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
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：
融合机理模型与深度学习的加热炉钢坯温度预测
1
作者 冯旭刚 杨克 +5 位作者 安硕 王正兵 唐得志 王伟 柳传武 潘磊 《中南大学学报(自然科学版)》 北大核心 2025年第7期2719-2730,共12页
数据驱动模型在加热炉钢坯温度预测中存在机理模糊性与参数敏感性的局限,导致预测精度降低。为此,本文提出一种结合机理模型与深度学习的钢坯温度模型预测算法。首先,基于对流与辐射传热的一维非稳态传热模型(convection-radiation heat... 数据驱动模型在加热炉钢坯温度预测中存在机理模糊性与参数敏感性的局限,导致预测精度降低。为此,本文提出一种结合机理模型与深度学习的钢坯温度模型预测算法。首先,基于对流与辐射传热的一维非稳态传热模型(convection-radiation heat transfer model,CRHT),初步计算钢坯出段温度,并将其与加热炉工况参数进行融合,实现机理知识的整合;其次,采用tent混沌映射和动态自适应权重改进差异创意搜索(differentiated creative search,DCS)算法,实现双向时间卷积网络(bidirectional temporal convolutional networks,BITCN)与双向长短期记忆网络(bidirectional long short-term memory,BILSTM)融合模型的超参数协同优化;最后,通过加热炉实际生产数据,系统地验证了该模型的准确性。研究结果表明:在加热炉均热段的钢坯温度预测中,与常规BITCN-BILSTM模型的预测结果相比,所提出的预测算法所得结果的平均绝对误差、均方根误差的相对误差分别降低了52.8%和28.9%,模型预测精度得到明显提升。 展开更多
关键词 钢坯温度预测 机理模型 双向时间卷积神经网络 双向长短期记忆 差异创意搜索
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部