Evolutionary neural network modeling of blast furnace burden distribution

Frank Pettersson*, Jan Hinnelä, Henrik Saxén

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliArtikkeliTieteellinenvertaisarvioitu

19 Sitaatiot (Scopus)

Abstrakti

A neural network-based model of the burden layer thickness in the blast furnace is presented. The model is based on layer thicknesses estimates from a single radar measurement of the burden (stock) level in the furnace and describes the dependence between the layer thickness and key charging variables. An evolutionary algorithm is applied to train the network weights and connectivity by optimizing the model structure and parameters simultaneously, tackling part of the parameter estimation by linear least squares. This enhances convergence and results in parsimonious and transparent network models with actions that can be explained. Finally, the networks are used in a hybrid model for analyzing novel charging programs and for studying the limits of the charging process.

AlkuperäiskieliEnglanti
Sivut385-399
Sivumäärä15
JulkaisuMaterials and Manufacturing Processes
Vuosikerta18
Numero3
DOI - pysyväislinkit
TilaJulkaistu - toukokuuta 2003
OKM-julkaisutyyppiA1 Julkaistu artikkeli, soviteltu

Sormenjälki

Sukella tutkimusaiheisiin 'Evolutionary neural network modeling of blast furnace burden distribution'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Viittausmuodot