基于Adaboost集成学习算法的LF钢水终点预报模型
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-22页 |
| ·引言 | 第10页 |
| ·LF简介 | 第10-14页 |
| ·LF设备简介 | 第11-12页 |
| ·LF的精炼工艺 | 第12页 |
| ·LF功能及特点 | 第12-14页 |
| ·国内外成分和温度检测发展概况 | 第14-20页 |
| ·钢水温度的检测方法 | 第14-15页 |
| ·钢水成分的在线分析 | 第15-16页 |
| ·国外概况 | 第16-18页 |
| ·国内概况 | 第18-20页 |
| ·课题的背景和意义 | 第20页 |
| ·本文的主要工作 | 第20-22页 |
| 第2章 LF钢水温度预报原理分析 | 第22-34页 |
| ·钢包热循环流程的划分 | 第22页 |
| ·LF冶炼过程分析 | 第22-23页 |
| ·LF总的能量平衡 | 第23-31页 |
| ·输入炉内的电能 | 第25-26页 |
| ·加入合金的热效应 | 第26-28页 |
| ·加渣料的热效应 | 第28-29页 |
| ·炉衬散热损失 | 第29页 |
| ·吹氩引起的热损失 | 第29-30页 |
| ·渣面的热损失 | 第30-31页 |
| ·钢水温度预报模型 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第3章 LF硫含量预报原理分析 | 第34-52页 |
| ·精炼渣的选择 | 第34-36页 |
| ·合成渣组元的主要作用 | 第34-35页 |
| ·精炼合成渣的选择及设计原则 | 第35-36页 |
| ·脱硫反应的热力学 | 第36-39页 |
| ·硫容量 | 第36-38页 |
| ·硫的分配比与硫容量的关系 | 第38页 |
| ·脱硫率 | 第38-39页 |
| ·脱硫反应的动力学 | 第39-45页 |
| ·动力学研究理论基础及基本假设 | 第40页 |
| ·钢液深脱硫机理探讨 | 第40-41页 |
| ·钢液深脱硫动力学实验研究 | 第41-45页 |
| ·脱氧过程 | 第45-47页 |
| ·钢水脱氧 | 第46页 |
| ·钢渣脱氧及改性 | 第46-47页 |
| ·脱氧方式 | 第47页 |
| ·钢水硫含量预报模型 | 第47-51页 |
| ·硫的活度系数 | 第47-48页 |
| ·氧的活度 | 第48-49页 |
| ·终点硫含量 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第4章 LF智能终点预报模型 | 第52-78页 |
| ·人工神经网络 | 第52-56页 |
| ·神经网络的构成 | 第52-54页 |
| ·神经网络的类型 | 第54页 |
| ·人工神经网络的学习规则 | 第54-56页 |
| ·BP神经网络 | 第56-63页 |
| ·BP网络的学习过程和误差逆传播校正方法 | 第56-60页 |
| ·BP网络学习过程 | 第60-63页 |
| ·机器学习的基本概念 | 第63页 |
| ·Adaboost算法 | 第63-68页 |
| ·Adaboost算法简介 | 第63-66页 |
| ·Adaboost的算法分析 | 第66-68页 |
| ·Adaboost与BP相结合的集成算法描述 | 第68-69页 |
| ·LF温度智能预报模型与仿真 | 第69-72页 |
| ·LF温度预报仿真结果 | 第70-71页 |
| ·算法比较 | 第71-72页 |
| ·LF硫含量智能预报模型与仿真 | 第72-73页 |
| ·仿真结果 | 第72-73页 |
| ·算法比较 | 第73页 |
| ·温度硫含量联合预报与仿真 | 第73-76页 |
| ·硫含量预报结果 | 第74-75页 |
| ·温度预报结果 | 第75-76页 |
| ·仿真结果分析比较 | 第76页 |
| ·本章小结 | 第76-78页 |
| 第5章 结论 | 第78-80页 |
| 参考文献 | 第80-82页 |
| 致谢 | 第82页 |
