Resumen

A medida que la eficiencia energética adquiere mayor importancia para la industria siderúrgica, el proceso de sinterización del mineral de hierro está atrayendo más atención, ya que consume la segunda mayor cantidad de energía en los procesos de fabricación de hierro y acero. El presente trabajo tiene como objetivo proponer un modelo de predicción para los caracteres de sinterización del mineral de hierro. Se desarrolla un modelo de conjunto híbrido que combina la máquina de aprendizaje extremo (ELM) con un algoritmo mejorado de AdaBoost.RT para el problema de regresión. En primer lugar, los factores que afectan al consumo de combustible sólido, al consumo de combustible gaseoso, al punto de quemado (BTP) y al índice de volteo (TI) se clasifican según la secuencia de ponderación de los atributos aplicando el método RReliefF. En segundo lugar, se selecciona la red ELM como predictor de conjunto debido a su rápida velocidad de aprendizaje y su buen rendimiento de generalización. En tercer lugar, se establece un AdaBoost.RT mejorado para superar la limitación del AdaBoost.RT convencional mediante el autoajuste dinámico del valor del umbral. A continuación, se emplea un ELM conjunto utilizando el AdaBoost.RT mejorado para obtener una mayor precisión que el predictor individual. Finalmente, este modelo híbrido ensemble se aplica para predecir los caracteres de sinterización del mineral de hierro mediante los datos de producción de la máquina de sinterización nº 4 de Baosteel. Los resultados obtenidos muestran que el modelo propuesto es eficaz y factible para el proceso de sinterización práctico. Además, a través del análisis de los primeros factores superiores, la eficiencia energética y la calidad del sinterizado podrían mejorarse de forma evidente.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:mineral de hierro, adaboost mejorado, modelo de conjunto híbrido, eficiencia energética, buen rendimiento de generalización, velocidad de aprendizaje rápida, consumo de combustible sólido, consumo de combustible gaseoso, proceso de sinterización práctico, segunda gran cantidad
• Keywords:iron ore, improved adaboost, hybrid ensemble model, energy efficiency, good generalization performance, fast learning speed, solid fuel consumption, gas fuel consumption, practical sintering process, second large amount