Predictive control of blast furnace temperature in steelmaking with hybrid depth-infused quantum neural networks
Diese Studie stellt einen hybriden quantenklassischen neuronalen Netzwerkansatz vor, der durch die Kombination von Quanten-Feature-Exploration und klassischer Regression die Vorhersagegenauigkeit des Hochofentemperaturverlaufs um über 25 % steigert und die Temperaturregelung durch Optimierung der Kohleeinspritzung von einer Schwankungsbreite von ±50 °C auf ±7,6 °C stabilisiert.