典型文献
基于机器学习算法的熔渣液相线温度预测
文献摘要：
炉渣流动性能是冶金流程高效安全进行的重要因素,由于熔渣成分复杂、高温试验难以精确开展,熔渣液相线温度的准确预测是一个难点.近年来人工智能技术的快速发展,在流程长、工艺复杂的冶金领域得到了广泛应用.通过BP神经网络模型、RBF神经网络模型以及随机森林模型来预测转炉多元渣系CaO-SiO2-MgO-Fe2O3-MnO-P2O5-Al2O3的液相线温度,通过相关误差值评价模型训练效果.结果表明,三个模型的均方根误差分别为6.114 1、8.834 0、5.111 5℃,所建模型能较好地预测该多元渣系的液相线温度.模型可以在冶金流程中涉及炉渣流动性控制的环节发挥关键作用,为相关工艺优化提供参考,如在转炉智能溅渣护炉控制中,基于随机森林模型预测转炉渣液相线温度,动态改变溅渣护炉工艺参数,为最佳溅渣护炉方案的确定提供理论指导.
文献关键词：
多元渣系;液相线温度预测;BP神经网络;RBF神经网络;随机森林;溅渣护炉
中图分类号：
作者姓名：
钟巍;鲍光达;王海川;吴婷;仇圣桃
作者机构：
钢铁研究总院,北京100083;安徽工业大学冶金工程学院,安徽马鞍山243032
文献出处：
引用格式：
[1]钟巍;鲍光达;王海川;吴婷;仇圣桃-.基于机器学习算法的熔渣液相线温度预测)[J].炼钢,2022(03):12-19
A类：
液相线温度预测,多元渣系
B类：
基于机器学习,机器学习算法,熔渣,流动性能,冶金,金流,高效安全,高温试验,准确预测,金领,RBF,随机森林模型,CaO,SiO2,MgO,Fe2O3,MnO,P2O5,Al2O3,误差值,模型训练,训练效果,如在,溅渣护炉,转炉渣
AB值：
0.216495
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
