炼钢

作者：洪科,赵自鑫,钟良才,于海岐,刘承军

单位：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

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,

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 %。

来源：2023年第4期

《炼钢》期刊编辑部

查看炼钢杂志2023年第4期