Resumen

El algoritmo de Optimización por Enjambre de Partículas (PSO) cae rápidamente en el óptimo local, de baja precisión. En este trabajo, se añade la operación seno de oro a la actualización de la posición de las partículas. Los resultados muestran que el algoritmo PSO mejorado tiene mejor capacidad de optimización. Se seleccionan los principales parámetros que afectan al contenido de silicio en el metal caliente. A continuación, se calcula el coeficiente de correlación y el nivel de significación entre los parámetros y el contenido de silicio en el metal caliente. Por último, se establece el modelo de predicción del contenido de silicio en el metal caliente basándose en el Random Forest (RF) optimizado por el PSO mejorado. Los resultados muestran que el porcentaje de aciertos es del 87,17 %.

INTRODUCCIÓN

La temperatura del horno influye significativamente en los altos hornos, y no es fácil medirla por instrumentos. El contenido de silicio en el metal caliente puede reflejar indirectamente la temperatura del horno. La predicción del contenido de silicio puede proporcionar una referencia esencial para los operadores de altos hornos. Los investigadores han establecido varios modelos de predicción, como la red neuronal [1], la máquina de vectores de soporte (SVM) [2] y la RF [3]. La red neuronal recurrente con estructura de memoria a corto plazo predice el contenido de silicio en [1]. La SVM optimizada mediante un optimizador de enjambre de partículas mejorado predice el contenido de silicio en [2]. En [3], el modelo de predicción se optimiza con RF mediante la búsqueda en cuadrícula. Sin embargo, la tasa de aciertos no es lo suficientemente alta. Las principales razones son la optimización de los parámetros y la calidad del conjunto de datos. Eberhart y Kennedy proponen PSO [4] en 1995. Tanyildizi y Demir proponen el algoritmo Golden Sine (Gold-SA) [5] en 2017. En este trabajo se propone una Optimización por Enjambre de Partículas con Seno Dorado (GSPSO). Añade la operación seno dorado a la parte local de PSO y mejora el peso de inercia a exponencial decreciente. Los experimentos muestran que se mejora la capacidad de búsqueda de GSPSO. En primer lugar, se determinan los principales parámetros que afectan a la fluctuación del contenido de silicio. A continuación, se calcula el coeficiente de correlación y el nivel de significación entre los parámetros y el contenido de silicio en el metal caliente. De este modo, se forma un conjunto de datos de alta calidad de acuerdo con el coeficiente de correlación. Por último, la RF optimizada por GSPSO se utiliza para predecir el contenido de silicio. Los resultados muestran que el GSPSO-RF propuesto en este trabajo tiene mejor rendimiento que SVM y GSPSO-SVM.

OPTIMIZACIÓN POR ENJAMBRE DE PARTÍCULAS

En PSO, $x_i =(x_i^1, x_i^2,...,x_i^N)$ y $v_i =(v_i^1, v_i^2,...,v_i^N)$ son la posición y la velocidad de la partícula. ​

• Materias:Alto horno Algoritmo de optimización Metales Silicio
• Subjects:Blast furnace Optimization algorithm Metals Silicon
• Palabras claves:Alto horno; Metal caliente; Silicio; Optimización de enjambre de partículas; Algoritmo de seno dorado; Bosque aleatorio
• Keywords:Blast furnace; Hot metal; Silicon; Particle swarm optimization; Golden sine algorithm; Random forest