联合大数据和神经网络的高炉透气性预报模型

摘要：

高炉的透气性对炉况的顺行至关重要,尤其是对受透气性约束(焦比大幅降低)的低碳高炉,但相关的研究十分有限.在生产实践中,高炉的透气性往往由后验获得,当高炉生产不稳定或炉况异常时,后验方法使得透气性的提高变难,此外,在低碳高炉的设计阶段是不可能通过后验方法获得其透气性的.因此,需建立先验的透气性指数预测模型以解决上述问题.基于现场收集的大数据,通过Pearson系数和灰色关联度分析(GRA)系数的相关性热力图方法对影响高炉透气性指数的变量集进行分析,明确了 44个影响高炉透气性指数的特征参数.然后,对这些参数进行了数据清洗和归一化处理,以避免因存在数据值缺失、异常、特征变量间存在数量级差异等而引起的问题,构建了预测透气性指数的数据集.进而基于这些过滤后的大数据,建立并训练了一个用于预测高炉透气性指数的神经网络模型(PI-Net),该模型由输入层、3层隐藏层和输出层构成.研究结果表明,在测试集上PI-Net的均方误差为9.6×10-5、均方根误差为9.78×10-3、平均绝对误差为7.6×10-3、线性回归决定系数为0.979 2,表明了建立的模型具有合理的准确性、鲁棒性和泛化能力.最后,应用PI-Net评估了几个典型低碳高炉设计方案的透气性指数特性,并探讨了受透气性约束的低碳高炉设计方案可行性.

关键词：高炉透气性、大数据、神经网络模型、低碳高炉、预报模型

所属期刊栏目：58

分类号：P457.6;S162.5+3;TP391

资助基金：国家自然科学基金;国家自然科学基金;中央高校基本科研业务费交叉融合发展资助项目

在线出版日期：2023-08-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：46-53