Page 44 - 国外钢铁技术信息内参（ 2022年5月）

ᇏݓࣁඋ࿐߶

6）这是 LF 炉中炉渣化学成分与其炉渣化学性质目标的比较。如果未达到

目标，则优化添加物以达到目标；

7）在获得所需的 LF 炉添加物和炉渣化学成分后，将其作为输入值通过人 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
工神经网络预测脱硫能力。

ᇏݓࣁඋ࿐߶

图 1 研究方法过程 ᇏݓࣁඋ࿐߶

下面将对前述的七个方面进行展开。

1) 数据库

所研究的数据库具有以下铸造记录的特征变量：

 操作变量，如 LF 炉的废钢吨数、初始炉温和含氧量 ppm；
ᇏݓࣁඋ࿐߶
 LF 炉中初始和最终炉渣的化学成分，如 Al2O3、CaO、SiO2、MgO、S、

P2O5 等，以及其他测量值，如 T.Fe 和四元碱度；

 出钢阶段的添加物，例如铝、白云石石灰、铁皮石灰、脱硫渣、 FeMn MC、

FeMn Std、FeSi 等；

 炉渣化学成分的目标； ᇏݓࣁඋ࿐߶
 铸造脱硫指标。
ᇏݓࣁඋ࿐߶
数据库分为两部分，分别对应 70%和 30%的数据，称为训练数据和测试数

据。拆分数据库的目的是，通过训练集、计算算法学习来检测数据中的模式，为

未来的预测创建模型。此阶段也称为学习阶段。

一旦模型完成，测试阶段即开始。它计算新事件的预测，并将其与实际值进

行比较，以评估构建的模型，并评估其预测和概括结果的程度。此阶段至关重要，

因为它有助于查看训练集在模型构建中是否正确协作。测试数据集只是模型可以
ᇏݓࣁඋ࿐߶
预测的所有可能事件的一个样例，因此找到一个很好的模型泛化至关重要。

41