Page 54 - 国外钢铁技术信息内参（ 2022年5月）
P. 54
ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
图 8 模型和理论值之间的箱线图与散点图的比较 ᇏݓࣁඋ࿐߶
表 6 脱硫能力指标的真值与估计值之间的误差 ᇏݓࣁඋ࿐߶
试验
描述性统计 绝对误差 误差百分率
平均值 0.0401 1.7541
最小值 0.00008 0.03
0.1473
最大值 ᇏݓࣁඋ࿐߶ 7.53
ᇏݓࣁඋ࿐߶
ᇏݓࣁඋ࿐߶
7. 结论
利用 ML、冶金模型和优化算法来计算并优化 LF 炉添加物与 LF 炉氧化渣，
以便于计算脱硫能力指标。综上所述，采用 1 个架构带 1 层隐藏的人工神经网络，
2
其中 12 个神经元达到 R = 82%，模型测试集的平均误差百分率为 1.75%，得出
的结论是，它们代表了该模型的有利且有价值的结果。
8. 建议
ᇏݓࣁඋ࿐߶
使用更多样例来实现 ML 和 DL 算法计算的更大泛化至关重要，因为数据集
越大，结果和泛化就越好。此外，重要的是，操作员在使用开发的模型时，对炉
渣进行评级，提供反馈并在必要时进行修改。同时，通过对诸如炉渣粘度有效性
的计算，将其与为未来统计研究获得的氧化物相关联，这对信息的不断量化具有
重大影响。
ᇏݓࣁඋ࿐߶
51
