| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-34页 |
| 1.1 LF炼钢简介 | 第12-19页 |
| 1.1.1 LF精炼技术的发展概述 | 第12-14页 |
| 1.1.2 LF的设备组成 | 第14-16页 |
| 1.1.3 LF的工艺流程 | 第16-18页 |
| 1.1.4 LF的冶炼功能 | 第18-19页 |
| 1.2 课题背景及意义 | 第19-20页 |
| 1.3 国内外研究概况 | 第20-31页 |
| 1.3.1 LF钢水温度预报方法概述 | 第20-25页 |
| 1.3.2 LF钢水硫含量预报方法概述 | 第25-28页 |
| 1.3.3 合金元素收得率预报方法概述 | 第28页 |
| 1.3.4 LF精炼过程优化方法概述 | 第28-31页 |
| 1.4 LF精炼过程建模与优化面临的难题 | 第31-32页 |
| 1.5 本文的主要工作 | 第32-34页 |
| 第2章 LF钢水温度预报模型的研究 | 第34-74页 |
| 2.1 LF精炼过程能量收支分析 | 第35-36页 |
| 2.2 LF钢水温度混合预报模型的提出 | 第36-42页 |
| 2.2.1 电弧加热过程建模 | 第37-38页 |
| 2.2.2 钢包包衬吸热过程建模 | 第38-40页 |
| 2.2.3 加料热损失建模 | 第40页 |
| 2.2.4 渣面热损失建模 | 第40-41页 |
| 2.2.5 吹氩热损失建模 | 第41页 |
| 2.2.6 混合预报模型的最终形式 | 第41-42页 |
| 2.3 LF钢水温度混合预报模型的实现算法 | 第42-67页 |
| 2.3.1 基于模糊TS方法的模型结构变换 | 第43-46页 |
| 2.3.2 基于部分线性神经网络的混合预报模型实现算法 | 第46-55页 |
| 2.3.3 基于部分线性正则化网络的混合预报模型实现算法 | 第55-65页 |
| 2.3.4 本文方法与传统方法的关系 | 第65-67页 |
| 2.4 LF钢水温度混合预报模型的仿真分析 | 第67-73页 |
| 2.5 本章小结 | 第73-74页 |
| 第3章 LF钢水硫含量预报模型的研究 | 第74-102页 |
| 3.1 LF钢水硫含量机理预报模型 | 第75-83页 |
| 3.1.1 LF脱硫过程描述 | 第75-76页 |
| 3.1.2 脱硫机理概述 | 第76-78页 |
| 3.1.3 机理模型参数的确定 | 第78-83页 |
| 3.2 LF钢水硫含量混合预报模型 | 第83-92页 |
| 3.2.1 基于数据融合算法的硫容量估计模型 | 第85页 |
| 3.2.2 基于神经网络的反应时间常数估计模型 | 第85-87页 |
| 3.2.3 混合预报模型的实现算法 | 第87-90页 |
| 3.2.4 混合预报模型的仿真验证 | 第90-92页 |
| 3.3 分阶段建模的硫含量预报模型 | 第92-100页 |
| 3.3.1 基于硬划分的分阶段预报模型 | 第93-95页 |
| 3.3.2 基于软划分的分阶段预报模型 | 第95-97页 |
| 3.3.3 仿真实验 | 第97-100页 |
| 3.4 本章小结 | 第100-102页 |
| 第4章 LF精炼过程的优化设计 | 第102-130页 |
| 4.1 LF精炼过程简介 | 第103-105页 |
| 4.2 LF精炼过程工艺约束模型的建立 | 第105-112页 |
| 4.2.1 造渣过程 | 第105-107页 |
| 4.2.2 吹氩过程 | 第107-110页 |
| 4.2.3 供电过程 | 第110-112页 |
| 4.3 优化指标中关键参数的估计模型 | 第112-120页 |
| 4.4 LF精炼过程的优化模型 | 第120-129页 |
| 4.4.1 优化模型的目标函数 | 第122-123页 |
| 4.4.2 优化模型的约束条件 | 第123-125页 |
| 4.4.3 仿真结果 | 第125-129页 |
| 4.5 本章小结 | 第129-130页 |
| 第5章 总结与展望 | 第130-134页 |
| 参考文献 | 第134-144页 |
| 致谢 | 第144-146页 |
| 攻读博士学位期间论文情况 | 第146-148页 |
| 攻读博士学位期间所参与的科研项目 | 第148-150页 |
| 个人简介 | 第150页 |