Page 50 - 国外钢铁技术信息内参（ 2022年5月）
P. 50
ᇏݓࣁඋ࿐߶
炉渣的化学性质目标是预先确定的，因此对于 CaO、Al2O3、MgO 和 SiO2ᇏݓࣁඋ࿐߶
因此，ML 算法推断出的 LF 炉中的添加物有助于推断出冶金模型结果中的
氧化渣比例。
6) 优化模型
ᇏݓࣁඋ࿐߶
优化算法的主要目的是评估模型推断的氧化物，并将其与炉渣化学性质目标
进行比较。如果推断非常接近目标，则不进入优化算法。但是，如果氧化物离炉
渣化学性质目标太远，则将反复添加或减少铝和石灰；因此添加质量会发生变化，
重新计算氧化物，直到达到炉渣的化学性质目标。
而言，它们的伴生目标分别为 58，20，8 和 10.5。但是，值得注意的是，优化算 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
法的结构优先考虑钙目标值，然后是铝目标值。
7) 脱硫能力模型
使用 ANN 计算脱硫指标值的主要优点是， ANN 从过程数据中学习，对于实
现 ANN 尝试说明利用真实和特定数据现象是有用的，在这种情况下，脱硫能力
指标向我们展示炉渣吸收硫的能力的指标。
对各类型 ANN，选择了具有单个隐藏层带十二个神经元的“多层感知器”，
ᇏݓࣁඋ࿐߶
因为它比具有更多层实现的效果更好。此外，在 ANN 中使用一层可以容易避免
过度膨胀，并在考虑数据量的情况下实现更好的泛化。ANN 输入是过程变量，
例如废钢重量、初始温度、氧气百分比、炉渣重量和 LF 炉氧化渣，这是优化算
法的输出，且经过归一化。
6. 结果 ᇏݓࣁඋ࿐߶
（1）机器学习模型结果
ᇏݓࣁඋ࿐߶
下面将比较机器学习模型建议的添加量和操作员使用表格和箱线图在正常
过程中执行的添加量。
根据图 4 和表 3，红色的箱线图表示 ML 模型的添加量，蓝色的箱线图对应
于操作员所做的添加量。根据观察，红色箱线图是更对称的框，其平均值和中间
值更接近，而且一般异常值较少。另一方面，蓝色箱线图和图形表示随平均值和
中间值间距离增加而变化更多的添加量。
ᇏݓࣁඋ࿐߶
47
