期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于全影响因素的轧钢加热炉板坯单耗预测
被引量：
1
1
作者
杨筱静
段毅
+4 位作者
何胜方
包向军
陈光
张璐
陆彪
《冶金能源》
北大核心
2024年第3期14-18,共5页
板坯实际生产过程中单耗计算受原料和燃料条件、操作工艺、钢种等因素影响,且各因素与板坯单耗之间的映射关系较为复杂。文章采用BP神经网络建立板坯单耗预测模型,以板坯加热炉实际生产数据为研究对象,加热过程中涉及的全部影响因素共1...
板坯实际生产过程中单耗计算受原料和燃料条件、操作工艺、钢种等因素影响,且各因素与板坯单耗之间的映射关系较为复杂。文章采用BP神经网络建立板坯单耗预测模型,以板坯加热炉实际生产数据为研究对象,加热过程中涉及的全部影响因素共17项作为输入变量,建立板坯单耗计算预测模型。结合试错法确定合理的BP神经网络结构为:输入层节点数为17,隐藏层节点数为10,输出层节点数为1。预测结果显示单耗预测值与实际值趋势一致,预测均方根误差仅为0.181 GJ/t,模型整体精度可达92.06%。
展开更多
关键词
加热炉
BP神经网络
板坯
全影响因素
单耗
预测模型
在线阅读
下载PDF
职称材料
题名
基于全影响因素的轧钢加热炉板坯单耗预测
被引量：
1
1
作者
杨筱静
段毅
何胜方
包向军
陈光
张璐
陆彪
机构
安徽工业大学能源与环境学院
马鞍山钢铁股份有限公司港务原料厂
安徽工业大学建筑工程学院
出处
《冶金能源》
北大核心
2024年第3期14-18,共5页
基金
国家重点研发计划资助项目(2020YFB1711100)
安徽高校自然科学研究项目(KJ2021A0411)。
文摘
板坯实际生产过程中单耗计算受原料和燃料条件、操作工艺、钢种等因素影响,且各因素与板坯单耗之间的映射关系较为复杂。文章采用BP神经网络建立板坯单耗预测模型,以板坯加热炉实际生产数据为研究对象,加热过程中涉及的全部影响因素共17项作为输入变量,建立板坯单耗计算预测模型。结合试错法确定合理的BP神经网络结构为:输入层节点数为17,隐藏层节点数为10,输出层节点数为1。预测结果显示单耗预测值与实际值趋势一致,预测均方根误差仅为0.181 GJ/t,模型整体精度可达92.06%。
关键词
加热炉
BP神经网络
板坯
全影响因素
单耗
预测模型
Keywords
heating furnace
BP neural network
slab
total influencing factor
unit energy consumption
prediction model
分类号
TG307 [金属学及工艺—金属压力加工]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于全影响因素的轧钢加热炉板坯单耗预测
杨筱静
段毅
何胜方
包向军
陈光
张璐
陆彪
《冶金能源》
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
