基于数据驱动的转炉耗氧量模型研究
Steelmaking（2022）
摘要
基于45 t转炉炼钢实际生产数据,通过数据预处理和互信息(MI)法进行特征选择,采用贝叶斯算法(BOA)优化BP神经网络模型、支持向量回归机(SVR)模型和LGBM模型的参数,预测转炉吹炼的耗氧量.用1176炉的实际生产数据对模型进行训练,504炉的数据用于验证模型的预测效果.结果表明,在预测的氧气体积偏差分别为±50、±40、±30 m3的范围下,LGBM模型的预测命中率分别为94.04％、85.91％、76.58％.与SVR模型和BP神经网络模型相比较,LGBM模型有着更高的预测精度和稳定性以及更强的泛化能力.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要