مقاله انگلیسی  مدل پیش بینی سرباره در فرآیند کوره قوس الکتریکی
ترجمه نشده

مقاله انگلیسی مدل پیش بینی سرباره در فرآیند کوره قوس الکتریکی

عنوان فارسی 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
مجله/کنفرانس: Procedia Manufacturing
رشته های تحصیلی مرتبط: مهندسی مکانیک و مهندسی مواد
گرایش های تحصیلی مرتبط: ساخت و تولید، متالوژی صنعتی
کلمات کلیدی فارسی: 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
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.promfg.2021.07.027
دانشگاه: TECNALIA, Basque Research and Technology Alliance (BRTA), Spain
صفحات مقاله انگلیسی: 6
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2021
ایمپکت فاکتور: ـ
شاخص H_index: ـ
شاخص SJR: ـ
شناسه ISSN: 2351-9789
شاخص Quartile (چارک): ـ
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: E15748
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی)

Abstract
Introduction
The electric arc furnace process
Predictive model generation
Discussion
Conclusions and future work
References

بخشی از مقاله (انگلیسی)

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.