Factor analysis and machine learning for predicting endpoint carbon content in converter steelmaking

ژورنال: INTERNATIONAL JOURNAL OF
Minerals, Metallurgy and Materials

سال چاپ: ۲۰۲۵

خلاصه:

هدف این پژوهش توسعه‌ی یک مدل دقیق برای پیش‌بینی درصد نهایی کربن در فرآیند فولادسازی مبدل (Converter Steelmaking) با استفاده از تحلیل عاملی (FA) و ماشین بردار پشتیبان (SVM) بهینه‌شده با الگوریتم ازدحام ذرات بهبودیافته (IPSO) است. کنترل دقیق مقدار کربن در پایان فرآیند ذوب اهمیت زیادی برای کیفیت فولاد دارد، زیرا خطای اندک در این مقدار می‌تواند موجب اتلاف انرژی، افزایش مصرف آلیاژ و کاهش بهره‌وری شود. در این تحقیق، ۲۱ متغیر ورودی شامل پارامترهای مواد اولیه، پارامترهای ذوب و پارامترهای تأمین اکسیژن شناسایی شدند و با تحلیل عاملی ابعاد داده کاهش یافت. داده‌ها از یک کارخانه فولاد ۱۲۰ تنی در چین جمع‌آوری و پس از پیش‌پردازش، برای آموزش و آزمون مدل مورد استفاده قرار گرفتند.

نتایج نشان داد که مدل ترکیبی FA–IPSO–SVM نسبت به مدل‌های متداول مانند SVM، TSVR، و IPSO–SVM عملکرد دقیق‌تری دارد. این مدل توانست دقت پیش‌بینی ۹۸٫۷۴٪ را در بازه خطای ±۰٫۰۲٪ به دست آورد و ضریب تعیین R² = ۰٫۹۶۰، کمترین خطای RMSE = ۰٫۰۰۷ و میانگین خطای مطلق ۰٫۰۰۵ را ثبت کند. علاوه بر این، تحلیل حساسیت مدل نشان داد که متغیرهایی مانند محتوای اکسیژن آزاد، دمای TSC، و میزان سیلیس مذاب بیشترین تأثیر را بر دقت پیش‌بینی دارند. نویسندگان نتیجه‌گیری کردند که استفاده از ترکیب تحلیل عاملی و الگوریتم بهینه‌سازی هوشمند در کنار SVM روشی کارآمد برای افزایش دقت و پایداری مدل‌های پیش‌بینی در صنعت فولاد است و می‌تواند در کاهش هزینه‌ها و مصرف انرژی نقش مؤثری ایفا کند.

دانلود فایل