[发明专利]一种含挥发组元炉渣实际成分及物性随时间变化的预测方法

权利要求书

1.一种含挥发组元炉渣实际成分及物性随时间变化的预测方法，其特征在于，包括如下步骤：

(1)对含挥发组元炉渣初始成分进行检测分析；

(2)在加热温度为600～1600℃，加热时间为0～300分钟的条件下，对步骤一中的含挥发性组元炉渣进行多组物性检测，获得炉渣在不同加热温度、加热时间条件下的物性参数测定结果，所述物性参数包括熔点、粘度、密度、表面张力、导电性以及导热性；

(3)对步骤二中的相关炉渣立刻进行急冷处理至室温，并对该炉渣实际成分进行检测分析；

(4)根据步骤(1)确定的炉渣初始成分，以及步骤(2)、(3)的炉渣在不同加热温度、加热时间条件下获得的物性参数与炉渣实际成分，建立BP神经网络模型预测相应时间下的炉渣实际成分和物性参数对应关系，所述BP神经网络模型按照如下步骤建立：

(41)采集步骤(2)、(3)中不同加热温度、加热时间条件下的炉渣物性参数和实际成分作为样本数据，并进行归一化处理，将样本数据分为训练样本和测试样本；

(42)将炉渣初始成分、加热温度与加热时间作为BP神经网络模型的输入层，所需预测的炉渣实际成分和物性参数作为炉渣相应时间下BP神经网络模型的输出层；输入层和输出层之间设有一隐含层，确定隐含层单元数；

(43)选用随机数作为初始权值初始化所述BP神经网络模型，选择激活函数；

(44)将训练样本输入BP神经网络模型进行训练，计算输出层的预测结果，然后计算预测结果与步骤(3)所测结果之间的误差，判断输出误差是否达到要求或训练次数达到最大训练次数，若达到前述任一条件，则结束训练；否则调整各节点的权重后执行下次训练；

(45)训练结束后输入测试样本进行测试，计算并记录本次神经网络的预测结果，以及预测结果与实际数值之间的误差；

(46)调整隐含层的节点数，重建BP神经网络模型，重复第(43)至第(45)步；

(47)比较预测性能，选择最优的BP神经网络模型来进行预测。

2.根据权利要求1所述的一种含挥发组元炉渣实际成分及物性随时间变化的预测方法，其特征在于，所述炉渣包括含铅渣、含氧化钠渣、含挥发性氟化物渣以及含挥发性氯化物渣。

3.根据权利要求1-2任一项所述的一种含挥发组元炉渣实际成分及物性随时间变化的预测方法，其特征在于，所述激活函数选取

4.根据权利要求1-2任一项所述的一种含挥发组元炉渣实际成分及物性随时间变化的预测方法，其特征在于，所述训练样本采用trainGDM算法进行训练。