连续铸钢计算机控制系统的建立,是连铸生产自动化的保证。为了进一步提高和完善该系统的控制功能,运用计算机辅助手段对连续铸钢凝固传热过程的数学模型（尤其是二冷水控制模型）进行仿真分析与研究,具有特别重要的意义。本文主要介绍了连续铸钢凝固传热过程数学模型的建立、仿真算法的数学抉择、连续铸钢凝固传热过程计算机仿真软件包的主要内容及该软件包应用于实际的结果分析等

1.1 亚原子粒子 Subatomic particles 1.2 波粒二象性 — 赖以建立现代模型的量子力学 概念 Wave-particle duality — a fundamental concept of quantum mechanics 1.3 氢原子结构的量子力学模型 — 波尔模型 The quantum mechanical model of the structure of hydrogen atom —Bohr’s model 1.4 原子结构的波动力学模型 The wave mechanical model of the atomic structure 1.5 多电子原子轨道的能级 Energy level in polyelectronic atoms 1.6 基态原子的核外电子排布 Ground-state electron configuration 1.7 元素周期表 The periodic table of elements 1.8 原子参数 Atomic parameters

为了实现炼钢过程钢水温度的精确控制，在分析了实际炼钢厂钢水温度控制现状和钢水温度影响因素的基础上，建立了关键工序节点钢水温度的正向预测模型和逆向预定模型.同时，为了克服现有钢水温度预报方法的不足，提出一种基于钢包热状态和BP神经网络的混合模型方法.该方法以钢包热状态跟踪模型为基础，充分考虑了钢包热状态对钢水温度的影响，并与BP神经网络结合，可有效提高预测精度

§1 高等数学相关模型 1.1卫星轨道长度 1.2射击命中概率 1.3人口增长率 §2 线性代数相关模型 2.1投入产出综合平衡分析 2.2输电网络 §3 概率统计相关模型 3.1合金强度与碳含量 3.2年龄与运动能力 3.3商品销售量与价格

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性

何为子模型？ 子模型是得到模型部分区域中更加精确解的有限单元技术。在有限元分析 中往往出现这种情况，即对于用户关心的区域，如应力集中区域，网格太疏不能 得到满意的结果，而对于这些区域之外的部分，网格密度已经足够了。见图 5-1

已经学习回归模型和时间序列模型，如果把这两种分析方法结合在一起，有时会得到比 其中任何一种方法都好的预测结果

黏度是冶金熔渣的基本物理性质，其大小直接影响到反应速率、熔渣分离效果等冶炼过程。通过深入探索熔渣黏度与其结构的关系，在分析熔渣黏度与其(NBO/T)比值（即单个聚合物粒子所拥有的非桥氧数量）相互关系的基础上，本文提出基于（NBO/T）比值的多元熔渣黏度计算模型。首先建立SiO2–∑MxO简单渣系的黏度计算模型，通过拟合纯氧化物和SiO2–MxO二元渣系的黏度数据得到模型参数，拟合平均误差在9%～18.5%之间；随后将该模型扩展至SiO2–Al2O3–∑MxO多元渣系的黏度计算，针对Al2O3在熔渣中同时表现出酸性氧化物和碱性氧化物的特点，在计算SiO2–Al2O3–MxO三元渣系黏度时，将其中的Al2O3拆分为酸性物质和碱性物质来计算（NBO/T）比值和黏度活化能。在SiO2–MxO二元系模型参数的基础上，通过拟合SiO2–Al2O3–MxO三元渣系的黏度数据得到含Al2O3渣系的模型参数，拟合平均误差在10%～25%之间。利用该模型计算了SiO2–Al2O3–CaO–MgO–FeO–Na2O–K2O–Li2O–BaO–SrO–MnO多元复杂渣系及其子体系的黏度值，计算平均误差在25%以内，取得了较好的预报效果。本模型基于熔渣结构理论，并借鉴了经验模型的数据处理方式，在预报效果和适用范围上都优于传统经验模型，在计算方式上比结构模型要简单

采用边界元方法建立了某大型高炉炉缸炉底侵蚀判定的数学模型.该模型用于推定高炉炉底1150℃等温线的位置和形状,以了解和分析炉缸炉底的破损情况.结果表明,边界元方法在近似单一介质热传导问题中所建立的数学模型用来预测高炉炉缸炉底侵蚀状况,有省时、精度可控的优点

本文旨在对深度学习模型可解释性的研究进展进行系统性的调研,从可解释性原理的角度对现有方法进行分类,并且结合可解释性方法在人工智能领域的实际应用,分析目前可解释性研究存在的问题,以及深度学习模型可解释性的发展趋势。为全面掌握模型可解释性的研究进展以及未来的研究方向提供新的思路