单位能耗是反映能源消费水平和节能降耗状况的主要指标，一次能源供应总量与国内生产总值(GDP)的比率，是一个能源利用效率指标。该指标说明一个国家经济活动中对能源的利用程度，反映经济结构和能源利用效率的变化。
冶金是推进节能降耗的重点行业。高炉热风炉和加热炉等装置是节能降耗的关键环节是国内外专家学者研究和关注的重点。沈自所设计了基于时间卷积网络和迁移学习技术的多区炉温预测框架，并通过生成对抗网络来提升预测精度，建立了实时的炉温预测模型。实例研究表明，团队所提出的基于迁移学习的炉温预测框架在每个加热区快速建模的基础上都能极大提升预测精度。
对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最 早出现的卷积神经网络;在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。
卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
迁移学习是一种机器学习方法，就是把为任务 A 开发的模型作为初始点，重新使用在为任务 B 开发模型的过程中。深度学习中在计算机视觉任务和自然语言处理任务中将预训练的模型作为新模型的起点是一种常用的方法，通常这些预训练的模型在开发神经网络的时候已经消耗了巨大的时间资源和计算资源，迁移学习可以将已习得的强大技能迁移到相关的的问题上。深度学习中的这种迁移被称作归纳迁移。就是通过使用一个适用于不同但是相关的任务的模型，以一种有利的方式缩小可能模型的搜索范围。
在冶金工业中，加热炉是将物料或工件(一般是金属)加热到轧制成锻造温度的设备(工业炉)。加热炉应用遍及石油、化工、冶金、机械、热处理、表面处理、建材、电子、材料、轻工、日化、制药等诸多行业领域。按炉温分布，炉膛沿长度方向分为预热段、加热段和均热段。进料端炉温较低为预热段，其作用在于利用炉气热量，以提高炉子的热效率。加热段为主要供热段，炉气温度较高，以利于实现快速加热。均热段位于出料端，炉气温度与金属料温度差别很小，保证出炉料坯的断面温度均匀。
用于加热小断面料坯的炉子只有预热段和加热段。习惯上还按炉内安装烧嘴的供热带划分炉段，依供热带的数目把炉子称为一段式、二段式，以至五段式、六段式等。50～60年代，由于轧机能力加大，而推钢式炉的长度受到推钢长度的限制不能太长，所以开始在进料端增加供热带，取消不供热的预热段，以提高单位炉底面积的生产率。
用这种炉子加热板坯，炉底的单位面积产量达900～1000公斤/(米2·时)，热耗约为(0.5～0.65)×106千卡/吨。70年代以来，由于节能需要，又由于新兴的步进式炉允许增加炉子长度，所以又增设不供热的预热段,最佳的炉底单位面积产量在600～650公斤/(米2·时)，热耗约为(0.3～0.5)×106千卡/吨。连续加热炉通常使用气体燃料、重油或粉煤，有的烧块煤。为了有效地利用废气热量，在烟道内安装预热空气和煤气的换热器，或安装余热锅炉。
加热炉包括有连续加热炉和室式加热炉等。金属热处理用的加热炉另称为热处理炉。初轧前加热钢锭或使钢锭内部温度均匀的炉子称为均热炉。广义而言，加热炉也包括均热炉和热处理炉。
在锻造和轧制生产中，钢坯一般在完全燃烧火焰的氧化气氛中加热。采用不完全燃烧的还原性火焰(即“自身保护气氛”)来直接加热金属，可以达到无氧化或少氧化的目的。这种加热方式称为明火式或敞焰式无氧化加热，成功地应用于转底式加热炉和室式加热炉。
加热炉相关技术
1、加热炉热负荷。即每台加热炉单位时间内向管内介质传递热量的能力，表示加热炉的生产能力大小。
2、炉膛温度。俗名火墙温度，指的是烟气离开辐射室进入对流室时的温度。这个温度越高，则辐射炉管传热量越大，进入对流室的热量也越大，但若温度过高，容易烧坏炉管及中间管架。
3、炉膛热强度。即单位时间内、单位体积炉膛内燃料燃烧的总发热量W/m2。炉膛尺寸一定后，多烧燃料必然提高炉膛热强度，相应地炉膛温度也会提高，炉子内炉管受热量也就增多,般管式加热炉的炉膛热强度为8.14~11.63W/m3(7~10kcal/m3·h)。
4、炉管表面热度。炉管单位表面积、单位时间内所传递的热量称为炉管的表面热强度。炉管表面热强度越高，在一定热负荷所需的炉管就越少，炉子可减少，投资降低，但提高有一个限度。
5、炉子热效率。加热炉负荷占燃料燃烧时放出总热量的百分比数称为炉子热效率。热效率越高，燃料越节省。它表示了炉子是否先进。
6、管内流速。流速越小，传热系数越小，介质在炉内的的停留时间越长，管内介质越易结焦，炉管越容易损坏，但流速过高又增大管内压力降，增加动力消耗，因此管内流速要适宜。
