申请/专利权人：安徽工业大学

申请日：2024-01-12

公开（公告）日：2024-04-12

公开（公告）号：CN117877617A

主分类号：G16C20/30

分类号：G16C20/30;G16C20/70;G06N3/126;G06N3/006;G06N3/0499;G06N3/048;G06N3/0985

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种融合差分进化和鲸鱼算法确定转炉合金加入量的方法，属于钢铁冶金技术领域。本发明包括以下步骤：收集转炉生产数据集；融合差分进化和鲸鱼算法，得到DE‑WOA优化算法；使用DE‑WOA算法优化BP神经网络，得到DE‑WOA‑BP神经网络；使用DE‑WOA‑BP神经网络训练得到模型；使用模型预测计算合金加入量。本发明主要解决现有使用BP神经网络确定转炉合金加入量时对初始权重和学习率较敏感而导致转炉炼钢出钢过程合金加入量控制精度低、出钢钢液成分控制精度低和合金投入成本高的技术问题，提高了钢水质量与经济效益。

主权项：1.一种融合差分进化和鲸鱼算法确定转炉合金加入量的方法，其特征在于，包括以下步骤：S1.采集转炉生产环境数据，构建用于训练神经网络模型和存储经人工修正后的模型预测结果的数据库；S2.根据冶金原理，确立数据库中影响转炉出钢过程合金加入量的工艺变量，作为神经网络模型的输入量；S3.对数据进行预处理操作，新建三层网络层的BP神经网络模型，将得到的预处理后的转炉生产环境数据集用于对神经网络模型的训练；S4.使用DE-WOA算法和适应度函数迭代步骤S3中建立的BP神经网络模型的神经元数量、学习率、权值和偏置参数，并根据适应度函数返回值评估参数组合的性能，将返回值最小的参数组合，作为最佳参数组合应用到BP神经网络，得到DE-WOA-BP神经网络模型；S5.对DE-WOA-BP神经网络模型进行训练和测试；S6.采集所需的转炉冶炼过程的实时工艺变量，使用DE-WOA-BP神经网络模型对其进行预测，计算出转炉冶炼过程中应加入的合金类型及其重量；根据预测结果进行合金配加，出钢结束，将数据存入DE-WOA-BP神经网络模型的数据库。

全文数据：

权利要求：

百度查询： 安徽工业大学 一种融合差分进化和鲸鱼算法确定转炉合金加入量的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD