转炉终渣成分和溅渣时间数据驱动预测模型开发

基于260 t转炉实际生产数据,通过机器学习算法XGBoost(eXtreme Gradient Boosting,极限梯度提升树)、弹性回归、线性回归、AdaBoost(Adaptive Boosting,自适应提升树)四种算法建立了终渣主要成分CaO、SiO_(2)、TFe和MgO的预测模型。通过优化调参,XGBoost终渣成分预测模型的决定系数R^(2)均在0.8以上。溅渣时间模型采用SVR(Support Vector Regression,支持向量机回归)、LGBM(Light Gradient Boosting Machine,轻量梯度提升机回归)、GBDT(Gradient Boosting Decision Tree,梯度提升树回归)、RF(Random Forest,随机森林)和XGBoost五种算法进行建模。通过探究,将SVR、XGBoost、GBDT算法使用集成方法得到Stacking集成溅渣时间预测模型,Stacking集成溅渣时间预测模型提升了单个模型的预测效果,偏差为±20 s的预测命中率达89.95%。

20—30吨氧气顶吹转炉溅渣护炉实践

分析了渣碱度、渣中ＦｅＯ含量、出钢温度等因素对溅渣 护炉效果的影响，阐述了马钢二钢厂通过调整造渣制度、降低出钢温度、选取合适的渣料及溅渣工艺参数等措施。取得了较好的溅渣护炉效果。