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VMD-PSO-BiLSTM的高炉炉渣碱度预测模型
1
作者
孟丽丽
彭垚
+3 位作者
刘然
郑直
崔溪
刘金祥
《冶金能源》
北大核心
2025年第3期36-41,共6页
针对高炉复杂的操作环境、众多的影响因素,以及处理复杂非线性时间序列数据时模型效果不佳等问题,提出了一种基于变分模态分解(VMD)和粒子群优化(PSO)双向长短期记忆网络(BiLSTM)的高炉炉渣碱度预测模型。首先,对某高炉实际生产数据进...
针对高炉复杂的操作环境、众多的影响因素,以及处理复杂非线性时间序列数据时模型效果不佳等问题,提出了一种基于变分模态分解(VMD)和粒子群优化(PSO)双向长短期记忆网络(BiLSTM)的高炉炉渣碱度预测模型。首先,对某高炉实际生产数据进行综合预处理,并应用VMD方法对数据进行分解。其次,为进一步优化模型性能,采用PSO算法对BiLSTM模型的超参数进行优化。最后,与VMD-BiLSTM、BiLSTM和LSTM模型进行对比。试验结果表明,基于VMD-PSO-BiLSTM的高炉炉渣碱度预测模型有最佳的拟合效果(R^(2)=0.9145)、最小的误差(MAE=6.18×10^(-3),MSE=9.35×10^(-5))和更高的长期预测趋势准确程度(TA=96%),可为高炉炼铁过程的优化控制提供有效的技术支持。
展开更多
关键词
高炉
炉渣碱度
变分模态分解
粒子群优化
双向长短期记忆网络
在线阅读
下载PDF
职称材料
题名
基于VMD-PSO-BiLSTM的高炉炉渣碱度预测模型
1
作者
孟丽丽
彭垚
刘然
郑直
崔溪
刘金祥
机构
华北
理
工
大学
冶金与能源
学院
华北
理
工
大学
机械
工
程
学院
华北理工大学钢铁碳中和学院
出处
《冶金能源》
北大核心
2025年第3期36-41,共6页
基金
国家自然科学基金资助项目(52004096)
河北省自然科学基金资助项目(E2024209101)。
文摘
针对高炉复杂的操作环境、众多的影响因素,以及处理复杂非线性时间序列数据时模型效果不佳等问题,提出了一种基于变分模态分解(VMD)和粒子群优化(PSO)双向长短期记忆网络(BiLSTM)的高炉炉渣碱度预测模型。首先,对某高炉实际生产数据进行综合预处理,并应用VMD方法对数据进行分解。其次,为进一步优化模型性能,采用PSO算法对BiLSTM模型的超参数进行优化。最后,与VMD-BiLSTM、BiLSTM和LSTM模型进行对比。试验结果表明,基于VMD-PSO-BiLSTM的高炉炉渣碱度预测模型有最佳的拟合效果(R^(2)=0.9145)、最小的误差(MAE=6.18×10^(-3),MSE=9.35×10^(-5))和更高的长期预测趋势准确程度(TA=96%),可为高炉炼铁过程的优化控制提供有效的技术支持。
关键词
高炉
炉渣碱度
变分模态分解
粒子群优化
双向长短期记忆网络
Keywords
blast furnace
alkalinity of slag
variational mode decomposition
particle swarm optimization
bidirectional long short term memory network
分类号
TF54 [冶金工程—钢铁冶金]
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VMD-PSO-BiLSTM的高炉炉渣碱度预测模型
孟丽丽
彭垚
刘然
郑直
崔溪
刘金祥
《冶金能源》
北大核心
2025
0
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
