پیش بینی میزان تولید آرگون با استفاده از شاخص های مرتبط و استفاده از بهترین اعداد شاخص برای تولید بهینه آرگون با استفاده از روش های یادگیری ماشین در بخش جداسازی هوای فولاد سیرجان ایرانیان

فایل این در 12 صفحه با فرمت PDF قابل دریافت می باشد

  • من نویسنده این مقاله هستم

این در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این :

چکیده :

بخش جداسازی هوای شرکت فولاد سیرجان ایرانیان،وظیفه جداسازی هوا و تولید اکسیژن،نیتروژن و آرگون را برای استفاده بصورت یکی از مواد اولیه تولید شمش فولاد بصورت کوره قوس الکتریکی و آهن اسفنجی را برعهده دارد .هدف این پژوهش پیش بینی میزان تولید آرگون با استفاده از شاخص های مرتبط و استفاده از بهترین اعداد شاخص برای تولید بهینه آرگون با استفاده از روش های یادگیری ماشین می باشد.در این راستا با استفاده از داده های بدست آمده از 6 ماه تولید آرگون بخش جداسازی هوای شرکت فولاد سیرجان ایرانیان استفاده شد که 5 ویژگی مرتبط با آن شناسایی گردید.در مرحله اول تحلیل داده ها برای درک و شفافیت بهتر انجام گرفته و نتایج تحلیل مورد بررسی قرار گرفت و سپس با استفاده از داده های استخراج شده،شش مدل یادگیری ماشین آموزش داده شد که شاخص عملکرد مدل ها،دقت مدل درنظر گرفته شد.پس از بدست آوردن نتایج تست ها، مدل ExtraTreesClassifier با میزان دقت 97.7 % بعنوان بهترین مدل،درنظر گرفته شد.پس از بدست آوردن مدل نهایی،میزان اهمیت هر شاخص از 0 تا 1 بدست آمد که درنهایت یک وب سرور طراحی شد که توانست در راستای پیش بینی تولید آرگون،بصورت مناسب از آن استفاده گردد.

کلیدواژه ها:

یادگیری ماشین ، پیش بینی تولید آرگون ، تولید فولاد به روش EAF ، مدل ExtraTreesClassifier

نویسندگان

سینا مقدری

کارشناس تحقیق و توسعه شرکت فولاد سیرجان ایرانیان

رضا نادری

مسئول واحد جداسازی هوای شرکت فولاد سیرجان ایرانیان

مراجع و منابع این :

لیست زیر مراجع و منابع استفاده شده در این 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 لینک شده اند :
  • [1].Tanaka, K.; O’Neill, B.C. The Paris Agreement zero-emissions goal is ...
  • [2]. Bae, S.C.; Nam, J.S.; Moon, J.H. Current status of ...
  • [3]. Zhang, S.; Yi, B.; Guo, F.; Zhu, P. Exploring ...
  • [4]. Yi, S.H.; Lee, U.J.; Lee, Y.S.; Kim, W.H. Hydrogen-based ...
  • [5]. Lee, W.C.; Kim, Y.S.; Kim, J.M.; Lee, C.K. Forecasting ...
  • [6]. Liu, L.; Wang, A.; Sha, M.; Sun, X.; Li, ...
  • [7]. Liu, S.; Zhao, Y.; Li, X.; Liu, X.; Lyu, ...
  • [8]. Jo, H.; Hwang, H.J.; Phan, D.; Lee, Y.; Jang, ...
  • [9]. Schlueter, J.; Odenthal, H.-J.; Uebber, N.; Blom, H.; Morik, ...
  • [10]. Bae, J.; Li, Y.; Ståhl, N.; Mathiason, G.; Kojola, ...
  • [11]. Tian, H.; Mao, Z.;Wang, Y. Hybrid Modeling of Molten ...
  • [12]. Laha, D.; Ren, Y.; Suganthan, P.N. Modeling of steelmaking ...
  • [13]. Santos, I.; Nieves, J.; Ugarte-Pedrero, X.; Bringas, P.G. Anomaly ...
  • [14]. Wang, R.; Li, H.; Guerra, F.; Cathcart, C.; Chattopadhyay, ...
  • [15]. Ghorai, S.; Mukherjee, A.; Gangadaran, M.; Dutta, P.K. Automatic ...
  • [16]. Ding, J.G.; He, Y.H.C.; Kong, L.P.; Peng,W. Camber Prediction ...
  • [17]. Colla, V.; Pietrosanti, C.; Malfa, E.; Peters, K. Environment ...
  • [18]. Stavropoulos, P.; Panagiotopoulou, V.C.; Papacharalampopoulos, A.; Aivaliotis, P.; Georgopoulos, ...
  • [19]. Zhou, C.; Moreland, J.; Silaen, A.; Okosun, T.; Walla, ...
  • [20]. Reimann, A.; Hay, T.; Echterhof, T.; Kirschen, M.; Pfeifer, ...
  • [21]. Kovaˇciˇc, M.; Stopar, K.; Vertnik, R.; Šarler, B. Comprehensive ...
  • [22]. Carlsson, L.S.; Samuelsson, P.B.; Jönsson, P.G. Using Statistical Modeling ...
  • [23]. Li, C.; Mao, Z.; Yuan, P. Long Short-Term Memory ...
  • [24]. Blažiˇc, A.; Škrjanc, I.; Logar, V. Soft sensor of ...
  • [25]. Ave, G.D.; Hernandez, J.; Harjunkoski, I.; Onofri, L.; Engell, ...
  • [26]. Risonarta, V.Y.; Kirschen, M.; Echterhof, T.; Jung, H.P.; Lenz, ...
  • [27]. Vazdirvanidis, A.; Pantazopoulos, G.; Louvaris, A. Overheat induced failure ...
  • [28]. Teng, L.; Meador, M.; Ljungqvist, P. Application of new ...
  • [29]. Staib,W.E.; Staib, R.B. The intelligent arc furnace controller: A ...
  • [30]. Choi, S.-W.; Lee, E.-B.; Kim, J.-H. The Engineering Machine-Learning ...
  • [31]. Lin, J.; Bhattacharyya, D.; Kecman, V. Multiple regression and ...
  • [32]. Adams, W.; Alameddine, S.; Bowman, B.; Lugo, N.; Paege, ...
  • [33]. Kleimt, B.; Köhle, S.; Kühn, R.; Zisser, S. Application ...
  • [34]. Aggarwal, C.C.; Yu, P.S. Outlier detection for high dimensional ...
  • [35]. Buxton, P.; Tabor, P. Outlier detection for dppm reduction. ...
  • [36]. Ahsan, M.M.; Mahmud, M.A.P.; Saha, P.K.; Gupta, K.D.; Siddique, ...
  • [37]. Acosta, S.M.; Amoroso, A.L.; Sant’Anna, Â.M.O.; Junior, O.C. Predictive ...
  • [38]. Omar, I.; Khan, M.; Starr, A. Suitability Analysis of ...
  • [39]. Bansal, N.; Defo, M.; Lacasse, M.A. Application of Support ...
  • [40]. Sandhu, A.; Sahu, K.M. Role of Artificial Intelligence in ...
  • [41]. Bansal, A.; Singh, S. Implication of Machine Learning Models ...
  • 3–4 October 2020; pp. 423–433. ...
  • [42]. Melkumova, L.; Shatskikh, S.Y. Comparing Ridge and LASSO estimators ...
  • [43]. Ye, Y.; Gao, J.; Shao, Y.; Li, C.; Jin, ...
  • [44]. Khalil, A.; Almasri, M.N.; McKee, M.; Kaluarachchi, J.J. Applicability ...
  • [45]. Wisnowski, J.W.; Simpson, J.R.; Montgomery, D.C.; Runger, G.C. Resampling ...
  • [46]. Smola, A.J.; Schölkopf, B. A tutorial on support vector ...
  • [47]. Hong, C.-S.; Lee, E.-B. Power Plant Economic Analysis: Maximizing ...
  • [48]. Gato-Trinidad, S.; Gan, K. Rainwater tank rebate scheme in ...
  • [49]. Le, S. The Applications of NPV in Different Types ...
  • [50]. Ebrahimi-Moghadam, A.; Moghadam, A.J.; Farzaneh-Gord, M.; Aliakbari, K. Proposal ...
  • [51]. Steel Statistical Yearbook 2017; World Steel Association Economics Committee: ...
  • [52]. Budinis, S.; Levi, P.; Mandová, H.; Vass, T. Iron ...
  • نمایش کامل مراجع