磷是钢铁生产中的有害杂质，其含量直接影响钢的品质和性能。在转炉炼钢过程中，如何准确预测终点磷含量，对优化炼钢工艺、提升产品质量具有重要意义。然而，传统的预测方法难以处理炼钢过程中多变量、强耦合的复杂特性，单纯的数据或机理模型在工业应用中效果有限。
传统机理模型在处理复杂生产条件时预测精度有限，而单纯的数据驱动模型缺乏冶金机理的支持，可能导致预测结果偏离实际工艺规律。目前针对机理和数据整合的研究较少，现有方法的实现复杂度较高，难以适配工业环境的需求。
最近，重庆大学的祝明妹教授及其团队提出了一种结合工业数据与冶金机理的新型多层次整合方法，用于预测转炉炼钢过程中终点磷含量。该方法利用去磷反应机理指导特征变量筛选，并通过遗传算法优化BP神经网络的超参数，构建了高效、可解释的预测模型。在实际测试中，该方法在±0.005%的预测精度范围内命中率达到93.2%，显著提升了预测性能。
相关研究成果以“A New Method to Predict Endpoint Phosphorus Content During Converter Steelmaking Process via Industrial Data and Mechanism Analysis”为题目发表于Metallurgical and Materials Transactions B 2024年第55卷第12期。论文作者为：Mingmei Zhu, Chenghong Li, Xianwu Zhang, Zhenjiang Yang。
研究结果和结论：
模型精度：在±0.005%的预测精度范围内，命中率达到93.2%；
性能指标：整合模型的MSE为0.000009，MAE为0.002525，RMSE为0.002943；
优化效果：相比传统BP神经网络，整合模型的预测精度提升超过10%；
实际验证：841组工业数据测试显示，该模型具备高鲁棒性，能够应对不同工艺条件；
创新贡献：通过复合损失函数，保证了预测结果与冶金规律的高度一致性。
该论文中共有图片10张、表格3个，部分图片和表格如下：
图1. 转炉炼钢过程中去磷反应的示意图
图2. 预测模型的框架结构图
图3. 降维后转炉脱磷生产数据的瑞士卷图与分布图
图4. 与终点磷含量高度相关的特征变量关联度的热势图
图5. 与终点磷含量高度相关的特征变量关联度图
图7. 基于机制与数据多层次融合的终点磷含量预测模型框架图
图10. 鲁棒性验证中预测值与真实值的比较
如果您需要论文原文，请在本页最下方留言“2413”。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，系统将更精准地向你推荐相关资讯。
欢迎投稿，欢迎“点赞、在看”！
