LF炉精炼渣优化与终点温度预估模型
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 绪论 | 第9-21页 |
| ·炉外精炼的发展 | 第9-10页 |
| ·LF精炼工艺 | 第10-13页 |
| ·LF简介 | 第10-11页 |
| ·LF特点 | 第11-13页 |
| ·LF炉精炼工艺流程 | 第13页 |
| ·LF精炼渣 | 第13-17页 |
| ·概述 | 第13页 |
| ·LF精炼渣的冶金功能 | 第13-14页 |
| ·目前常用的精炼渣渣系 | 第14-17页 |
| ·国内外LF精炼炉和温度控制发展 | 第17-20页 |
| ·国外概况 | 第17-19页 |
| ·国内概况 | 第19-20页 |
| ·课题研究背景和研究意义 | 第20页 |
| ·本课题研究的主要内容 | 第20-21页 |
| 2 精炼渣的理论基础 | 第21-26页 |
| ·熔渣的结构 | 第21-22页 |
| ·分子理论 | 第21页 |
| ·离子理论 | 第21-22页 |
| ·共存理论 | 第22页 |
| ·脱硫机理 | 第22-26页 |
| ·脱硫反应热力学 | 第23-24页 |
| ·脱硫反应动力学 | 第24-26页 |
| 3 LF精炼渣实验室研究 | 第26-38页 |
| ·精炼炉渣的熔点测定及脱硫实验 | 第26-31页 |
| ·精炼炉渣的熔点测定 | 第26-27页 |
| ·精炼炉渣的脱硫实验 | 第27-31页 |
| ·实验结果及分析 | 第31-38页 |
| ·熔点测定实验结果 | 第31-32页 |
| ·熔点实验结果分析 | 第32-34页 |
| ·脱硫实验结果分析与讨论 | 第34-38页 |
| 4 BP神经网络 | 第38-50页 |
| ·人工神经网络概述 | 第38-40页 |
| ·人工神经网络的特征 | 第38-40页 |
| ·人工神经网络的分类 | 第40页 |
| ·BP神经网络的构成 | 第40-43页 |
| ·BP网络的学习过程 | 第43-46页 |
| ·输入样本的正向传播过程 | 第44-45页 |
| ·误差反向传播过程 | 第45页 |
| ·更新权阵过程 | 第45-46页 |
| ·判断过程 | 第46页 |
| ·BP网络的设计 | 第46-47页 |
| ·网络的层数 | 第46页 |
| ·输入层和输出层的设计 | 第46页 |
| ·隐含层的神经元个数 | 第46页 |
| ·初始权值的选择 | 第46-47页 |
| ·学习速率 | 第47页 |
| ·期望误差的选取 | 第47页 |
| ·学习样本的归一化处理 | 第47-48页 |
| ·BP网络的学习过程 | 第48页 |
| ·BP算法的限制与不足 | 第48-50页 |
| 5 温度预估模型的实现 | 第50-55页 |
| ·建模对象 | 第50页 |
| ·影响LF炉温度的主要因素 | 第50-51页 |
| ·温度的预估方案 | 第51-55页 |
| ·BP神经网络输入量的确定 | 第51页 |
| ·BP神经网络隐含层的确定 | 第51页 |
| ·BP神经网络学习精度的确定 | 第51-52页 |
| ·BP神经网络权值的训练 | 第52-55页 |
| 6 总结及展望 | 第55-56页 |
| ·总结 | 第55页 |
| ·展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间发表论文情况 | 第60页 |
