转炉终渣成分和溅渣时间数据驱动预测模型开发

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±20s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

所属期刊栏目：39

分类号：TF711(炼钢)

资助基金：中央高校基本科研业务专项资金资助项目;国家自然科学基金;国家重点研发计划

在线出版日期：2023-08-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：21-27