指导钢包烘烤人员对设备进行实时调节和监控．表４ＬＳＴＭ⁃ＧＡ模型对特定工况的优化结果Ｔａｂｌｅ４ＯｐｔｉｍｉｚａｔｉｏｎｒｅｓｕｌｔｓｏｆＬＳＴＭ⁃ＧＡｍｏｄｅｌｆｏｒｓｐｅｃｉｆｉｃｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓ参数优化前优化后ＮＯｘ排放量／（ｍｇ·ｍ－３）１４７８３１２３６２燃烧效率／％５４６７３６２３９１升温速率／（Ｋ·ｈ－１）４８５４１５２１７２空气流量／（ｍ３·ｈ－１）２３７６４２０１３２氧气流量／（ｍ３·ｈ－１）０８１２７空燃比３９６１３４９０４结论（１）在燃烧模拟中，采用改进的ＷＳＧＧＭ模型模拟钢包烘烤过程中的燃烧和流动过程，与钢包烘烤现场数据相比，计算结果平均误差均小于５％．（２）基于模拟数据建立的ＬＳＴＭ深度学习预测模型准确度较高，预测ＮＯｘ排放量、燃烧效率和升温速率的平均相对误差分别为０２７８％，０２４４％和０１８９％．（３）利用ＬＳＴＭ－ＧＡ模型进行的多目标优化可以在一定范围内减少ＮＯｘ的排放量，提高燃烧效率，增加升温速率．ＮＯｘ排放量、燃烧效率和升温速率的优化量分别为２４２１ｍｇ／ｍ３，７７１８％和３６３１Ｋ／ｈ．５参考文献［１］白俊丽．钢铁行业智能制造现状及发展途径［Ｊ］．天津冶金，２０２０（１）：６４－６７．［２］洪宇杰，杨建平，刘青，等．离线烘烤钢包数量计算模型建立［Ｊ］．钢铁研究学报，２０２１，３３（３）：２０９－２１６［３］刘楠，刘颖慧，张第，等．人工智能与工业互联网融合发展促进产业数字化转型［Ｊ］．信息通信技术，２０２０，１４（３）：７－１１．［４］ＬｉｕＤ，ＫｏｎｇＨ，ＬｕｏＸＺ，ｅｔａｌ．ＢｒｉｎｇｉｎｇＡＩｔｏｅｄｇｅ：ｆｒｏｍｄｅｅｐｌｅａｒｎｉｎｇ’ｓｐｅｒｓｐｅｃｔｉｖｅ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０２２，４８５：２９７－３２０．［５］张苹，韩大平，郝晓静，等．ＢＰ算法的模糊神经网络及烧结终点辅助预测模型［Ｊ］．材料与冶金学报，２００４，３（２）：１５７－１６０．［６］ＬｉｕＸＨ，ＴｉａｎＪＹ，ＬｉＢ，ｅｔａｌ．ＰｒｅｓｓｕｒｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｎｔｒａｎｓｉｔｉｏｎｌａｄｌｅｂａｓｅｄｏｎａｄａｐｔｉｖｅＰＳＯ⁃ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｈｙｓｉｃｓ：ＣｏｎｆｅｒｅｎｃｅＳｅｒｉｅｓ，２０２２，２１７０（１）：０１２０...
