為了準確地預測煉鋼生產中脫氧合金化過程中元素收得率,本研究基于BP與RBF神經網絡模型對脫氧合金冶煉中元素收得率預測精度進行對比分析。結果表明:（1）根據預測結果精度確定脫氧合金冶煉中元素收得率預測使用BP神經網絡模型;（2）基于BP神經網絡模型對脫氧合金冶煉中C、Mn兩種元素收得率進行預測分析得出:C元素收得率預測區(qū)間為[0.894 9,0.901 2]、 Mn元素收得率預測區(qū)間為[0.904 5,0.919 5]�；贐P神經網絡模型能夠較為準確地預測脫氧合金冶煉中元素收得率區(qū)間,從而控制合金用量,達到降低煉鋼成本的目的。 

【文章來源】：青海大學學報. 2020,38(04)

【文章頁數】：8 頁

【部分圖文】：

BP神經網絡結構示意圖

RBF神經網絡結構示意圖

通過對C元素收得率預測結果的網絡響應進行分析,將驗證數據、訓練數據、測試數據放在數據集中,由于線性回歸之前需要對網絡輸出進行反規(guī)范轉換,三組輸出值進行三次回歸分析。網絡輸出和相應的期望輸出進行線性回歸分析見圖7。由圖7可知,基于BP神經網絡模型擬合程度較為準確,三次回歸分析相關系數均在0.5左右,表明網絡輸出和期望輸出間關系較為顯著,可以基于BP神經網絡建立脫氧合金冶煉中元素預測模型。3.2 Mn元素收得率預測

【參考文獻】：
期刊論文
[1]BP神經網絡預測控制在色素得率的應用[J]. 程換新,孟祥勇,崔麗潔,孔玲玲.  電子測量技術. 2017(11)
[2]基于RSRBFNN的鈦合金焊接接頭疲勞壽命預測[J]. 鄒麗,楊鑫華,孫屹博,鄧武.  焊接學報. 2015(04)

碩士論文
[1]多目標粒子群算法及其在轉爐煉鋼中的應用研究[D]. 何泳.大連理工大學 2016
[2]基于群智能優(yōu)化算法的燒結配料優(yōu)化設計與應用[D]. 王明.天津理工大學 2013
[3]LF精煉脫氧合金化模型開發(fā)與在線應用[D]. 胡井濤.東北大學 2011
[4]基于多目標微粒群的轉爐合金加入量優(yōu)化研究[D]. 徐俏.大連理工大學 2010



本文編號：3514326