雙重預測算法的自動優化配料模型

翟思雨 靳霄微 胡偉

摘要：為對冶煉過程中的合金收得率進行計算和預測，研究基于歷史數據分析了影響合金收得率的主要因素，利用SVM算法建立了不同元素收得率的預測模型。最終得到使用SVM算法預測C的收得率較Mn的收得率更精確，不同元素收得率預測模型應有所不同的結論。

關鍵詞：收得率;SVM算法;線性規劃

1.引言

在科研、軍事等諸多發展領域，工人們采集得到的鐵礦石通常不能直接滿足各行業的需求?，F代鋼鐵企業將采集得到的鐵礦石熔化，并向其中投放含有多種元素的合金，使得冶煉出來的鋼鐵成品帶有諸多良好性質以滿足各行業對材料的嚴苛要求。其中合金收得率是直接、客觀反映實際情況的參數。收得率的實際值可以直接影響到鋼鐵企業制造的鋼鐵成樣質量的好壞，從而影響企業的盈利空間。因此，探討各個元素收得率的研究具有重要意義。

2.正文

（一）元素i的收得率模型

收得率被廣泛應用于爐外精煉，其被定義為鋼鐵成品中含有合金元素i的質量與投入合金中含有元素i的質量之比[1]。即可表達成下式：

（1）

同樣的，上述式子又可表示為從轉爐終點到鋼鐵成品過程中元素i增加量與投入各合金中含有元素i的質量之和的比值：

（2）

其中用

來表示某一物質中元素i的質量分數，質量分數在化學計算中又有如下定義：

（3）

利用上述兩個公式，即可某一元素的收得率進行計算。

（二）收得率影響因素

在分析收得率影響因素之前，首先明確收得率是在成品煉成后才出現的數據。所以，分析影響因素時首先需要刨除成品煉成后產生的這一類數據，例如連鑄正樣等變量，剩余變量均認為和收得率相關，為探究這些變量對收得率影響程度的高低，這些變量將被用于做相關性分析。具體結果如圖1：

由圖1可知，溫度及他們在轉爐終點時的元素自身含量對C、Mn收得率的影響較大。同時，Mn在轉爐終點的含量對C收得率影響遠高于其他幾個元素在轉爐終點時的含量。

（三）收得率的預測模型

1）預測準確度的定義

鋼鐵冶煉數據呈離散型隨機分布，對收得率進行預測可以采用BP神經網絡[3]、SVM等智能算法。此處采用SVM算法。然后定義預測值與真實值的絕對差值和真實值的比值在±ω（0<ω<1）之間即為準確。其中當準確率達到90%以上時，ω越接近于0，模型精準度越高，越是有利于該問題的求解。

（4）

（5）

2） SVM算法預測收得率

SVM算法主體思想是使用非線性映射算法將低維輸入空間線性不可分的樣本轉化為高維特征空間，然后采用線性算法對樣本的非線性特征進行線性分析[2]。

首先用SVM算法對C收得率進行預測，“rbf”核函數對數據進行聚類，當

時，ω最小值取0.048193。為探究核函數對預測結果的影響，現將核函數改為“sigmoid”，發現

時，ω最小值仍為0.048193，且使用兩種核函數做出的殘差圖一致，即核函數對預測準確度沒有影響。

使用同樣的方法對Mn的收得率進行預測，發現當

時，ω最小值取0.19278。相較于C收得率的預測，Mn收得率預測使用SVM算法精確度降低較多。

3.結論

在預測C元素收得率時，使用SVM算法建立的模型會獲得更高的準確率。同時發現，在預測Mn元素收得率時，使用BP神經網絡搭建的模型準確度反而會比SVM模型高出近三倍。從而得出，最佳元素收得率預測方法隨著元素種類的改變而改變的結論。

參考文獻：

[1]韓敏，徐俏，趙耀，林東，楊溪林.基于收得率預測模型的轉爐煉鋼合金加入量計算[J].煉鋼，2010，26 （01）：44-47.

[2]劉義志，賴華榮，張丁旺，劉飛鵬，蔣小蕾，曹慶安.多特征混合核SVM模型的遙感影像變化檢測[J].國土資源遙感，2019，31 （01）：16-21.

[3]趙祥鴻，暴景陽，歐陽永忠，黃賢源，黃辰虎，陸秀平.利用BP神經網絡剔除多波束測深數據粗差[J].武漢大學學報（信息科學版），2019 （04）：518-524.

作者簡介：翟思雨（1998-）女，漢族，河北省保定市人，本科，研究方向：信息與計算科學。