相关实验视频
Updated: Jun 21, 2025
09:17
Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
765
使用K-medoids和时间感知LSTM网络预测钢制工艺变量
Ruixuan Zheng1, Yanping Bao1, Lihua Zhao2
1State Key Laboratory of Advanced Metallurgy, University of Science and Technology Beijing, Beijing, 100083, China.
Heliyon
|July 12, 2024
概括
预测工业过程参数是一项挑战. 一个新的多模型长短期记忆 (LSTM) 网络有效地预测了钢铁制造业的产量,高于其他模型的高精度.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 数据科学数据科学数据科学
背景情况:
- 钢铁制造等工业过程涉及复杂的高温,高压参数.
- 准确预测工艺参数,如产量,对于效率和质量控制至关重要.
- 现有的方法与高维度,杂和异常产业数据作斗争.
研究的目的:
- 开发和评估工业过程参数的新型预测算法.
- 专门解决预测转换器钢铁制造中的产量的挑战.
- 改进现有的神经网络模型,以处理复杂的工业数据集.
主要方法:
- 提出了一个多模型的长期短期记忆 (LSTM) 网络.
- 算法设计用于处理不规则的时间间隔序列.
- 利用来自钢铁厂的现实数据进行评估.
主要成果:
- 拟议的LSTM算法与其他神经网络模型相比,表现优越.
- 有效地分类高维,多余的工业生产数据,即使有噪音和异常值.
- 在合金产量预测中实现了明显较低的0.01以下的平均绝对误差 (MAE).
结论:
- 多模型LSTM网络是预测钢铁制造业产量的可行和实用的方法.
- 该算法显示了优化高温,高压工业过程的巨大潜力.
- 与现有模型相比,这种方法在预测合金产量方面提供了更高的准确性.
