转炉终渣成分和溅渣时间数据驱动预测模型开发

炼钢 ›› 2023, Vol. 39 ›› Issue (4): 21-27.

转炉终渣成分和溅渣时间数据驱动预测模型开发

洪科¹，赵自鑫²，钟良才¹，于海岐²，刘承军¹

1.东北大学冶金学院，沈阳 110819；
2.鞍钢股份有限公司鲅鱼圈钢铁分公司，辽宁营口 115000

出版日期:2023-08-05 发布日期:2023-07-25

Development of data driven prediction model for endpoint slag composition and slag splashing time of converter

Online:2023-08-05 Published:2023-07-25

摘要/Abstract

摘要： 基于260 t转炉实际生产数据，通过机器学习算法XGBoost（eXtreme Gradient Boosting，极限梯度提升树）、弹性回归、线性回归、AdaBoost(Adaptive Boosting，自适应提升树)四种算法建立了终渣主要成分CaO、SiO₂、TFe和MgO的预测模型。通过优化调参，XGBoost终渣成分预测模型的决定系数R²均在0.8以上。溅渣时间模型采用SVR（Support Vector Regression, 支持向量机回归）、LGBM （Light Gradient Boosting Machine，轻量梯度提升机回归）、GBDT（Gradient Boosting Decision Tree, 梯度提升树回归）、RF（Random Forest, 随机森林）和XGBoost五种算法进行建模。通过探究，将SVR、XGBoost、GBDT算法使用集成方法得到Stacking集成溅渣时间预测模型，Stacking集成溅渣时间预测模型提升了单个模型的预测效果，偏差为±20 s的预测命中率达89.95 %。

关键词: 转炉, 溅渣护炉, 终渣成分, 溅渣时间, 预测模型, 机器学习

Abstract: Based on the actual production data of 260 t converter, prediction models of the main components of endpoint slag,CaO, SiO₂, TFe and MgO, were established through four algorithms of machine learning algorithm,XGBoost (eXtreme Gradient Boosting), elastic regression, linear regression and AdaBoost (Adaptive Boosting). By optimizing the parameters, the determination coefficients R² of XGBoost endpoint slag composition prediction model is all above 0.8.The slag splashing time model was modeled using five algorithms: SVR (Support Vector Regression), LGBM (Light Gradient Boosting Machine), GBDT (Gradient Boosting Decision Tree), RF (Random Forest) and XGBoost, respectively. Then, the integrated slag splashing time model was obtained by integrating SVR, XGBoost and GBDT. Stacking integrated slag splashing time model improves the prediction effect of each single model, and the prediction hit rate is 89.95 % in the error range of ±20 s.

Key words: converter, slag splashing, endpoint slag composition, slag splashing time, prediction model, machine learning

洪科, 赵自鑫, 钟良才, 于海岐, 刘承军. 转炉终渣成分和溅渣时间数据驱动预测模型开发[J]. 炼钢, 2023, 39(4): 21-27.

[1]	张聪聪, 董文亮, 季晨曦, 李海波, 陈斌, 赵长亮. 基于机器学习算法的“全三脱”工艺转炉终点预测[J]. 炼钢, 2023, 39(4): 28-36.
[2]	郎茂信, 刘和平, 轩阳, 李相臣, 袁旭东, 曹青. 转炉底吹流量对气柱长度影响的数值模拟[J]. 炼钢, 2023, 39(3): 16-24.
[3]	储焰平, 袁晓峰, 葛君生, 封伟华, 杨利彬. 120 t复吹转炉底吹布置对熔池混匀的影响[J]. 炼钢, 2023, 39(3): 25-29.
[4]	马德刚, 王耐, 李建英, 李经哲, 王建兴, 马光宗. 100 t复吹转炉冶炼IF钢终点磷分配比预测模型[J]. 炼钢, 2023, 39(3): 30-34.
[5]	贾刘兵, 罗衍昭, 董文亮, 周海忱, 季晨曦, 温瀚. 高锰高强IF钢转炉-连铸过程中夹杂物演变与控制[J]. 炼钢, 2023, 39(3): 73-78.
[6]	王伟, 魏国, 王行, 邵磊, 陈高强. 转炉内废钢预热可行性的数值模拟分析[J]. 炼钢, 2023, 39(1): 30-34.
[7]	牛海云, 晁霞, 董文利. 210 t转炉双马赫数氧枪超音速射流特性模拟与应用[J]. 炼钢, 2023, 39(1): 35-41.
[8]	吴旭峰, 王多刚. 碱度对转炉渣中磷富集的影响[J]. 炼钢, 2023, 39(1): 42-46.
[9]	柯凯, 彭其春, 彭霞林, 向往. 基于集成学习的转炉炼钢供氧量预测模型[J]. 炼钢, 2023, 39(1): 47-52.
[10]	孙华康, 李晨晓, 王书桓, 张凯璇, 佟帅, 张昀, . 小颗粒石灰石高温快速煅烧微观组织演变行为研究[J]. 炼钢, 2022, 38(5): 38-42.
[11]	郭红民, 李航, 李伟功, 梁少鹏, 吕明. 120 t转炉高强度顶底复吹特性研究[J]. 炼钢, 2022, 38(5): 43-49.
[12]	贺龙龙, 于波, 钟良才, 王立新, 李强, 倪晓东. 复吹转炉溅渣护炉工艺优化模拟研究[J]. 炼钢, 2022, 38(5): 50-58.
[13]	杨仕存, 魏志强, 钟良才, 于学渊, 李强, 陈海娇, 高威. 基于数据驱动的转炉耗氧量模型研究[J]. 炼钢, 2022, 38(4): 7-13.
[14]	何孝雨, 王敏, 冀建立, 包燕平, 杨俊峰, 王仲亮. 基于GA-BP神经网络预测转炉出钢过程Mn元素合金化收得率[J]. 炼钢, 2022, 38(4): 14-20.
[15]	茹作栋, 张英嘉, 王春江, 胡绍岩, 王德永. 120 t转炉氧枪喷头优化及其在炼钢环境的射流特性研究[J]. 炼钢, 2022, 38(4): 21-27.