Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Metallurgical and Materials Transactions B
Erschienen in: Metallurgical and Materials Transactions B 5/2022

02.08.2022 | Original Research Article

Deep Neural Network Prediction Model of Hydrogen Content in VOD Process Based on Small Sample Dataset

verfasst von: Wenjie Yang, Lijun Wang, Wei Zhang, Jianmin Li

Erschienen in: Metallurgical and Materials Transactions B | Ausgabe 5/2022

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This work combines metallurgical thermodynamics and kinetics to train a high-accuracy and low-cost deep neural network (DNN) prediction model for hydrogen content in vacuum oxygen decarburization (VOD) process. The mean absolute error of the trained DNN model was 0.0258 ppm, and the R2 and root mean square errors were 0.9973 and 0.0329, respectively. The sensitivity of the model to single-feature and multi-feature coupling is tested, and the current VOD process is optimized through the model. It was found that by increasing the consumption of argon to 100 m3, controlling the initial hydrogen content below 8 ppm, and reducing the vacuum to 70 Pa, the final hydrogen content will be reduced to 0.99 ppm.
Vorheriger Artikel Degradation Behavior of MgO Refractory by BOF Slags Containing Calcium Chloride
Nächster Artikel Thermodynamics of Gallium (Ga) at Black Copper Smelting Conditions Relevant to E-Waste Processing

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
A.H.S. Bueno, E.D. Moreira, and J.A.C.P. Gomes: Eng. Fail. Anal., 2014, vol. 36, pp. 423–31.CrossRef
2.
Z. Fu, T. Li, M. Shan, G. Gou, Z. Zhu, C. Ma, W. Gao, and Y. Hu: Corros. Sci., 2019, vol. 148, pp. 272–80.CrossRef
3.
4.
K. Steneholm, M. Andersson, A. Tilliander, and P.G. Jönsson: Ironmak. Steelmak., 2019, vol. 40, pp. 199–205.CrossRef
5.
B. Kleimt, S. Köhle, K.P. Johann, A. Jungreithmeier, and J. Molinero: Scand. J. Metall., 2000, vol. 29, pp. 194–205.CrossRef
6.
S. Guo, J. Yu, X. Liu, C. Wang, and Q. Jiang: Comput. Mater. Sci., 2019, vol. 160, pp. 95–104.CrossRef
7.
C. Shen, C. Wang, X. Wei, Y. Li, S.V.D. Zwaag, and W. Xu: Acta Mater., 2019, vol. 179, pp. 201–14.CrossRef
8.
D. Cemernek, S. Cemernek, H. Gursch, A. Pandeshwar, T. Leitner, M. Berger, G. Klösch, and R. Kern: J. Intell. Manuf., 2021, vol. 1, pp. 1–9.
9.
X. Li, C.C. Roth, and D. Mohr: Int. J. Plast, 2019, vol. 118, pp. 320–44.CrossRef
10.
K. Tsutsui, H. Terasaki, T. Maemura, K. Hayashi, K. Moriguchi, and S. Morito: Comput. Mater. Sci., 2019, vol. 159, pp. 403–11.CrossRef
11.
G. Zhai, Y. Narazaki, S. Wang, S. Shajihan, and B. Spencer: Smart Struct. Syst., 2022, vol. 29, pp. 237–50.
12.
X. Gao, F. Deng, and X. Yue: Neurocomputing, 2020, vol. 396, pp. 487–94.CrossRef
13.
W. Chen, Y. Gao, L. Gao, and X. Li: Proc. CIRP, 2018, vol. 72, pp. 1069–72.CrossRef
14.
C. Shen, X. Wei, C. Wang, and W. Xu: Mater. Charact., 2021, vol. 180, 111392.CrossRef
15.
A. Kordijazi, S. Behera, D. Patel, P. Rohatgi, and M. Nosonovsky: Langmuir, 2021, vol. 37, pp. 3766–77.CrossRef
16.
L. Li, B. Xie, Q. Fang, and J. Li: Metall. Mater. Trans. B, 2021, vol. 52, pp. 439–48.CrossRef
17.
W. Mu, M. Rahaman, F.L. Rios, J. Odqvist, and P. Hedström: Mater. Des., 2021, vol. 197, 109199.CrossRef
18.
S. Yu and S. Louhenkilpi: Metall. Mater. Trans. B, 2012, vol. 44, pp. 459–68.CrossRef
19.
20.
R. Ding, B. Blanpain, P.T. Jones, and P. Wollants: Metall. Mater. Trans. B, 2000, vol. 31, pp. 197–206.CrossRef
21.
M. Tan: Special Steel Technol., 2017, vol. 23, pp. 36–38.
22.
F. Karouni, B.P. Wynne, J. Talamantes-Silva, and S. Phillips: ISIJ Int., 2018, vol. 58, pp. 1679–86.CrossRef
23.
B. Kleimt, S. Köhle, and A. Jungreithmeier: Steel Res., 2001, vol. 72, pp. 337–45.CrossRef
24.
Y. Xu, Z. Chen, and G. Zhang: Metall. Mater. Trans. B, 2009, vol. 40, pp. 345–52.CrossRef
25.
M.A. Van Ende, Y.M. Kim, M.K. Cho, J. Choi, and I.H. Jung: Metall. Mater. Trans. B, 2011, vol. 42, pp. 477–89.CrossRef
26.
M.M. Bejani and M. Ghatee: Artif. Intell. Rev., 2021, vol. 54, pp. 6391–438.CrossRef
27.
S.A. Rebuffi, S. Gowal, and D.A. Calian: Adv. Neural. Inf. Process. Syst., 2021, vol. 34, pp. 477–89.
28.
C. Shorten, T.M. Khoshgoftaar, and B. Furht: J. Big Data, 2021, vol. 8, pp. 1–34.CrossRef
29.
H.D. Linh and N.T. Anh: J. Sci. Technol. Inf. Secur., 2021, vol. 2, pp. 55–65.
30.
D.K. Thara, B.G. PremaSudha, and F. Xiong: Patt. Recogn. Lett., 2019, vol. 128, pp. 544–50.CrossRef
31.
S. Cofre-Martel, E. LopezDroguett, and M. Modarres: Sensors, 2021, vol. 21, p. 6841.CrossRef
32.
T.S. Gunawan and M. Kartiwi: Indones. J. Electr. Eng. Comput. Sci., 2018, vol. 12, pp. 722–28.
33.
I.M. Kamal, H. Bae, S. Sim, and H. Kim: ICIC Express Lett., 2019, vol. 13, pp. 427–34.
34.
W. Haoxiang and S. Smys: J. Ubiquitous Comput. Commun. Technol., 2021, vol. 3, pp. 10–22.
35.
K. Vijayakumar, V.J. Kadam, and S.K. Sharma: Concurr. Eng., 2021, vol. 29, pp. 275–84.CrossRef
36.
S.H. Wang, K. Muhammad, J. Hong, A.K. Sangaiah, and Y.D. Zhang: Neural Comput. Appl., 2020, vol. 32, pp. 665–80.CrossRef
37.
S.S. Lee, S.T. Choi, and S.I. Choi: Sensors, 2019, vol. 19, pp. 1–5.CrossRef
38.
Y. Li, N. Wang, J. Shi, X. Hou, and J. Liu: Pattern Recogn., 2018, vol. 80, pp. 1–24.CrossRef
39.
I. Nurhaida, V. Ayumi, D. Fitrianah, R.A.M. Zen, H. Noprisson, and H. Wei: Int. J. Electr. Comput. Eng., 2020, vol. 10, pp. 132–44.
40.
I. Cortes-Ciriano and A. Bender: J. Chem. Inf. Model, 2019, vol. 59, pp. 1–25.CrossRef
41.
K. Wang, P. Wu, H. Cui, and H. Su: Comput. Electron. Agric., 2021, vol. 187, 106275.CrossRef
42.
43.
Q. Zhou, F. Lu, M. Xu, P.C. Peng, S. Liu, S. Shen, R. Zhang, S. Yao, J. Finkelstein, and G.K. Chang: IEEE Photon. Technol. Lett., 2018, vol. 30, pp. 1–4.CrossRef
44.
B. Zraibi, C. Okar, H. Chaoui, and M. Mansouri: IEEE Trans. Veh. Technol., 2021, vol. 70, pp. 4252–61.CrossRef
45.
S. Lee, Y. Lee, Y. Lee, M. Kim, S. Shin, J. Park, and K. Min: Int. J. Automot. Technol., 2020, vol. 21, pp. 571–78.CrossRef
46.
Y. Cui, S. Ma, Z. Yao, X. Chen, Z. Luo, W. Fan, and Y. Hong: Remote Sens., 2020, vol. 12, pp. 1–7.
Metadaten
Titel
Deep Neural Network Prediction Model of Hydrogen Content in VOD Process Based on Small Sample Dataset
verfasst von
Wenjie Yang
Lijun Wang
Wei Zhang
Jianmin Li
Publikationsdatum
02.08.2022
Verlag
Springer US
Erschienen in
Metallurgical and Materials Transactions B / Ausgabe 5/2022
Print ISSN: 1073-5615
Elektronische ISSN: 1543-1916
DOI
https://doi.org/10.1007/s11663-022-02592-5

Weitere Artikel der Ausgabe 5/2022

Metallurgical and Materials Transactions B 5/2022 Zur Ausgabe

Original Research Article

Interfacial Behaviour in Ferroalloys: The Influence of FeMn Slag Composition

Original Research Article

Segregation of a Phosphorus Rich Phase During Differential Solidification of BOF Slag

Original Research Article

Decreasing Central Porosities in a Continuous Casting Thick Slab by Heavy Mechanical Reduction Near the Solidification End

Original Research Article

Effects of High-Temperature Characteristics of Calcium Ferrites on the Sinter Strength

Original Research Article

Refinement Mechanism of Primary Carbides in H13 Die Steel Solidified in Super-Gravity Field

Original Research Article

Interaction Between Oxide Inclusions and Low-Density Steel During Heat Treatment

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise