基于机器学习的转炉冶炼终点残锰含量预测

炼钢 ›› 2024, Vol. 40 ›› Issue (5): 38-43.

基于机器学习的转炉冶炼终点残锰含量预测

张龙强1，2，闵义1，2，刘承军1，2，黄健3，郑传新3，马威3

（1.多金属共生矿生态化冶金教育部重点实验室，辽宁沈阳 110819；
2.东北大学冶金学院，辽宁沈阳 110819；
3.本溪钢铁集团有限公司，辽宁本溪 117000）

出版日期:2024-10-05 发布日期:2024-09-25

Prediction of residual manganese content at the end point of converter smelting based on machine learning

Online:2024-10-05 Published:2024-09-25

摘要/Abstract

摘要： 钢水锰含量控制主要在转炉炉后脱氧合金化阶段实现，转炉终点锰含量的准确获取对于锰合金加入量的确定具有重要影响，进而影响到钢水锰含量的精确控制。利用某钢厂转炉1500炉次历史冶炼生产数据，采用支持向量回归算法（SVR）、轻量级梯度提升机算法（LGBM）、分类梯度提升算法（Catboost）对转炉终点残锰含量进行了预测，再使用贝叶斯优化算法（BayesSearchCV，BOA）分别对其优化。结果表明，贝叶斯优化后的Catboost算法(BOA-Catboost)效果最好，其决定系数R²、均方误差MSE和均方根误差RMSE分别可达到0.712，0.000048和0.007021。残锰质量分数真实值与预测值的误差在±0.010、±0.008范围内，残锰含量预测命中率分别可达到83.2%和76.2%。

关键词: 转炉终点, 残锰含量, 机器学习, 预测

张龙强, 闵义, 刘承军, 黄健, 郑传新, 马威. 基于机器学习的转炉冶炼终点残锰含量预测[J]. 炼钢, 2024, 40(5): 38-43.

[1]	于飞, 罗辉林, 柯凯, 张天. 基于Stacking算法的转炉吹炼终点钢水磷含量预测[J]. 炼钢, 2024, 40(4): 11-16.
[2]	刘东旭, 李明明, 邵磊, 邹宗树, . 基于Stacking模型融合的AOD终点碳温预测[J]. 炼钢, 2024, 40(4): 30-39.
[3]	黄一鑫, 赵自鑫, 钟良才, 于海岐, 刘承军. 基于集成学习的转炉吹炼终点磷锰预测模型[J]. 炼钢, 2023, 39(6): 15-22.
[4]	亢子成, 钟良才, 刘承军, 于学渊, 史秀成, 赵阳. 利用非数值型特征的转炉出钢合金化硅铁加入量预测模型开发[J]. 炼钢, 2023, 39(6): 23-29.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	张家磊, 李占春, 石晨敏, 张锦鹏, 胡适. 电弧炉终点碳含量预测模型的构建与分析[J]. 炼钢, 2022, 38(6): 1-5.
[10]	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.
[11]	钟巍, 鲍光达, 王海川, 吴婷, 仇圣桃, . 基于机器学习算法的熔渣液相线温度预测[J]. 炼钢, 2022, 38(3): 12-19.
[12]	何新军, 何小群. 基于扇形段受力预测模型的动态辊缝控制技术[J]. 炼钢, 2021, 37(5): 35-40.
[13]	高闯，沈明钢. 基于无约束小波权重TSVR的转炉炼钢终点静态预测模型[J]. 炼钢, 2019, 35(2): 20-24.
[14]	赵志超1，孙彦辉1，罗磊2，赵长亮2. 300 t顶底复吹转炉炉渣FeO动态预测模型[J]. 炼钢, 2015, 31(6): 13-.
[15]	陈均. 半钢冶炼转炉终点钢水氮含量控制技术[J]. 炼钢, 2015, 31(5): 51-55.

基于机器学习的转炉冶炼终点残锰含量预测

Prediction of residual manganese content at the end point of converter smelting based on machine learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价