Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Computer Methods in Materials Science

1 2011

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Temperature prediction in electric arc furnace by the use of decision trees

Wieczorek T., Mączka K., Gansty K.

Computer Methods in Materials Science

2011

Vol. 11, No. 1

115-121

Decision trees arę one of the computing intelligence methods which proved to be very reliable as far as solving complicated multidimensional problems is concerned. Therefore, these methods are often used for extracting rules and to predict variables, what makes them useful for production automation. In this paper authors discuss the possibility of the use of decision trees for electric are steelmaking process. The main goal is to predict temperature in the electric are furnace by the use of decision trees. Proper automatic temperature prediction may reduce the number of temperature measurements during the process and consequently, it may shorten the time of the process. Optimization of production processes leads to real benefits, which is, for example, lowering costs of production. Calculations were done by the use of six types of regression decisions trees available in Statistica Data Miner software. The algorithms were examined considering the minimum error rate of temperature prediction, but also less complicated tree structure. The structure of a decision tree is also important owing to computational complexity.

Drzewa decyzji są jednymi z metod inteligencji obliczeniowej, które okazały się niezawodne przy rozwiązywaniu skomplikowanych, wielowymiarowych problemów obliczeniowych. Dlatego też, metody te są często stosowane do ekstrakcji reguł oraz do przewidywania wartości zmiennych, co czyni je szczególnie użytecznymi w problemach automatyzacji produkcji. W niniejszej pracy autorzy zaprezentują możliwość zastosowania drzew decyzji podczas procesu elektrołukowego. Głównym celem jest predykcja temperatury w elektrycznym piecu łukowym przy użyciu drzew decyzji. Poprawne i automatyczne przewidywanie temperatury może pozwolić na redukcję liczby wykonywanych pomiarów podczas procesu, a co za tym idzie, może pozwolić na skrócenie czasu całego procesu. Optymalizacja procesu daje wymierne korzyści, którymi mogą być na przykład niższe koszty produkcji. Obliczenia wykonane zostały przy użyciu sześciu typów drzew regresyjnych dostępnych w pakiecie Statistica Data Miner. Algorytmy były testowane pod względem osiągania jak najmniejszego błędu predykcji temperatury, ale także pod względem jak najmniej skomplikowanej struktury drzewa, która jest także ważnym elementem pod względem złożoności obliczeniowej.