当前位置：文档之家 › 基于遗传算法的钢水“脱氧合金化”成本优化研究

基于遗传算法的钢水“脱氧合金化”成本优化研究

  • 格式：pdf
  • 大小：1.49 MB
  • 文档页数：3

δ = η1x1 + η2 x2 + π3 x3 + … + ηn xn 对 m 个历史收得率为：
（4）
收稿日期：2019-05-01 作者简介：苏庆（1998—），女，本科在读，研究方向：微电子科学与工程。
第 16 期
基于遗传算法的钢水“脱氧合金化”成本优化研究
·33·
ìíîïïïï…δδδ12m=…==ηηη…11112mxxx…111+++ηηη…22122xmx…2x2+2++………+…++ηη…ηnn12nxmxnxn n
关键词：多元回归；BP 神经网络；遗传算法；目标约束模型
中图分类号：TF769
文献标识码：A
文章编号：1003-5168（2019）16-0032-03
Cost Optimization of Deoxidation Alloying of Molten Steel
SU Qing ZHOU Hongji ZOU Lizhi
用量对钢液总质量的影响可以忽略。合金加入量的近似
计算式为：
Mp
=
M(c -
δb
a)
（2）
则合金历史收得率的近似表达式为：
δ
=
M(c - a)
Mpb
（3）
1.1 C 元素历史收得率的主要影响因素
将 C 元素历史收得率 δ 作为多元函数的函数值，所
有影响因素作为多元变量 x1,x2,x3,…,xn ，η1,η2,η3,…,ηn 分别是以上多元变量的影响因子，则多元方程为：
（Chongqing University of Posts and Telecommunications，Chongqing 400065）
Abstract: With the continuous improvement of the output of high value-added steel in the iron and steel industry, it is particularly important to reduce the cost of steel while ensuring the quality as much as possible. Based on the histor⁃ ical data of HRB400B of low carbon steel, a BP neural network-deoxidization alloying prediction model was construct⁃ ed in this paper. According to the element content and unit price of 16 kinds of alloy raw materials, the total cost opti⁃ mization model of "deoxidization alloying" was established and solved by genetic algorithm. The results show that there may be great difference in the amount of alloy raw materials in different schemes with the same cost, so the rea⁃ sonable alloy proportioning scheme should be determined according to the actual situation of the steelmaking plant. Keywords: multiple regression；BP neural network；genetic algorithm；goal constraint model
1 影响 C、Mn 收得率的主要因素
设钢水净重为 M（kg），炉内钢水元素占比为 a（%）， 合金加入总量为 M（p kg），合金中元素成分占比为 b（%）， 合金元素收得率为 δ（%），可得到合金加入后的元素成 分占比为 c（%）的表达式：
c=
Ma
+ Mpbδ M
+
Mp δ
（1）
由于低合金钢合金元素含量低，合金加入量少，合金
本文基于低碳钢 HRB400B 的历史数据记录，构建 BP 神经网络-脱氧合金化预测模型。根据 16 种合金原料的
元素含量和单价，建立“脱氧合金化”总成本最优化模型，并采用遗传算法进行求解。结果显示，相同成本的
不同方案中，各合金原料的用量可能存在较大差别，故应根据炼钢厂的实际情况确定合理的合金配料方案。
总 678 期第十六期 2019 年 6 月
河南科技 Henan Science and Technology
信息技术
基于遗传算法的钢水“脱氧合金化”成本优化研究
苏 庆 周泓机 邹立志
（重庆邮电大学，重庆 400065）
摘 要：随着钢铁行业中高附加值钢种产量的不断提高，在保证钢铁质量的同时尽可能减少成本尤为重要。
（5）
转炉终点温度、转炉终点以及硅钙碳脱氧剂等 42 个
因子作为自变量 xn，合金历史所得率作为因变量 δm ，利用 MATLAB 进行自动回归多次后，得到每个影响因素变量
对应权重因子 η 的值。碳元素历史收得率影响因素的权
重因子如表 1 所示。
表 1 碳元素历史收得率影响因素的权重因子
合金化合物
权重因子
表2mn历史收得率影响因素的权重因子因子转炉终点c连铸正样c连铸正样s转炉终点s转炉终点p权重因子04734845910471357294001483012700118638280010330193因子连铸正样p连铸正样mn转炉终点mn连铸正样si连铸正样cr权重因子000593999400036742870002728888000244227900013988632cmn元素收得率的数学预测模型bp神经网络即反向传播神经网络具有自学习自组织和强鲁棒性的优点能满足实际生产要求13
随着对现代钢材质量要求的提高，对冶炼过程中加 入合金的数量和种类要求也越来越精准。在炼钢产业 中，合金收得率是炼钢设备工艺和技术操作的一个重要 指标，即脱氧合金化过程中被钢水吸收的合金元素的重 量与加入该元素总重量之比。C、Mn 元素是钢材中两种 最主要的元素。本文基于 HRB400B 低碳钢的炼钢历史 数据、合金料成分说明及主要合金元素含量的国家标准， 对现有的脱氧合金工艺进行优化分析，在满足合金元素 含量要求的前提下，确定最佳的合金配料方案，以尽可能 控制生产成本。
合金化合物
权重因子
ห้องสมุดไป่ตู้
转炉终点 C 连铸正样 C 连铸正样 S 转炉终点 S 转炉终点 P
0.473 484 753 0.47 357 456 0.014 830 132 0.011 863 832 0.010 330 196

合集下载

基于遗传算法的自动化系统参数优化

基于遗传算法的自动化系统参数优化

基于遗传算法的自动化系统参数优化
自动化系统是现代工业化生产和运营的重要手段，系统参数优化可提高其运行效率和稳定性。

随着技术的不断升级，传统的手动参数调整方式已经无法满足复杂系统的需求。

基于遗传算法的自动化系统参数优化成为一种新方案。

遗传算法利用生物进化的原理，通过种群选择、交叉和变异等操作，模拟自然界中基因的遗传和进化过程，从而获得最优解。

将其应用于自动化系统参数优化中，可以自动搜索最优参数，避免了人工试错，提高了效率和精度。

基于遗传算法的自动化系统参数优化的步骤如下：
1. 系统建模：根据实际系统建立数学模型，明确目标函数和参数范围。

2. 初始化种群：随机生成初始种群，种群规模和参数精度要根据实际情况确定。

3. 适应度函数定义：根据目标函数确定适应度函数，将目标函数的取值映射到种群的适应度上。

4. 选择算子：根据适应度函数选择优质的个体，保留其基因信息，淘汰劣质的个体，避免快速陷入局部极小值。

5. 交叉算子：对选出的优质个体进行交叉操作，生成下一代个体。

6. 变异算子：对新生成的个体进行变异操作，增加种群的多样性。

7. 终止条件：根据实际情况，设置优化的迭代次数或误差范围
等终止条件。

基于遗传算法的自动化系统参数优化是一种高效、精确的优化
方式，但适用范围有限。

在实际应用中需要根据具体情况选择不同
的优化方法，综合考虑效果、时间和成本等因素，寻求最佳平衡点。

钢铁生产过程中吹氧制度的优化及其对钢水质量的影响

钢铁生产过程中吹氧制度的优化及其对钢水质量的影响

钢铁生产过程中吹氧制度的优化及其对钢水质量的影响摘要：本文研究了钢铁生产过程中吹氧制度的优化及其对钢水质量的影响。

钢铁生产中的吹氧工艺是一项重要的冶炼过程，它通过向炉内注入氧气来促进化学反应，提高钢水的质量。

本研究通过对吹氧参数的调整和优化，探讨了吹氧速度、吹氧时间和吹氧位置等因素对钢水质量的影响。

实验结果表明，适当调整吹氧参数可以改善钢水中的含氧量和杂质含量，提高钢水的纯净度和均匀性。

同时，通过优化吹氧制度，还能降低能源消耗，提高生产效率。

因此，吹氧制度的优化对于改善钢水质量和提高钢铁生产的可持续性具有重要意义。

关键词：吹氧制度，钢铁生产，钢水质量，优化，可持续性引言：钢铁工业是现代社会的重要支柱，而钢水质量是决定产品性能的关键因素之一。

吹氧制度作为钢铁生产过程中的关键环节，对钢水质量具有重要影响。

本文旨在研究吹氧制度的优化，并探讨其对钢水质量的影响。

通过调整吹氧参数，如速度、时间和位置，可以改善钢水中的含氧量和杂质含量，提高钢水的纯净度和均匀性。

同时，优化吹氧制度还能降低能源消耗，提高生产效率。

本研究的结果对于改善钢水质量、提高钢铁生产的可持续性具有重要意义。

一吹氧制度的优化方法：吹氧参数调整与优化措施在钢铁生产过程中，吹氧工艺是一项关键的冶炼过程，它通过向炉内注入氧气来促进化学反应，提高钢水的质量。

为了进一步优化吹氧制度，我们需要进行吹氧参数的调整与优化措施。

本节将详细介绍吹氧参数的调整与优化的关键方面。

（一）吹氧速度是一个重要的参数。

适当的吹氧速度可以增强气体与炉内金属间的接触，促进反应的进行。

通过调整吹氧速度，我们可以实现氧气的充分混合和传递，以提高冶炼效果。

此外，对于不同类型的炉子和冶炼需求，吹氧速度的优化也具有差异性。

（二）吹氧时间也是一个重要的参数。

吹氧时间的合理控制可以确保充分的氧气作用时间，以促进冶炼反应的进行。

过短的吹氧时间可能导致反应不完全，而过长的吹氧时间则会造成能源浪费。

钢水“脱氧合金化”配料方案的优化研究

钢水“脱氧合金化”配料方案的优化研究

计算钢号hrb400b下的405个有效数据计算c元素收得率的误差值发现预测模型下的大部分炉号误差值基于001之间为更加精确预测模型将误差定于0005筛选出的元素c的264组数据元素mn的315组数据带入改进后的预测模型中得出改进后预测数据与实际数据的拟合效果图所得元素c相关系数为08116元素mn相关系数为08091
智者论道
智库时代
钢水“脱氧合金化”配料方案的优化研究
王梦娇
（山东科技大Βιβλιοθήκη ，山东青岛 266590）摘要：炼钢过程中的脱氧合金化是钢铁冶炼的重要工艺环节，随着钢铁行业中高附加值钢种产量的不断提高，在保证钢水质量的同时最大
限度地降低合金钢的生产成本已经成为各大钢铁企业提高竞争力所要解决的重要问题。基于此，本文对钢铁冶炼中的脱氧合金化环节进行
（三）基于单纯形法的合金加料模型 单纯形法主要包括决策变量、目标函数 和约束条件。合金单价及合金中元素的含有 量由附件所给数据可得；钢水中各元素的初 始含有值；各元素的内控区间上、下限及钢 水重量由附件中所给数据可得；求解得到的 元素收得率预测模型计算各元素收得率。 由于添加合金前钢水净重以及转炉终 点钢水中第 j 种元素含量视为恒定量，我 们以炉号 7A06878（添加合金前钢水净重（ kg ）74400，转炉终点钢水中 C、Mn、S、P、 Si 元素含量（重量百分比）分别为 0.00065、 0.0011、0.0003、0.00014、0.004）为实例 讲解模型。在脱氧合金化过程中，为使合金 元素的含量达到目标要求，需要添加钢水中 含量不足的元素。在确定加料方案时，可以 在附件提供的合金种类中进行选择，经过观 察和分析，通过以下几点准则对合金进行筛 选：由于钢水脱氧合金化主要关注 C、Mn、S、 P、Si 五种基本元素的含量，为了简化问题， 在此只考虑以上五种基本元素。因此我们将 这五种基本元素含量等于 0 的合金配料（包 括 [ 氮化钒铁 FeV55N11-A]、[ 钒氮合金 ( 进 口 )]）不纳入考虑。 [ 钒铁 (FeV50-A)] 与 [ 钒铁 (FeV50-B)] 五种基本元素含量相同且价格相等，于是根 据相关资料和附件中加入合金料的重量等相 关数据，对其进行同一化处理来简化
基于多目标遗传算法的水资源优化配置研究

基于多目标遗传算法的水资源优化配置研究

基于多目标遗传算法的水资源优化配置研究一、引言在全球严重的水资源短缺中，如何科学地配置和管理水资源已成为一个迫切的问题。

近年来，多目标遗传算法（MOGA）因其成熟的强优化性能和可拓展性而成为研究水资源优化配置的共有工具。

为了更好地解决水资源短缺问题，本文通过研究 MOGA 在水资源优化配置中的应用来提高水资源管理效率。

二、多目标遗传算法概述多目标遗传算法是一种用于解决多维度目标优化问题的常用算法。

该算法通过量化多个目标的优化值，然后将这些值作为遗传算法的适应度函数，从而进行多维度的优化计算。

通常，MOGA的应用包括以下步骤：首先，确定优化配置的多个维度（如成本、水利用率、水处理效率等）；其次，开发和设计适应度函数；然后，通过遗传操作来更新进化种群并适应目标值。

最后，选择初始种群和适应度函数来寻求全局最优解或局部最优解。

三、水资源优化配置中 MOGA 的应用1.选择参数在执行 MOGA 时，依据所需的模态要素，选择适当的6-9峰值检测器作为初始种群，从中选取10-20个检测器再进行多目标遗传进化计算。

这样可以最大化地增加种群多样性和优化内部质量，提高算法求解速度和精度。

2.采用多目标优化适应度函数适应度函数是 MOGA 的重要部分。

在水资源优化配置中，由于涉及多个目标值的优化，因此需要采用多目标适应度函数。

现在，流行的目标设定值方法包括 Tchebycheff 法、加权_SUM 法、加权积法、模糊决策等。

不同的目标值设定方法需根据具体情况选择。

3.采用权重法来判定 Pareto 前沿在多目标遗传算法中，Pareto 前沿是指在解空间所有非支配解中的最大非支配解集合。

在水资源优化配置中，通过采用 Pareto 前沿可有效地确定最优解，而权重法是 MOGA 中判定 Pareto 前沿的常用方法，（即通过取不同权重设定组合，检测是否成为Pareto 前沿）。

正如上文所述，MOGA 算法是通过遗传操作来更新进化种群并适应目标值，这些操作包括选择、交叉和变异，被称为进化算子。