| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 炉外精炼技术发展概况 | 第10页 |
| 1.2 LF炉简介 | 第10-16页 |
| 1.2.1 LF炉设备及工艺流程简介 | 第11-14页 |
| 1.2.2 LF炉的功能及发展特点 | 第14-16页 |
| 1.3 课题背景及意义 | 第16-17页 |
| 1.4 国内外LF炉合金成分调整技术发展概况 | 第17-18页 |
| 1.5 本文的主要工作 | 第18-20页 |
| 第2章 预备知识 | 第20-34页 |
| 2.1 案例推理 | 第20-25页 |
| 2.1.1 案例推理的理论基础 | 第20-21页 |
| 2.1.2 案例推理的主要类型 | 第21-22页 |
| 2.1.3 案例推理的推理过程 | 第22-25页 |
| 2.1.4 案例推理方法的优缺点 | 第25页 |
| 2.2 RBF神经网络 | 第25-29页 |
| 2.2.1 RBF神经网络概述 | 第25-26页 |
| 2.2.2 RBF神经网络结构模型 | 第26-27页 |
| 2.2.3 RBF神经网络的学习算法 | 第27-29页 |
| 2.3 粗糙集理论 | 第29-32页 |
| 2.3.1 粗糙集理论概况 | 第29页 |
| 2.3.2 粗糙集理论的基本概念 | 第29-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 LF炉合金化过程的机理分析 | 第34-42页 |
| 3.1 合金元素收得率与钢水氧活度的关系 | 第35-37页 |
| 3.1.1 脱硫效果与钢水氧活度的关系 | 第35-36页 |
| 3.1.2 进站时钢水中碳含量与钢水氧活度的关系 | 第36-37页 |
| 3.2 合金元素收得率与熔渣氧化性和熔渣碱度的关系 | 第37-39页 |
| 3.2.1 合金元素收得率与熔渣氧化性的关系 | 第38-39页 |
| 3.2.2 合金元素收得率与熔渣碱度的关系 | 第39页 |
| 3.3 合金元素收得率与吹氩搅拌强度的关系 | 第39-40页 |
| 3.4 合金元素收得率与其他影响因素的关系 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 LF炉合金元素收得率的预报与仿真 | 第42-56页 |
| 4.1 增量式预报模型 | 第42-43页 |
| 4.2 基于案例推理和RBF神经网络补偿的合金元素收得率预报模型 | 第43-49页 |
| 4.2.1 案例库的构造 | 第43-44页 |
| 4.2.2 案例的检索与匹配 | 第44-47页 |
| 4.2.3 基于RBF神经网络的案例推理结果修正 | 第47-48页 |
| 4.2.4 案例的重用 | 第48-49页 |
| 4.2.5 案例的储存 | 第49页 |
| 4.3 合金元素收得率预报的仿真与分析 | 第49-54页 |
| 4.3.1 仿真数据的选择与处理 | 第49-51页 |
| 4.3.2 仿真结果 | 第51-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第5章 LF炉最优配料建模与仿真 | 第56-62页 |
| 5.1 最优配料模型 | 第56-58页 |
| 5.1.1 模型建立 | 第56-57页 |
| 5.1.2 模型参数 | 第57-58页 |
| 5.1.3 模型精度 | 第58页 |
| 5.2 模型求解 | 第58-59页 |
| 5.3 仿真分析 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第6章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |