ارائه ی الگوریتمی نوین مبتنی بر بهینه سازی چند هدفه به منظور شناسایی پارامترهای مؤثر در تعیین خلوص آهن اسفنجی در فرآیند احیاء مستقیم سنگ آهن

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 781

This Paper With 10 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CBCONF01_1034

تاریخ نمایه سازی: 16 شهریور 1395

Abstract:

امروزه افزایش تولید محصولات فولادی در صنعت باعث شده است که شناسایی خودکار پارامترهای مؤثر درتعیین کیفیت محصول خروجی از اهمیت بالایی برخوردار باشد. در این تحقیق روشی نوین جهت شناسایی پارامترهای مؤثر در تعیین درجه خلوص آهن اسفنجی خروجی در پروسه احیاء مستقیم سنگ آهن ارائه شده است. در این الگوریتم از روش بهینه سازی تکامل تفاضلی با رویکرد چندهدفه و باینری به منظور شناسایی مجموعه ای با کمترین تعداد پارامتر مؤثر در تعیین میزان خلوص آهن اسفنجی خروجی با داشتن کمترین خطای تخمین بهره برده شده است. در الگوریتم پیشنهادی از رگرسیون LS-SVM به منظور تخمین خلوص آهن اسفنجی خروجی استفاده شده است. با پیاده سازی الگوریتم پیشنهادی و اعمال آن بر روی پایگاه داده جمع آوری شده از مجتمع فولادسازی بردسیر ایران، تعداد 9 پارامترشناسایی شدند که توانایی تخمین میزان خلوص آهن اسفنجی خروجی را با دقت 98/8 درصد (خطای تخمین معادل 1/2 درصد) دارند.

Keywords:

بهینه سازی تکامل تفاضلی , شناسایی پارامتر , رویکرد چندهدفه , احیاء مستقیم سنگ آهن , رگرسیون LS-SVM

Authors

صالح شاه بیک

دانشجوی دکترای مهندسی برق مخابرات، شرکت مهندسی بین المللی فولاد تکنیک، اصفهان، ایران

خلیل سجاد

دکترای مهندسی برق مخابرات، شرکت مهندسی بین المللی فولاد تکنیک، اصفهان، ایران

محسن صادقی

دانشجوی دکترای مهندسی برق کنترل، شرکت مهندسی بین المللی فولاد تکنیک، اصفهان، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • S.-i. Amari and S. Wu, "Improving support vector machine classifiers ...
  • G. M. Fung and O. L. Mangasarian, "Multicategory proximal support ...
  • A. Widodo and B.-S. Yang, "Support vector machine in machine ...
  • J.-S. Wu and Z.-H Zhou, _ S equence-based prediction of ...
  • S. An, W. Liu, and S. Venkatesh, "Fast cro ss-validation ...
  • S. H. Hwang, D. H. Ham, and J. H. Kim, ...
  • J. A. Suykens and J. Vandewalle, "Least squares support vector ...
  • A. K. Qin, V. L. Huang, and P. N. Suganthan, ...
  • R. Storn and K. Price, "Differential evolution-a simple and efficient ...
  • T. Niknam, M. Narimani, J. Aghaei, and R. Az iz ...
  • T. Niknam, S. I. Taheri, J. Aghaei, S. Tabatabaei, and ...
  • نمایش کامل مراجع