的收得率进行预测。
本发明需要采集钢液钙处理前的操作参数信息即可对钢液钙处理过程钙的收得率进行预测,进而可对钢液钙处理过程中钙含量更加稳定地控制,提升钙处理效果,降低生产成本,提高生产效率与产品质量。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种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,其特征在于:其包括以下步骤:
S1:获取生产及操作数据信息中影响钙处理过程中钙的收得率的参数并构建数据集;步骤S1具体包括如下步骤:
S11、采集每一生产炉次精炼过程中生产及操作数据信息并计算每一炉次的钙的收得率,作为一条记录单元;每一炉次的钙的收得率分别包括精炼过程钙的收得率η1、中间包钙的收得率η2以及连铸坯钙的收得率η3;
精炼过程钙的收得率的计算方式为:
中间包钙的收得率的计算方式为:
连铸坯钙的收得率的计算方式为:
式中:W代表钢液质量,单位为t;ω[Ca]O代表钢液钙处理前钙含量,单位为ppm;χ代表喂钙线长度,单位为m;β代表钙线中钙含量,单位为%;μ代表钙线米重,单位为kg/m,ω[Ca]R代表精炼结束后钢液钙含量,单位为ppm;ω[Ca]T代表连铸过程中间包中钢液钙含量,单位为ppm;ω[Ca]B代表连铸坯中钙含量,单位为ppm;
S12、重复采集每一生产炉次精炼过程中生产及操作数据信息,建立数据集;
S13、对步骤S12所得数据进行预处理,去除缺失和明显不合理的数据;
S2:对步骤S1得到的数据集的数据进行归一化处理,得到归一化处理后的数据集;
S3:建立深度神经网络:将步骤S2获得的数据集分为训练数据集和测试数据集;以生产及操作数据信息作为深度神经网络的输入,实际的钙的收得率作为输出,对比计算结果及实际结果,修正权值及阈值,并利用训练数据集中的数据对深度神经网络进行训练,得到训练好的深度神经网络;
S4:使用测试数据集对步骤S3训练好的深度神经网络进行测试,测试数据集中的输入数据作为深度神经网络的输入数据,得到钙的收得率计算结果,以实际收得率结果与深度神经网络计算得到的钙的收得率产生的误差值达到最小阈值作为优化目标对深度神经网络进行优化;
S5:根据步骤S4计算的误差值,确定训练好的深度神经网络是否满足要求,如果误差值达到最小阈值,则将当前的深度网络作为最终的钙的收得率的预测模型;若误差值未达到最小阈值,则修改神经网络的隐藏层数量、节点数以及学习率,重复步骤S4直至误差值达到最小阈值,深度神经网络计算的钙的收得率能满足预定要求;
S6:根据步骤S5得到的最终的钙的收得率的预测模型,对实际钙处理操作过程中的钙的收得率进行预测。
2.根据权利要求1所述的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,其特征在于:步骤S11中所述影响钙处理过程钙的收得率的参数包括:钢液C含量、钢液Si含量、钢液Mn含量、钢液P含量、钢液S含量、钢液游离氧含量、钢液温度、钙线种类、喂钙线速度、吹氩流量、钢液重量、喂线长度、精炼过程中加入的原辅料的种类及数量以及钙线钙含量。
3.根据权利要求2所述的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,其特征在于:步骤S11中采集时分别在钙处理前后取球拍样,用于化验钢液成分,取样过程中需要将取样器放在钢包的相同位置;
检测中间包钢液成分时,在中间包相同位置,浇注一半时取球拍样;
检测连铸坯成分时,取浇注稳定的连铸坯,在板宽1/4并且距离内弧侧1/4位置处取样分析。
4.根据权利要求3所述的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,其特征在于:钙处理前钢液成分使用电火花直读光谱仪法进行检测,首先将试样打磨光亮,然后在试样表面至少激发出两个点,观察激发出的点的成分,删去其中成分偏差较大的点,直到获得稳定的测量结果;在钙处理后钢液进站时使用定氧探头测定钢液温度及溶解氧含量,定氧探头保证***钢液的相同位置。
6.根据权利要求5所述的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,其特征在于:步骤S3中构建的深度神经网络输入层包含15-25个节点,中间层包含1-6个,每个中间层包含1-10个节点,输出层含有1个节点,最大迭代次数为1500,学习率为0.1-0.5。
7.根据权利要求1所述的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,其特征在于:误差值的最小阈值为5%。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
JP2022075169A 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 |
US17/844,364 US11545239B1 (en) | 2021-06-22 | 2022-06-20 | Method for predicting yield of calcium in a calcium treatment process based on deep neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
---|---|
CN113343576A true CN113343576A (zh) | 2021-09-03 |
CN113343576B CN113343576B (zh) | 2022-03-11 |
Family
ID=77478703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110691320.6A Active 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 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11545239B1 (zh) |
JP (1) | JP7093090B1 (zh) |
CN (1) | CN113343576B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115436239B (zh) * | 2022-11-07 | 2023-02-07 | 四川亿欣新材料有限公司 | 一种碳酸钙颗粒度检测方法 |
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*** |
CN117538381A (zh) * | 2023-11-16 | 2024-02-09 | 肇庆市大正铝业有限公司 | 一种用于再生铝合金锭成分检测的智能*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866659A (zh) * | 2019-12-09 | 2020-03-06 | 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 |
CN111549286A (zh) * | 2020-06-22 | 2020-08-18 | 中南大学 | 一种易焊接的超高强高韧钢材及其制备方法 |
CN111950427A (zh) * | 2020-08-06 | 2020-11-17 | 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 |
US20210027860A1 (en) * | 2019-07-23 | 2021-01-28 | The Florida State University Research Foundation, Inc. | Methods of Designing and Predicting Proteins |
Family Cites Families (7)
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 |
KR100851804B1 (ko) * | 2001-12-11 | 2008-08-13 | 주식회사 포스코 | 탈산 용강에 칼슘 투입시 실수율 향상 방법 |
CN102471828B (zh) * | 2009-07-15 | 2013-11-20 | 株式会社神户制钢所 | 合金铸锭的制造方法 |
BR112015009622B1 (pt) * | 2013-07-10 | 2020-12-01 | Jfe Steel Corporation | método para a produção de material de aço |
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 |
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 |
-
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210027860A1 (en) * | 2019-07-23 | 2021-01-28 | The Florida State University Research Foundation, Inc. | Methods of Designing and Predicting Proteins |
CN110866659A (zh) * | 2019-12-09 | 2020-03-06 | 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 |
CN111549286A (zh) * | 2020-06-22 | 2020-08-18 | 中南大学 | 一种易焊接的超高强高韧钢材及其制备方法 |
CN111950427A (zh) * | 2020-08-06 | 2020-11-17 | 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 |
Non-Patent Citations (3)
Title |
---|
YI WANG等: ""Effect of calcium treatment on inclusion in Si-Mn-killed 304stainless steels "", 《JOURNAL OF MATERIALS RESEARCH AND TECHNOLOGY》 * |
吴越怡等: ""基于 BP 神经网络对合金收得率影响因素的研究"", 《河南科技学院学报(自然科学版)》 * |
檀亚宁等: ""基于灰色神经网络模型的金属元素收得率预测研究"", 《材料:生产与工艺》 * |
Also Published As
Publication number | Publication date |
---|---|
US20220406413A1 (en) | 2022-12-22 |
US11545239B1 (en) | 2023-01-03 |
JP7093090B1 (ja) | 2022-06-29 |
JP2023002457A (ja) | 2023-01-10 |
CN113343576B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343576B (zh) | 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 | |
CN108676955B (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
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 | |
CN103382514B (zh) | 一种在线预测rh精炼过程中钢水成分的***及方法 | |
CN110991089B (zh) | 一种转炉炼钢冶炼后期碳含量预报方法 | |
CN113919206A (zh) | 一种炼钢合金化窄成分控制方法 | |
CN110991916A (zh) | 一种铸坯质量判定***和方法 | |
CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
CN116469481A (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
CN102373310B (zh) | 一种指导转炉补吹过程操作的方法 | |
CN109840309B (zh) | 一种铁水脱硫剂用量的计算方法 | |
CN116911057A (zh) | 一种转炉炼钢吹炼过程熔池温度实时预测方法 | |
JP2013224461A (ja) | 真空脱ガス処理方法 | |
CN115906538A (zh) | 一种钢包精炼炉钢水成分预测的方法 | |
CN114561509B (zh) | 一种电弧炉终点碳含量预测方法 | |
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 | |
JP3823907B2 (ja) | 転炉出鋼中脱炭量推定法及びこれを用いた転炉操業法 | |
CN114054703B (zh) | 一种钢轨探伤报伤位置定位方法 | |
CN114781110B (zh) | 一种基于数据分析的热轧卷板翘皮缺陷追溯方法及*** | |
CN114196800B (zh) | 一种基于热水井一氧化碳模型的rh脱碳预报方法 | |
KR20000045516A (ko) | 전로 조업에서 용강중 탄소농도 예측방법 및장치 | |
JP5353320B2 (ja) | 溶鋼の真空脱ガス方法、真空脱ガス装置および製造方法 | |
JP3770038B2 (ja) | ほうろう用鋼の製造方法 |
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 |