在全球碳中和目标驱动下,钢铁工业亟需低碳冶金技术革新。本文基于热力学最小自由能原理,构建了铁氧化物碳还原与碳-氢协同还原理论模型,量化分析了还原剂消耗、能耗及碳排放极限。研究表明:氢还原吨铁需53.7 kg H_(2)及878.4 MJ热量,...
详细信息
在全球碳中和目标驱动下,钢铁工业亟需低碳冶金技术革新。本文基于热力学最小自由能原理,构建了铁氧化物碳还原与碳-氢协同还原理论模型,量化分析了还原剂消耗、能耗及碳排放极限。研究表明:氢还原吨铁需53.7 kg H_(2)及878.4 MJ热量,对应碳排放仅为H_(2)O,较传统碳还原碳排放强度降低97%,节能率达80.6%。碳-氢协同还原可降低20%~40%碳耗,高温(>810℃)下氢气还原效率较CO提升30%~50%,且温度每升高100℃,氢利用率增加8%~12%。碳循环与氢循环在>1000℃及C/CO_(2)摩尔比>1.5时协同作用显著,平衡转化率达99%,双循环耦合可额外减排0.3~0.5 t CO_(2)/t Fe。提出了高炉富氢冶炼工艺优化路径,综合减排潜力达30%~40%。本研究为氢冶金工业化及钢铁低碳转型提供了关键理论支撑。
命名实体识别属于自然语言处理领域词法分析中的一部分,是计算机正确理解自然语言的基础。为了加强模型对命名实体的识别效果,本文使用预训练模型BERT(bidirectional encoder representation from transformers)作为模型的嵌入层,并针对...
详细信息
命名实体识别属于自然语言处理领域词法分析中的一部分,是计算机正确理解自然语言的基础。为了加强模型对命名实体的识别效果,本文使用预训练模型BERT(bidirectional encoder representation from transformers)作为模型的嵌入层,并针对BERT微调训练对计算机性能要求较高的问题,采用了固定参数嵌入的方式对BERT进行应用,搭建了BERT-BiLSTM-CRF模型。并在该模型的基础上进行了两种改进实验。方法一,继续增加自注意力(self-attention)层,实验结果显示,自注意力层的加入对模型的识别效果提升不明显。方法二,减小BERT模型嵌入层数。实验结果显示,适度减少BERT嵌入层数能够提升模型的命名实体识别准确性,同时又节约了模型的整体训练时间。采用9层嵌入时,在MSRA中文数据集上F1值提升至94.79%,在Weibo中文数据集上F1值达到了68.82%。
暂无评论