Page 53 - 国外钢铁技术信息内参（ 2022年5月）
P. 53
说明变化较小。 ᇏݓࣁඋ࿐߶
CaO、Al2O3、MgO 和 SiO2 的氧化物目标分别为 58、20、8 和 10.5。图 7 由
四个散点图组成，每个散点图对应一种氧化物。红点对应于 ML 模型，蓝点对应 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
于操作员执行的过程，而绿线对应于指示氧化物目标。更多详情如下。
图 7 的第一张图所示为氧化钙，这是优化算法优先考虑的氧化物，可以观察
到红点的分散性较小且更接近目标。图 7 的第二张图所示为靠近物镜观察到的氧
化铝。第三张图是氧化镁，而第四张图是氧化硅，这些都不是优化算法优先考虑
的氧化物。但是，这些氧化物离目标更远，通常在可接受的范围之内。 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
图 7 模型推断、操作员处理炉渣和目标值之间比较的钙、铝、锰和氧化硅的散
点图
（2）人工神经网路结果
ᇏݓࣁඋ࿐߶
2
2
构建的人工神经网络获得 R = 82%的测试数据和 R = 81.09%的训练数据。
因此，值得一提的是这些都是良好结果，而且模型通用。
图 9 所示为一个带有两个箱形图的图，比较了模型计算和理论值之间的脱硫
率。该图给出了良好的近似值和正态分布数据。
具有蓝点（实数值）和红点（模型计算值）的散点图图 10 中，表明大多数
值肯定很接近。 ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
表 6 所示为根据公式1 计算的实际值和模型计算值之间的绝对误差和百分比
误差。可以看出，平均绝对误差为 0.0401，最小值为 0.0008，最大值为 0.1473。
同样，介质误差百分比为 1.7541%，最小值为 0.03 %，最大值为 7.53%。
总之，表 1 给出了良好的通用结果，同时考虑到样例数量。
ᇏݓࣁඋ࿐߶
50
