基于混合遗传RBF神经网络的转炉终点预测模型研究

"这篇硕士学位论文主要探讨了应用神经网络技术构建转炉终点碳温预报模型，以提升炼钢过程的效率和准确性。作者赵杰在东北大学攻读硕士期间，研究了人工神经网络（ANN）在处理炼钢过程中复杂非线性问题的能力，特别是针对转炉冶炼的不确定性。论文中提出了一种基于混合递阶遗传径向基函数（HGA-RBF）神经网络的预报模型，旨在解决传统数学模型在转炉冶炼终点预测上的不足。 论文详细阐述了RBF网络的特性，以及如何利用递阶遗传算法来解决网络结构和参数选择的随机性问题，同时结合最小二乘法来加速收敛。通过MATLAB环境编程实现并进行了仿真，结果显示该算法能够提升RBF网络的优化收敛速度和训练测试精度。 在建立神经网络模型的过程中，作者分析了影响转炉冶炼终点的各种因素，包括铁水成分（C、Si）和温度、铁水量、废钢量、炉耗氧量、石灰加入量、轻烧加入量、生铁块加入量和硅石加入量等10个关键因素。经过变量筛选，最终选择了这些因素作为神经网络的输入，构建了预测转炉终点碳含量和温度的两个模型。通过实际生产数据验证，该模型的预报精度较高。 此外，论文还深入讨论了转炉炼钢过程中的影响因素，为生产优质钢水和转炉的动态控制提供了理论支持。主要工艺参数，如铁水温度和耗氧量等对冶炼终点的影响也进行了分析，为未来转炉冶炼的在线预报和快速出钢模型的开发提供了基础。 关键词涉及：转炉、混合递阶遗传算法、RBF神经网络、终点预报。" 这篇论文的核心在于利用人工智能技术改进转炉炼钢工艺，通过神经网络模型预测冶炼终点的碳含量和温度，提高了生产效率和产品质量。同时，论文的研究成果也为钢铁行业的自动化和智能化控制提供了新的思路和方法。