转炉钢水终点温度是钢铁冶炼过程中至关重要的控制参数，直接影响铸坯质量和生产成本。在传统冶炼工艺中，通常采用静态模型结合人工经验对终点温度进行预测。然而，这种方法在实际生产中难以应对复杂工艺变化，预测精度不足，导致高频次的二次吹炼和生产效率下降。
尽管现有研究中已应用支持向量回归（SVR）、随机森林（RF）等单一机器学习方法进行终点温度预测，但这些方法在泛化能力和预测精度方面存在不足。同时，对于不同算法特性和适用性的动态整合研究较为稀缺，传统的静态集成方法难以进一步提升预测效果。
最近，中南大学的杨凌志教授及其团队通过一种基于贝叶斯公式的集成方法，显著提高了转炉钢水终点温度预测的精度和稳定性。研究基于三种机器学习模型（SVR、RF、BP神经网络），分别构建单一预测模型；随后，采用贝叶斯公式计算各模型预测结果的置信度，动态调整模型权重，实现预测结果的加权融合。通过实际钢厂生产数据（4878炉次）验证，集成模型在误差范围±5℃内的命中率达到55.73%，相比单一模型表现出显著的精度优势和更高的稳定性。
相关研究成果以“An Integration Model for Converter Molten Steel End Temperature Prediction Based on Bayesian Formula”为题目发表于 Steel Research International 期刊2022年第93卷第2期。论文作者为：Kai Feng, Lingzhi Yang*, Buxin Su, Wei Feng, Longfei Wang。
研究结果和结论：
集成模型在误差范围±5℃、±10℃和±15℃内的命中率分别为55.73%、83.60%和94.27%，显著优于SVR（43.98%）、RF（43.90%）和BP神经网络（43.03%）。
集成模型的命中率曲线平滑，误差分布稳定，具有更高的预测精度和可靠性。
每100炉次的操作时间为200~600ms，能够满足钢厂的实时生产需求。
采用贝叶斯公式动态调整权重的方式显著提升了模型适应性。
该论文中共有图片2张，部分图片和表格如下：
图 1. 四个模型在典型区间的命中率比较
图 2. 四个模型在细分区间的命中率
如果您需要论文原文，请在本页最下方留言“2501”。您想看哪方面的文献资料，也请给小编留言。
您可以点击下方“#转炉炼钢”，然后“订阅”该合集，系统将更精准地向您推荐相关资讯。
欢迎投稿，欢迎“点赞、在看”！
