| مشخصات مقاله | |
| ترجمه عنوان مقاله | یک مدل پیش بینی سرباره در یک فرآیند کوره قوس الکتریکی برای تولید فولاد ویژه |
| عنوان انگلیسی مقاله | A slag prediction model in an electric arc furnace process for special steel production |
| انتشار | مقاله سال ۲۰۲۱ |
| تعداد صفحات مقاله انگلیسی | ۶ صفحه |
| هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
| پایگاه داده | نشریه الزویر |
| نوع نگارش مقاله |
مقاله پژوهشی (Research Article) |
| مقاله بیس | این مقاله بیس نمیباشد |
| نوع مقاله | ISI |
| فرمت مقاله انگلیسی | |
| شناسه ISSN | ۲۳۵۱-۹۷۸۹ |
| فرضیه | ندارد |
| مدل مفهومی | ندارد |
| پرسشنامه | ندارد |
| متغیر | ندارد |
| رفرنس | دارد |
| رشته های مرتبط | مهندسی مکانیک و مهندسی مواد |
| گرایش های مرتبط | ساخت و تولید، متالوژی صنعتی |
| نوع ارائه مقاله |
ژورنال |
| مجله | Procedia Manufacturing |
| دانشگاه | TECNALIA, Basque Research and Technology Alliance (BRTA), Spain |
| کلمات کلیدی | مدل پیش بینی سرباره، سنسورهای نرم، فرآیند کوره قوس الکتریکی، یادگیری ماشین |
| کلمات کلیدی انگلیسی | slag prediction model – soft-sensors – electric arc furnace process -Machine Learning |
| شناسه دیجیتال – doi |
https://doi.org/10.1016/j.promfg.2021.07.027 |
| کد محصول | E15748 |
| وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
| دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
| سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
| فهرست مطالب مقاله: |
| Abstract Introduction The electric arc furnace process Predictive model generation Discussion Conclusions and future work References |
| بخشی از متن مقاله: |
| Introduction In the industrial sector and in traditional industrial processes, such as the steel industry, more and more elements of the chain are digitized. The availability of data is increasing, but this data is difficult to structure, process and in some cases to collect, and it is also difficult to extract valuable information from it. In this context, efficiency in industrial processes is of great importance, especially when it is intended to reduce the ecological footprint, while maintaining the production availability. The optimization of steel production tends to apply new technologies, combining automation, connectivity, digitization and artificial intelligence, which will make these processes more efficient. In addition, the intelligent combination of different tools, such as physical modeling and data-driven modeling, will play an important role in the digitization of the steel sector. In [2], the importance of digitization in this sector is exposed where it is argued that one of the most important lines is adaptive online control. |