摘要： 针对钢种切换等小样本场景下连铸坯碳含量预测精度低、参数适配困难的问题，提出融合双重机器学习（DML，Double Machine Learning）与迁移学习的因果迁移模型。基于某钢厂500条小样本和2 000条大样本数据，利用DML从37项参数中筛选14项核心因果特征，通过迁移学习将大样本工艺规律迁移至小样本目标域，并采用分层微调策略适配钢种特性。试验表明：该模型均方误差（MSE）为0.000 001 14，均方根误差（RMSE）为0.001 065 39，平均绝对误差（MAE）为0.000 834 41，平均绝对百分比误差（MAPE）为0.29%，Pearson相关系数达0.981 648 21；在连铸坯平均碳质量分数±0.001 0%、±0.001 5%、±0.002 0%偏差区间内预测命中率分别为63.64%、82.83%、94.95%，且训练时间显著缩短。该模型实现了小样本场景下精准预测与参数适配的闭环，为冶金领域小样本智能预测提供了可靠方案。
