高炉焦炭质量的GA-SVM模型预测

合集下载

基于非参数回归的高炉炉温预测控制模型研究的开题报告

基于非参数回归的高炉炉温预测控制模型研究的开题报告一、研究背景高炉炉温是衡量一座高炉生产效率的重要指标，其变化将影响到高炉内部的热流、物流和化学反应过程，进而影响到炉渣质量、炉料利用率和炉内出铁质量等生产关键指标。

因此，对高炉炉温进行准确预测和及时控制，具有极为重要的现实意义和经济价值。

传统的炉温预测和控制方法主要是基于数理模型的建立和仿真。

但由于高炉内部的复杂性和不确定性，纯粹的数理模型往往难以满足实际生产的需要。

近年来，随着数据挖掘、机器学习等技术的发展，基于数据建模的方法成为了炉温预测和控制研究的热点之一。

非参数回归方法是近年来发展较快的一类数据建模方法，其能够在不预先假设数据分布的情况下，从数据中学习出一个最优的函数拟合模型。

该方法在工业过程建模和控制领域中得到了广泛的应用，但在高炉炉温预测和控制方面的应用还比较少。

因此，本研究将探索使用基于非参数回归的方法进行高炉炉温预测和控制的可行性，并且尝试在该方法的基础上，进一步将其与传统的控制方法相结合，得到更加优化和高效的炉温控制策略。

二、研究目的和意义本研究的主要目的是探索使用基于非参数回归的方法，对高炉炉温进行准确预测和及时控制的可行性，并且进一步研究将该方法与传统的控制方法相结合，优化高炉炉温控制的方案和策略。

此外，本研究还将从以下几个方面具有一定的理论和实际价值：1.提高高炉炉温预测和控制的精度和效率，提升高炉生产效率和质量。

2.拓展非参数回归方法在工业过程建模和控制领域的应用，为该领域的发展做出贡献。

3.丰富高炉炉温预测和控制的研究方法，并且为其他相关工业过程的建模和控制提供参考。

三、研究内容和方法本研究的主要研究内容包括：1.高炉炉温数据的采集和处理，建立高炉炉温的非参数回归预测模型。

2.针对高炉内部复杂的热流、物流和化学反应过程，基于高炉炉温的监控和反馈控制，提出一种高炉炉温控制策略。

3.分别针对上下炉温的控制问题，分析不同的控制模型及其控制效果，在考虑控制延迟、噪声干扰等现实问题的情况下，寻求更适合高炉炉温控制的最佳控制方案。

基于SVM的燃煤电站锅炉飞灰含碳量预测

ｉＡｅｉＭｉｑａＪ－ｎｏｎ
（ｌｃｉＰｗｒｏｅｅＳｕｈＣｉａＵｉｅｉｆｅｈｏｏｙＧａｇｈｕ５０４，ｈａＥｅｔｃｏｅＨｇ，ｏｔｈｎｎｖｒｔｏｃｎｌｇ，ｕｎｚｏ１６０Ｃｉ）ｒＣｓｙＴｎ
中图分类号：Ｔ２３Ｋ２文献标志码：Ａ文章编号：０６８４（０６０ — ３２０１０．７０２０）４０１ — ６
ＦｏｅａｓｉｒｃｔｎｇＵｎｂｎｄｒｏＣｏｅｔｉｈｙＡｓｆｏｕｒｅＣａｂｎｎｔｎｎｔｅＦｌｈｒｍＣｏｌＦｉｅｉｔｉｒｓｎＳａ－ｒｄＵｔｌｙＢｏｌｓＢａｅｏＶＭｉｅｄ
ｓｈｈｗａＶＭｔｏｓｍｏｅａｃｒｔａｅＢｅｒｅｏｋ，ａｄＣａｓｅｆｒｃｔｅｎｅ１ｕｓｓｏｔｔＳｈｍｅｄｉｈｒｃｕａｅｔｎｔＰｎｕａｎｔｒｎａｓｔｆｔｏａｉｄｍａｄｗｌｈｈｌｗｎｉｙｈｅｓｎｇ．
ｃｔｄｒｌｔｎｅｗｅｎｔｅｕｂｒｅａｂｎｃｎｅｔｃａａｔｒｔｓｉｅｆｈａｄｔｅｏｅａｎａａｔｒ．ｔｅａｅｅａｉｓｂｔｅｎｕｄｃｒｏｔｎｈｒｃｅｓｃｎｔｙａｎｈｐｒｔｇｐｒｍｅｅｌｔｏｈｎｏｉｉｈｌｓｉｓｌｈｃｕｌｇｐｒｒｎｅｏｖｒａａｔｒｏｓｄｒｄｔａｅａｖｔｇｓｏｉｈｆｒｃｔｇａｃｒｃ，ｇｏａｐｉｒｐｏｐｉｅｏｍａｃｆｅｙｐｍｅｅｎｉｅ，Ｉｈｔｄａａｅｆｓｅａｉｃｕａｙｌｂｏｔｎｆｅｒｃｅｓｈｎｈｏｓｎｌｍａｐｏ —

焦炭热态性能预测模型

表 5 焦炭热态性能预测模型检验结果
%
Tab． 5 Examing result of
prediction model of coke hot property
%
CRI
CSR
预测值 39． 5
实际值相对误差
39． 0
－ 0． 5
预测值 51． 2
实际值 53． 9
相对误差 2． 7
37． 3
38． 3
35． 5
51． 9
72
32． 6
55． 5
75
33． 8
57． 3
78
31． 2
56． 6
80
28． 5
60． 2
82
30． 6
58． 6
从表 3 可以看出，粘结指数较高的配合煤，其炼制的焦炭的热态性能较好，根据唐山建龙公司的实际状况，配合煤 G 值控制在 75% 左右。 4 煤中矿物质对焦炭热态性能的影响
表 3 不同 G 值的配合煤炼制焦炭的热态性能 %
Tab． 3 Hot properties of coke coking w ith blended coal w ith different G value %
配合煤 G 值 58 65
CRI 42． 0 39． 9
CSR 42． 2 47． 2
68
总第 196 期 2012 年第 4 期
HEBEI M ET ALLU R GY
T otal N o． 196 2012，N umber 4
焦炭热态性能预测模型
王飞，苗莺宾，郭瑞勇，李振波
（唐山建龙实业有限公司焦耐厂，河北唐山 064200）
摘要：影响焦炭热态性能的因素较多，它们相互影响并共同作用于焦炭，实际生产中很难全面掌控。唐

基于GA-SVM回归的成矿有利度预测方法探讨

基于GA-SVM回归的成矿有利度预测方法探讨李东;周可法;孙卫东;王金林;吴艳爽【期刊名称】《新疆地质》【年(卷),期】2014(000)004【摘要】将改进的非线性技术（GA-SVM）应用于成矿预测，为成矿有利度预测方法提供一种新思路。

在分析哈图矿集区成矿有利度基础上，选取28个学习样本、10个与成矿有关的地质变量，应用基于遗传算法（GA）寻优的支持向量机（SVM）方法，对成矿有利度进行建模，并与BP神经网络模型预测结果进行比较。

结果表明，GA-SVM回归预测模型能很好地拟合成矿有利度与各地质变量间的非线性关系。

样本数量有限时，GA-SVM比BP神经网络具较高的拟合精度，更适合非线性成矿预测工作，具较强的推广意义。

%Gold mineralization is a very complex geological process and calls for close coordination of varied geologi-cal processes. The SVM regression model has the fitting ability to simulate nonlinear relationship between each factor automatically. Basedon the analysis of the ore-forming geological background in Hatu ore district, the GA-SVM, param-eters optimized, selecting 28 units as the learning samples, with 10 geological variables as input vector and contribution degree as output vector, has gained good results. Compared with the BP neural network, GA-SVM has higher fitting pre-cision, which is more suitable for nonlinear metallogenic prediction work. This provides a new idea for ore-forming pre-diction and has a strong practical significance.【总页数】6页(P546-551)【作者】李东;周可法;孙卫东;王金林;吴艳爽【作者单位】中国科学院新疆生态与地理研究所，新疆矿产资源研究中心，新疆乌鲁木齐 830011; 中国科学院大学，北京 100049;中国科学院新疆生态与地理研究所，新疆矿产资源研究中心，新疆乌鲁木齐 830011;新疆维吾尔自治区地质矿产勘查开发局信息中心，新疆乌鲁木齐 830000;中国科学院新疆生态与地理研究所，新疆矿产资源研究中心，新疆乌鲁木齐 830011;中国科学院新疆生态与地理研究所，新疆矿产资源研究中心，新疆乌鲁木齐 830011【正文语种】中文【中图分类】TP391【相关文献】1.成矿有利度的支持向量回归预测 [J], 颜七笙2.音频大地电磁测深法与高精度磁法在相山铀矿田西部铀成矿有利远景预测中的应用 [J], 程纪星;谢国发;乔宝强3.成矿有利度分析方法在山东平邑铜石南部地区金矿综合信息成矿预测中的应用[J], 郝广成;常和平4.基于GIS的地浸砂岩型铀矿预测方法——成矿有利度计算法在伊犁盆地南缘VII1亚旋回的应用 [J], 蔡煜琦;黄树桃;李胜祥;赵永安;韩效忠;郑恩玖5.基于ArcGIS的AHP型成矿有利度分区法在多金属矿成矿预测中的应用 [J], 李本召;高帅;赵少杰;黄传计因版权原因，仅展示原文概要，查看原文内容请购买。

焦炭质量预测

焦炭质量预测1 焦炭灰分、硫分预测在生产状况稳定的条件下，焦炭的灰分、硫分与配合煤的灰分、硫分存在较好的线性关系。

一般预测模型为：Y=aX+b应用数理统计中最小二乘法确定方程中的回归系数a，b，并以此控制配合煤的灰分、硫分，以及调整单种煤使用的比例和为选择煤源提供参考。

2 焦炭冷态强度预测焦炭冷态强度（指M40、M10）预测所采用的指标一般为煤化度指标和粘结性指标。

预测方法基本可以分为三类：第一类以煤的工艺指标为参数，如Vdaf与C.I.、MF、G、y的组合，一般常用Vdaf与G的组合，因为这两个因素对焦炭质量起决定性作用。

一般Vdaf为28%~32%，G为88%~72%或y为14~18mm。

配煤的挥发分升高，焦炭裂纹增多，强度下降，特别是M40，配煤挥发分每变化±1%，M40变化±2.0%，M10变化±0.2%；第二类是以煤岩指标为参数进行预测；第三类在考虑配合煤指标的同时，也考虑炼焦煤准备和炼焦工艺条件。

3 热态性质预测法焦炭的热态性质通常采用焦炭的反应性指数（CRI）和反应后强度（CSR）来表示。

预测方法有三种：（1）焦炭冷态指标预测法：这类方法主要基于焦炭冷态性质指标，如焦炭强度（M40、M10）、气孔率与气孔分布、光学组织等来预测。

（2）配合煤指标预测法：该方法依据配合煤反射率、粘结性、惰性物含量以及配合煤其他性质，如灰分、挥发分、灰组成等进行预测。

多数预测模型仅限于生产实践数据或实验数据的统计分析，适用范围也局限于各自炼焦煤种（3）单种煤性质预测法：冯安祖等从单种煤性质入手，研究了不同单种煤的煤化度指标（挥发分、镜质组最大反射率）、粘结性指标、灰组成与其焦炭热性质的关系。

认为煤的挥发分与焦炭的反应性和反应后强度有非常密切的关系。

挥发分位于22%~26%以及Rmax为1.1~1.2 左右，单种焦的热性质最佳。

单种煤的粘结指数（G）、胶质层厚度（y）、全膨胀（a+b）、基氏流动度（lgMF）与焦炭热反应性和反应后强度之间存在基本一致的规律性。

基于SVM逆模型的电炉静态温度预报模型研究

ｎｗｔｔｃｐｒｄｉｔｏｔｏｏｅｓａｉｅｃｉｎｍｅｈｄｆｒＥＡＦｔｍｐｅａｕｅｂｓｄｏＶＭｎｅｓｄｅｓｐｒｓｎｅｎｔｓｐｐｒｅｒｔｒａｅｎＳｉｖｒｅｍｏｌｉｅｅｔｄｉｈｉａｅ．Ｔｈｃｕ－ｅａｃ
中图分类号：ＦＴ３文献标识码：Ａ国家标准学科分类代码：５．０４０５
ＲｅｅｒｈｏｓａｉｅｃｉｎｍｏｌｆｒＥＡＦｅｐｅａｕｒｓｄｓａｃｎｔｔｃｐｒｄｉｔｏｄｅｏｔｍｒｔｅｂａｅ
ｏＳＶＭｎｅｓｏｌｎｉｖｒｅｍｄｅ
ＬｈｎａｕＣｕｍｉｏ，ＧｕＪａｈｎ，ＳｎＹａｇａｇｉｃｅｕｎｕｎ
（ＡｔｔｎＲｓａｃｎｅｉｎＩｓｔｔｏｕｍａｏｅｒａｄＤｓｔｕｏｉｅｈｇｎｉｅｆＭｅｌｒｉｌｎｕｔ，ｅｇ１０７，ＣｉａｔｌｇｃｓｙＢｎ００１ｈｎ）ａｕａＩｄｒ
维普资讯
第２９卷
第４期
仪
器
仪表学报
Ｖｏ．９Ｎ．１２ｏ４
Ａｐｒ２０８．０
２００８年４月
ＣｈｎｓｏｒａｆＳｉｎｉｃＩｓｒｍｅｔｉｅｅＪｕｎｌｏｃｅｔｉｎｔｆｕｎ
言
习、局最优、化能力强等特点，近任意非线性系统全泛逼的能力很强，文尝试采用支持向量机建立电炉温度本预报模型。

焦炭热态性质预测模型的研究

焦炭热态性质预测模型的研究 JN__(-_.8<王光辉范程田文中（武汉科技大学化学工程与技术学院，武汉430081)O__|'1B>_X^___R~~_L随着高炉的大型化和富氧喷煤技术的应用，高炉对焦炭质量提出了更高的要求，衡量焦炭的质量指标有冷态强度和热态强度。

焦炭冷态强度（M40和M10)预测模型的建立已有讨论；焦炭反应性(CRI)和反应后强度(CSR)是表征焦炭热态强度的重要指标，焦炭与CO2的反应程度直接反映了焦炭在高炉中的行为。

用传统的小焦炉进行配煤炼焦试验存在试验周期长、工作量大等不足，采用焦炭预测模型公式来指导配煤则具有明显的优势。

i _zwUS!5e_fk_{_0_d_1 预测模型的建立 @d_EiVF`4:1.1 模型变量的选取 {x@|VuL=_影响焦炭热态强度的因素很多，主要为煤的变质程度、煤的粘结性、炼焦工艺和煤的灰分组成。

煤的变质程度可以通过干燥无灰基挥发分来表征，当炼焦用煤的干燥无灰基挥发分偏高时，焦炭气孔率明显增大，同时也增加了与CO2反应的接触面积，从而降低了焦炭气孔壁的强度，使焦炭的热态强度有所下降。

tSHFm_-_q`研究报导表明，煤的粘结性与焦炭热态强度有较强的关联，只有当煤的粘结性位于合适的范围内时，才能获得满足高炉生产要求的冶金焦炭。

$k_PH_xD!"试验也表明，随着结焦时间的增加，焦炭的粒度、CRI和CSR均有所改善，焦炭的微观结构也有明显变化，各向异性结构的增加导致焦炭热态强度的提高。

这主要是因为结焦后期的热分解与热缩聚程度提高，有利于降低焦炭挥发分和氢含量，使气孔壁材质致密性提高，从而提高了焦炭的显微强度、耐磨强度和反应后强度。

但气孔壁致密化的同时，微裂纹将扩展，因此抗碎强度则有所降低。

|yY`__s6Uq在焦饼加热均匀的基础上，适当提高焦饼温度，使加热速度加快，胶质体固化温度区间加大，可以改善煤的粘结性，同时焦炭挥发分充分析出，炭化程度提高，焦炭结构致密，对CO2侵蚀的抵抗力增强，焦炭反应性减小，因此适当提高炼焦温度，可以改善焦炭热性能。

宝钢焦炭质量预测模型 Ⅱ、焦炭质量预测模型的建立和应用

焦试验数据为基础，立了适用于宝钢的ＳＯ炉焦炭质量预测模型，校正到生产焦炉。实践表明，建Ｃ再该模型能很好
地预测大生产焦炭质量，指导宝钢炼焦配煤生产。预测平均偏差Ｄ为０１％，Ｒ０６％，Ｓ．２。，．６Ｃ／．５ＣＲ０８％
宝钢焦炭质量预测模型
Ⅱ．焦炭质量预测模型的建立和应用
张群，吴信慈，冯安祖，史美仁
２００；２上海宝山钢铁股份公司，上海１０９．２１４）０９Ｏ（．１南京工业大学化工系，江苏南京
摘
ห้องสมุดไป่ตู้
要：在总结国内外焦炭质量预测模型的基础上，采用改进的ＧＤＭＨ方法，以大量ＳＯＳｕａｄＣｋｎ炉炼Ｃ（ｉｌｅｏｅ０）ｍｔ
测焦炭质量。为建立宝钢焦炭质量预测模型，确准推断焦炭质量，到既降低炼焦成本，达又确保高炉大
收稿日期：２０．０１；修回日期：０２０－７０１１－６２０－１０
不同。日本新日铁［采用煤的最大流动度和煤灰碱１度指数确定焦炭反应后强度和反应性，国内陆钢美铁公司应用新日铁方法进行预测时，于原料煤］由胶质体流动度过高，灰成分中含碱过多导致新日且铁模型不适用，于是采用煤的硫分和煤的塑性温度范围以及煤灰碱度指数预测焦炭强度，认为仅根并据煤岩特征并不能精确预测焦炭的热性质。日本钢

基于元素分析的煤粉工业分析GA-SVM预测模型

基于元素分析的煤粉工业分析GA-SVM预测模型陈红;黎盛鸣;耿向瑾;赵明;谭鹏;方庆艳;张成【摘要】运用遗传算法(genetic algorithm,GA)和支持向量机(support vector machine,SVM)方法,建立了基于元素分析的煤质工业分析快速预测模型.该模型基于以干燥基为基准的6029组美国煤质数据,以煤质元素分析(C、H、O、N、S)为输入,工业分析(挥发分、固定碳)为输出.另外通过实验得到74组中国煤质数据,用于模型验证.结果表明:以美国煤质数据构建的模型,挥发分、固定碳预测平均相对误差分别为4.60%、3.22%;用中国煤质数据验证模型时,挥发分、固定碳预测平均相对误差分别为9.16%、3.55%.该模型预测误差较小,能较好地利用元素分析数据预测固定碳、挥发分.%Genetic algorithm (GA)and support vector machine (SVM)methods were used to build a rapid prediction method for pulverized coal proximate analysis based on ultimate analysis.According to 6 029 groups of the U.S.pulverized coal da-ta,this model took ultimate analysis on pulverized coal including C,H,O,N and S as inputs and proximate analysis inclu-ding volatile and fixed carbon as outputs.Another 74 groups of Chinese pulverized coal data were obtained through standard experiments for model verification.Corresponding results indicate average relative errors of prediction on volatile and fixed carbon of theU.S.pulverized coal are 4.60% and 3.22%,and average relative errors of prediction on volatile and fixed carbon of the Chinese pulverized coal are 9.16% and 3.55%.It is proved this model can well make use of ultimate analysis data to predict fixed carbon and volatile and has small prediction errors.【期刊名称】《广东电力》【年(卷),期】2018(031)001【总页数】6页(P30-35)【关键词】煤粉;元素分析;工业分析;支持向量机;遗传算法;预测【作者】陈红;黎盛鸣;耿向瑾;赵明;谭鹏;方庆艳;张成【作者单位】云南电力试验研究院(集团)有限公司,云南昆明650051;煤燃烧国家重点实验室(华中科技大学),湖北武汉430074;云南电力试验研究院(集团)有限公司,云南昆明650051;云南电网有限责任公司电力科学研究院,云南昆明650051;煤燃烧国家重点实验室(华中科技大学),湖北武汉430074;煤燃烧国家重点实验室(华中科技大学),湖北武汉430074;煤燃烧国家重点实验室(华中科技大学),湖北武汉430074【正文语种】中文【中图分类】TK16火力发电厂正在向以效益为目标的市场型企业转变，提高收益、减少发电成本成为火电厂的核心问题[1-2]，而发电成本中，燃料成本占很大一部分，因此如何减少燃料成本成为现在火电厂重点关注的问题。

动态配煤下焦炭质量预测模型的研究

1 文献综述1.1 研究背景近几十年,随着高炉的大型化、富氧喷吹煤粉等技术的发展，高炉生产对焦炭质量的要求愈来愈高，稳定和改善焦炭质量已成为焦化行业所面临的主要课题之一。

但用配煤炼焦实验来指导配煤存在工作量大、试验周期长等特点，生产上需要寻求更为快速、准确、科学的预测焦炭质量的方法。

宝钢配煤工作主要依靠炼焦试验和生产经验为主，缺乏精确的焦炭强度模型进行预测，然而根据煤质数据预测焦炭质量，在世界范围已经引起重视。

日本新日铁采用煤的最大流动度和煤灰碱度指数AI来预测CSR和CRI，美国内陆钢铁公司应用新日铁方法进行焦炭预测时，由于原料煤胶质体流动度过高，且灰成分中含碱过多导致新日铁模型不适用,于是采用煤的硫分和煤的塑性温度范围以及煤灰碱度指数来预测焦炭强度，并认为仅根据煤岩特征并不能精确预测焦炭的热性质。

日本钢管公司则考虑了炼焦工艺条件对焦炭质量的影响,增加了火道温度这一工艺因素对焦炭质量的影响。

加拿大炭化研究所(CCRA)则采用膨胀度，配合煤挥发分和碱度指数来预测焦炭热性质；英国钢铁公司还采用煤的反射率和铁、钙、硅含量来预测.我国酒钢采用以煤的挥发分或反射率和惰性成分含量预测。

可见，由于配煤实践和工艺条件不同，已有的预测方法和模型有各自的适用范围，且需在大生产实践中不断修正。

目前可供预测焦炭质量的不同模型应考虑到配煤的种类。

1。

2 配煤炼焦技术1。

2。

1 配煤炼焦的意义配煤炼焦就是将几种不同类别的炼焦用煤按一定比例配合作为加入炼焦炉炼焦的原料.配煤炼焦在合理利用炼焦煤资源、保证炼焦生产的顺利进行和提高焦炭质量等方面有重要的意义。

(1）中国炼焦用煤产量较多,约占全国原煤总产量的40%以上,煤种也较全,但中国煤炭储量中，炼焦用煤只占27％。

在炼焦用煤资源中高挥发分、黏结性中等的1/3焦煤和气煤约占45%，中等挥发分、黏结性较好的烟煤如焦煤、肥煤约占21%和15％，低挥发分的瘦煤和贫瘦煤也占20％左右。

基于GRU神经网络多标签多分类的焦炭质量预测模型

够进行复杂的逻辑操作和非线性关系实现。神经网
络由大量的节点彼此连接形成,每个节点通过激活
函数(
a
c
t
i
va
t
i
onf
unc
t
iபைடு நூலகம்
on)进行非线性优化,并根据
反向传播完成权重值的调节,学习规则主要的作用
就是利用特殊的函数规则在神经网络训练过程中不
相比以往模型,
GRU(
t
er
e
cu
r
r
en
tun
i
t)模型
ga
于传统循环神经网络 (
r
e
cu
r
r
en
tneur
a
lne
two
rk,
RNN),
GRU 模型计算复杂度相比长短期记忆网络
(
l
ongsho
r
t
t
e
rm memo
r
y,LSTM )计算复杂度要
小。因此,本研究提出了基于小样本的 GRU 神经
语言处理
、煤矿工作面瓦斯浓度预测
[
19]
译、语音识别等方面已经有很多应用
、机器翻
[
20]
RNN 容易出现梯度消失或者梯度爆炸,而 GRU 神
经网络巧妙地利用记忆门控制运算,使得网络计算
过程始终处在动态变化中,避免了梯度消失或者梯
导致收敛速度过慢等问题;卢建文等 [8]在配煤炼焦

基于神经网络的高炉炉渣成分分析模型研究

基于神经网络的高炉炉渣成分分析模型研究高炉炉渣是冶炼过程中产生的重要副产品，其成分分析对于炼铁工艺的优化和产品质量的控制至关重要。

随着人工智能技术的不断发展，基于神经网络的高炉炉渣成分分析模型成为了炼铁工程领域的研究热点。

本文将探讨这一模型的研究现状、方法和应用前景。

神经网络是一种模仿人脑神经元网络结构进行信息处理的数学模型。

在高炉炉渣成分分析中，神经网络模型通过学习大量数据样本，自动发现特征之间的复杂关系，并能够对新数据进行准确预测。

相比传统的基于统计学方法的分析模型，基于神经网络的模型具有更强的非线性拟合能力和适应性，能够更好地处理多变的炉渣成分数据。

首先，研究人员需要收集大量的高炉炉渣样本数据，包括其化学成分、物理性质等信息。

这些数据将作为神经网络模型的训练集，用于模型参数的学习和调整。

同时，为了提高模型的泛化能力，还需要将数据集分成训练集、验证集和测试集，并采用交叉验证等方法对模型进行评估和优化。

其次，选择合适的神经网络结构和算法是模型研究的关键。

常用的神经网络结构包括前馈神经网络（Feedforward Neural Network，FNN）、循环神经网络（Recurrent Neural Network，RNN）、卷积神经网络（Convolutional Neural Network，CNN）等。

研究人员可以根据数据特点和分析任务的复杂程度选择合适的网络结构，并通过调整网络层数、节点数、激活函数等参数来优化模型性能。

在模型训练过程中，还需要注意数据预处理和特征工程的重要性。

高炉炉渣数据往往存在缺失值、噪声和异常值等问题，需要采用数据清洗、归一化、标准化等方法进行处理，以提高模型的稳定性和准确性。

此外，针对不同的分析任务，研究人员还可以通过特征选择、降维等技术提取更有效的特征信息，进一步优化模型性能。

最后，基于神经网络的高炉炉渣成分分析模型在炼铁工程中具有广泛的应用前景。

通过准确预测炉渣成分，可以帮助工程师实时监控冶炼过程，调整操作参数，提高生产效率和产品质量。

焦炭机械强度预测模型的研究

焦炭机械强度预测模型的研究吕青;何小刚;谢克明【摘要】The coke mechanical strength is an important index of coke quality, and an accurate predictive model of coke mechanical strength can ensure the coking production going well.Predicting the coke mechanical strength by support vector regression and detailedly analyzing the different forecasting effects with the different indexes of the blend coal and the coking process,the effective characteristic parameters are founded to establish the coke mechanical strength model. With the characteristic parameters selected, when 85≤M25≤90 or 6≤M10≤12, the predictive accuracy of the support vector machines model is high, the predictive error is small, the correlation is strong, and the generalization ability of the prediction model is great.%焦炭机械强度是焦炭质量的重要指标,建立准确的焦炭机械强度预测模型可保证炼焦生产顺利进行.把支持向量回归机用于焦炭机械强度的预测,详细地分析了不同配煤煤质特性指标及炼焦工艺指标情况下的预测效果,找到了建立预测模型的有效特征参数.基于所选特征参数,当85≤M25≤90,6≤M10≤12时,支持向量机模型的预测准确率高,误差小,相关性强,同时,预测模型的泛化能力强.【期刊名称】《煤炭转化》【年(卷),期】2011(034)001【总页数】4页(P18-21)【关键词】焦炭机械强度;支持向量回归机;泛化能力【作者】吕青;何小刚;谢克明【作者单位】太原理工大学信息工程学院,030024,太原;太原理工大学信息工程学院,030024,太原;太原理工大学信息工程学院,030024,太原【正文语种】中文【中图分类】TQ520.1;TP810 引言焦炭在高炉冶炼中主要是热源、还原剂和骨架作用,其中,焦炭提供热量和还原剂的作用可以由高炉喷煤替代,但骨架作用是无可替代的,为此焦炭应具有一定的机械强度.[1]焦炭机械强度是由两个指标即抗碎强度 M25和耐磨强度 M10组成,M25对焦块在高炉内承受的压力和冲击能力具有一定的模拟性,M10对焦块在高炉内的磨损有良好的模拟性,这两个指标反映了焦炭的一定骨架作用,是衡量焦炭质量的重要指标,建立它们的准确预测模型十分必要.目前,国内外预测焦炭机械强度的方法很多.[2,3]一般情况下,预测模型均建立在各厂的不同煤源、不同配煤实践和不同的工艺条件的基础上,通过大量的炼焦实验获得数学模型,而且在生产实践中还要对模型不断修正,有着各自的适用范围.对于本文的研究对象山西省河津市某焦化厂焦炭,不能直接使用现成的机械强度预测模型,甚至采用最常用的二元线性回归模型预测效果也不理想.考虑到影响焦炭机械强度的因素众多,情况复杂,本质上是非线性问题,本文采用支持向量机方法来建立 M25和 M10的预测模型.在 SVM回归建模时,不同的特征输入在很大程度上影响回归模型的性能,文中分析比较了不同配合煤煤质特性指标及炼焦工艺指标情况下的SVM预测效果,支持向量机基于所选的有效特征参数下的机械强度模型的预测性能好,推广能力强,满足实际生产需要.1 支持向量回归机基本模型支持向量机(SVM)是20世纪90年代中期由Vapnik等提出的一种新的机器学习方法,它采用结构风险最小化原则,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中,以获得最好的推广能力.支持向量回归机可形象理解为用柔软、可弯曲、具有恢复水平弹性的ε-管道套住尽量多的训练样本,ε-管道的中心线就是回归曲线,对超出管道之外的样本由松弛因子惩罚.[4-7]样本训练集假定为{(x1,y1),…,(xl,yl)},其中xi∈Rn为输入值,yi∈R为对应的目标值,l 为样本数.函数回归问题最终可归结为一个求解约束条件下的凸二次规划问题:＊国家自然科学基金资助项目(60843006).1)博士生、讲师;2)副教授、硕士生导师;3)教授、博士生导师,太原理工大学信息工程学院,030024 太原收稿日期:2010-05-19;修回日期:2010-06-252 基于支持向量机的焦炭机械强度预测模型的建立与分析以山西河津某焦化企业为例,每天的生产日报要记录入炉配合煤的性质指标、反映炼焦工艺的一些参数和出炉焦炭的质量指标数据,其中,入炉配合煤要作灰分、全硫、水分、细度、挥发分(Vdaf)和黏结指数(G)共6项指标分析,涉及炼焦工艺的有焦炉平均温度和结焦时间,焦炭的指标有灰分、硫、水分、挥发分、M25和M10,本文着重研究焦炭的机械强度指标,主要是建立 M25和 M10预测模型.配合煤性质和炼焦工艺条件都会影响焦炭机械强度,两种预测模型涉及到的是8个参数,这些参数会不同程度影响机械强度,支持向量机选择哪些特征参数输入影响所建立回归模型的性能,因此比较不同配合煤煤质特性指标及炼焦工艺指标情况下的SVM预测效果.SVM输入特征参数只考虑配合煤煤质指标做了三个实验.实验一:SVM特征参数为配合煤的挥发分(Vdaf)和黏结指数(G).实验二:SVM特征参数为配合煤的细度、挥发分(Vdaf)和黏结指数(G).实验三:SVM特征参数为配合煤的灰分、全硫、水分、细度、挥发分(Vdaf)和黏结指数(G).把炼焦工艺参数加入SVM特征输入量,做了两个实验.实验四:SVM特征参数为配合煤的细度、挥发分(Vdaf)和黏结指数(G)及焦炉平均温度和结焦时间.实验五:SVM特征参数为配合煤的灰分、全硫、水分、细度、挥发分(Vdaf)和黏结指数(G)及焦炉平均温度和结焦时间.五个实验支持向量机的输出量(目标值)分别为M25和M10.对比实验结果见第20页表1和表2,实验三的训练及测试样本集的预测结果见图1.3 结果与讨论图1 实验三基于支持向量机的 M10和 M25预测值与实际值Fig.1 M10,M25 actual value and M10,M25 p redicted value w ith SVR in Experiment 3a——M10;b——M25+ ——Testing data;●——Training data由图1可知,训练样本集和测试样本集的预测结果交织在一起,两类样本集的预测误差相当,甚至个别预测误差较大的点是支持向量机训练过的样本点,说明基于支持向量机的预测模型对于训练样本以外的预测效果也很稳定,SVM模型的泛化性能好.由图1还可知,对于M25和M10,出现较大预测误差的点都发生在两端极值范围内,这与样本的分布有关,本文用的样本集是实际生产的日报,数据主要集中在85≤M25≤90,6≤M10≤12范围,分布在两端极值区域的样本点的比较少,导致SVM 训练不充分,补充一定样本后,预测效果应会加强.由表1和表2中实验一、二、三的结果对比可见,选对结焦性起决定性作用的两种指标(挥发分和黏结指数),作为支持向量机的输入是不够的,6种配合煤的指标全部作为支持向量机的输入量时,所建立模型的预测效果最好.配合煤煤质的6个指标综合了更多对结焦影响的因素,所含有的信息多,把它们作为支持向量机建模方法的特征参数是合理有效的.对比表1和表2中实验二、四和实验三、五,再加入两种炼焦工艺参数后,支持向量机模型预测M25和M10的结果与之前没太大变化,说明两种炼焦工艺指标可以不作为支持向量机的输入量.可能由于工艺条件相对稳定,对焦炭质量的影响没有体现出来.表1 不同特征参数下SVR预测 M 10的比较Table 1 Comparison of M10 p redicted values under the different characteristic parameters of SVRNote:2009’s daily p roduction data of some coking plant in Hejin City,Shanxi Province are equally divided into 4 groups,w hich are numbered 1,2,3,4.Choose any 3 groups to constitute the training set w hich is used to train the SVRmodel,and the remaining group is as the testing set for exam ining the p redictive ability of the SVR model.In Table 1,2,123-4 means that the 1,2,3 groups are used to train the SVR model and the 4 group to test themodel.124-3,134-2 and 234-1 have the similarmeaning.Co rrelation coefficient refers to the co rrelation relationship between the actual value and the p redicted value in tables.Number of training and testing sample sets M10 actual value M 10 p redicted value of Experiment 1 M 10 p redicted value of Experiment 2 M 10 p redicted value of Experiment 4 M 10 p redicted value of Experiment 3 M 10 p redicted value of Experiment 5 123-4 Maximum minus minimum 12.10 3.93 4.52 4.34 4.26 4.41 Co rrelation coefficient 0.50 0.58 0.62 0.74 0.71 124-3 Maximum minus minimum 12.10 3.70 3.67 4.91 4.46 4.56Correlation coefficient 0.53 0.57 0.61 0.72 0.72 134-2 Maximum minus minimum 8.20 3.25 4.82 5.49 4.49 4.14 Co rrelation coefficient 0.48 0.52 0.65 0.76 0.77 234-1 Maximum minus minimum 10.40 3.67 3.82 4.72 5.40 4.40 Co rrelation coefficient 0.48 0.57 0.61 0.77 0.76表2 不同特征参数下SVR预测 M 25的比较Table 2 Comparison of M25 p redicted values under the different characteristic parameters of SVRNumber of training and testing samp le sets M25 actual value M25 p redicted value of Experiment 1 M25 p redicted value of Experiment 2 M25 p redicted value of Experiment 4 M25 p redicted value of Experiment 3M25 p redicted value of Experiment 5 123-4 Maximum minus minimum 16.20 8.05 8.78 8.50 9.12 8.05 Correlation coefficient 0.49 0.49 0.54 0.74 0.71 124-3 Maximum minus minimum 16.20 8.03 8.90 8.36 8.30 8.06 Co rrelation coefficient 0.47 0.50 0.51 0.78 0.72 134-2 Maximum minus minimum 15.10 9.31 9.11 9.13 9.79 9.59 Co rrelation coefficient 0.55 0.56 0.58 0.75 0.76 234-1 Maximum minus minimum 15.90 8.46 8.99 8.52 8.07 8.90 Co rrelation coefficient 0.49 0.53 0.57 0.74 0.77由表1和表2可以看出,在不同的训练及测试样本集下,M25和M10预测值的极差都小于它们实际值的极差,说明支持向量机方法预测值的范围缩小了,预测值集中在样本量大的区域范围里.在表1和表2中,同一个实验所选训练及测试样本集不同得到的结果却近似,说明生产日报数据可以满足支持向量机对样本集的要求,可以作为支持向量机机械强度模型的训练样本.4 结论在工艺条件相对稳定情况下,选择配合煤的灰分、全硫、水分、细度、挥发分(Vdaf)和黏结指数(G)作为特征因素,建立基于支持向量机的焦炭机械强度预测模型,模型的预测误差小,相关性好,泛化能力强,满足工厂的实际需要.本文方法是建立焦炭机械强度预测模型的有效方法,对于焦炭其他指标如热强度以及焦化企业配合煤指标的预测可提供参考借鉴作用.参考文献[1] 贺永德.现代煤化工手册[M].北京:化学工业出版社,2005.[2] 谢海深,刘永新,孟军波等.焦炭质量预测模型的研究[J].煤炭转化,2006,29(3):54-57.[3] 孟庆波,刘洋,郭武卫等.用镜质组反射率分布控制水钢焦炭质量的研究[J].煤炭转化,2009,32(4):61-65.[4] Vapnik V,Vashist A.A New Learning Paradigm:Learning Using Privileged Information[J].Neural Networks,2009,22(6):544-557.[5] Vapnik V N.An Overview of Statistical Learning Theory[J].IEEE Transactions on Neural Networks,1999,10(5):988-999.[6] 李国正,王猛,曾华军等.支持向量机导论[M].北京:电子工业出版社,2005.[7] 邓乃扬,田英杰.数据挖掘中的新方法——支持向量机[M].北京:科学出版社,2004.。

焦炭反应性及反应后强度预测模型研究与分析

式中, k 为反应速率常数; t 为软化范围内的反应时间; M 为胶质体质量百分数. 中间相的生成也可按一级反应处理[ 7] , 其动力学方程为
22 2
62 1
21 1 337 0 86 110 10 781 44
65 7 7 7 21 7 0
28 2
54 6
22 1 034 0 83
99 11 16 1 16
0 39
3 00
0 78
52 9 10 7 31 4 1 2
25 0
56 8
23 1 245 0 83
91 9 81
26 2
57 0
6 1 175 0 88 134 9 07 0 42
0 82
1 95
0 46
58 8 10 2 28 2 0 2
21 9
67 3
7 0 951 7 87 118 9 51 0 22
0 42
3 50
0 59
50 2 9 4 33 7 4 1
22 9
72 3
8 1 096 0 94 118 9 84 0 48
近年来, 高炉普遍采用富氧喷吹煤粉技术来降低吨铁消耗焦炭的比例 ( 简称焦比) , 使得焦炭在高炉中停留时间延长, 受到的降解作用加剧. 为了保证高炉良好的透气、透液性, 对焦炭质量提出了更高的要求, 特别是焦炭的反应性 ( CRI) 及反应后强度 ( CSR) . 从煤化学及煤岩学的角度来看, 煤的性质取决于成煤植物及成煤过程. 对于腐植煤, 其性质主要取决于成煤过程, 即泥炭化过程中的生物化学作用 ( 由煤岩组成和还原程度反映) 、成岩作用、变质作用 ( 由变质程度反映) . 对于炼焦用烟煤, 成岩作用的影响相对较小, 其性质主要取决于显微煤岩组成、还原程度、变质程度以及碱性矿物质含量. 但目前对煤的还原程度尚无表征指标, 一般多采用煤岩组成和粘结性甚至硫含量间接反映其影响. 对于影响焦炭反应性及反应后强度的煤质因素, 国内外许多研究者的研究结果证实了煤的变质程度、煤岩组成、粘结性质以及煤中碱性物质含量是主要影响因素. 利用炼焦煤性质建立数学模型预测焦炭反应性及反应后强度的研究, 受到焦化、冶金行业的普遍关注. 日本新日铁采用煤的最大流动度、灰分碱度为自变量, 建立与焦炭反应性及反应后强度关联的模型[ 1] ; 加拿大炭化研究会采用煤的膨胀度、挥发分、碱度进行焦炭热性质预测[ 2] ; 美

基于GRA-GASA-SVM的煤层瓦斯含量预测方法研究

基于GRA-GASA-SVM的煤层瓦斯含量预测方法研究
田水承;任治鹏;马磊
【期刊名称】《煤炭技术》
【年(卷),期】2024(43)1
【摘要】为提升煤层瓦斯含量预测精度,提出一种采用遗传模拟退火算法混合优化支持向量机(SVM)参数的瓦斯含量预测模型(GRA-GASA-SVM模型)。

该模型将GA和SA整合为遗传模拟退火算法协同优化SVM的参数,以解决传统网格寻优算法取值范围无法确定和单一智能算法优化程度有限等问题。

利用灰色关联分析(GRA)压缩数据集维度,建立瓦斯含量预测参数体系并作为GASA-SVM的输入数据集。

结果表明:SVM模型、GA-SVM模型和GASA-SVM模型10折交叉验证瓦斯含量预测总平均相对误差分别为15.98%、13.55%和10.58%。

相比SVM模型和GA-SVM模型,GASA-SVM模型预测稳定性更优、预测精准度更高且对新样本泛化能力更强。

【总页数】5页(P114-118)
【作者】田水承;任治鹏;马磊
【作者单位】西安科技大学安全科学与工程学院;西安科技大学安全与应急管理研究所
【正文语种】中文
【中图分类】TD712
【相关文献】
1.煤层瓦斯含量预测的瓦斯地质方法研究
2.保护层开采条件下煤层残余瓦斯含量预测方法研究
3.煤层瓦斯含量预测方法研究
4.基于GASA-BP神经网络的煤层瓦斯含量预测方法研究
5.基于LSSA-BP神经网络的煤层瓦斯含量预测方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于GA优化LSSVM高炉铁水含硅量预报

基于GA优化LSSVM高炉铁水含硅量预报王龙辉;高嵩;屈星【期刊名称】《太赫兹科学与电子信息学报》【年(卷),期】2013(000)004【摘要】铁水含硅量是表征高炉生铁质量的重要指标，也是反映高炉内部热状态的重要参数。

为了提高铁水含硅量测量精确度，保证高炉顺行，提出一种基于最小二乘支持向量机(LSSVM)的铁水含硅量预报模型，采用遗传算法(GA)确定模型参数的优化组合，以改善模型性能。

将某钢管厂高炉的实际运行数据经过预处理后作为模型的训练和测试样本，进行模型预报实验，并与神经网络模型和时间序列分析模型的预报性能进行了比较。

基于 GA优化参数的 LSSVM模型对铁水含硅量预报的最大相对误差为5.8%，相关系数为0.926375，预报精确度比直接 LSSVM模型提高了2.1%，比前向神经网络模型提高了4.3%。

%Hot metal silicon content has long been used as one of the most important indices to represent the hot metal quality and the thermal state of a blast furnace. In order to improve the measurement precision and attain stable operation of the blast furnace, a novel model for predicting silicon content by using Least Square Support Vector Machine(LSSVM) is presented. It adopts Genetic Algorithm(GA) to determine the optimum parameter set and therefore improves the model performance. By training and testing the operational data from blast furnace at a steel tube plant, the experimental results indicate that the proposed model can predict silicon content in hot metal with a maximum relative error of 5.8 % and correlation coefficient of0.926 375, whose accuracy can be improved by 2.1% and 4.3% than that of the direct LSSVM and the feed-forward network with the same data set, respectively.【总页数】5页(P641-645)【作者】王龙辉;高嵩;屈星【作者单位】南华大学经济管理学院，湖南衡阳 421001;南华大学电气工程学院，湖南衡阳 421001;南华大学电气工程学院，湖南衡阳 421001【正文语种】中文【中图分类】TN911.6【相关文献】1.石钢高炉铁水含硅量神经网络预报模型 [J], 郭建斌;郭建国2.应用混沌粒子群优化训练的BP神经网络预报高炉铁水含硅量 [J], 徐生林;史燕;杨成忠3.高炉铁水含硅量组合预报模型 [J], 龚淑华;渐令4.基于GA优化LSSVM高炉铁水含硅量预报 [J], 王龙辉;高嵩;屈星;5.双层自校正预报方法及其在高炉铁水含硅量预报中的应用 [J], 张乃尧;张彦;晏龙华因版权原因，仅展示原文概要，查看原文内容请购买。

焦炭质量预测模型

焦炭质量预测模型
谢海深;刘永新;吕庆;孟军波
【期刊名称】《东北大学学报（自然科学版）》
【年(卷),期】2007(028)003
【摘要】随着高炉大型化、富氧喷吹技术的发展,焦炭在高炉中的骨架作用愈加重要,钢铁企业迫切要求提高焦炭质量,为此需建立一组准确的焦炭质量预测模型,以更好地指导炼焦生产.在分析总结了国内外焦炭质量预测模型的基础上,对小焦炉实验数据进行了分析与回归,通过线性加修正的方法建立炼焦配煤数学模型,得到了焦炭灰分、硫分、机械强度(M40,M10)和热性质(CRI,CSR)的预测模型.通过实际生产进行了验证,模型的预测值与实测值间的误差均在6%以下,能很好地满足实际生产需求,为焦化厂快速准确得到配煤方案提供了理论依据.
【总页数】5页(P373-377)
【作者】谢海深;刘永新;吕庆;孟军波
【作者单位】东北大学,材料与冶金学院,辽宁,沈阳,110004;河北理工大学,化工与生物技术学院,河北,唐山,063009;河北理工大学,化工与生物技术学院,河北,唐
山,063009;河北理工大学,化工与生物技术学院,河北,唐山,063009
【正文语种】中文
【中图分类】TF531
【相关文献】
1.韶钢焦炭质量预测模型的研究 [J], 曾令鹏;刘克辉;范国光
2.宝钢焦炭质量预测模型Ⅱ. 焦炭质量预测模型的建立和应用 [J], 张群;吴信慈;冯安祖;史美仁
3.基于交叉验证的级联BP神经网络的焦炭质量预测模型 [J], 阎少宏;吴宇航
4.基于梯度提升决策树的焦炭质量预测模型研究 [J], 程泽凯;闫小利;程旺生;袁志祥
5.柳钢焦炭质量预测模型的研究 [J], 唐炜;陈静春;游坚;王永树;张代林
因版权原因，仅展示原文概要，查看原文内容请购买。