پیش بینی نرخ تولید در فرآیند احیاء مستقیم آهن اسفنجی به روش میدرکس با استفاده از روش های یادگیری عمیق

این مقاله به پیش‌بینی نرخ تولید در فرآیند احیای مستقیم آهن اسفنجی با استفاده از مدل حافظه کوتاه-بلند مدت دو طرفه می‌پردازد. داده‌های مربوط به چندین ماه از واحدهای احیاء مستقیم فولاد خوزستان جمع‌آوری شده‌اند. پس از بررسی همبستگی بین داده‌ها، شش ویژگی اصلی انتخاب شدند. داده‌ها پس از انجام پیش پردازش های لازم، برای مدل حافظه کوتاه-بلند مدت دو طرفه آماده شدند. به منظور تنظیم بهینه هایپرپارامترها از متود جستجوی شبکه توری استفاده شد. نتایج مدل با معیارهای ارزیابی مختلف شامل میانگین مربعات خطا ، ضریب تعیین و میانگین درصد خطای مطلق مورد بررسی قرار گرفت. مدل بهینه شده توانست با دقت قابل قبولی نرخ تولید را پیش‌بینی کند. این مطالعه نشان می‌دهد که استفاده از تکنیک‌های یادگیری عمیق می‌تواند به مدیریت تولید و کاهش مصرف انرژی در فرآیندهای صنعتی کمک کند.