基于Boost算法的鋼水配料方案優化

李婷婷

摘要：本文主要介紹了關于鋼水配料方案模型的建立，對于不同類型不同情況，采用決策樹模型進行分類，針對每一類別，提供不同參數的線性回歸方程。在優化過程中，結合Boost算法的原理，將錯誤數據權值調大，進行迭代，從而得到擬合優度較高的模型。

關鍵詞：Boost算法;皮爾遜相關系數;決策樹

一、簡介

在煉鋼過程中，金屬的氧化反應是非常關鍵一步。這個過程將各個金屬融合在一起，從而煉出合金。對于鋼廠而言，如何提高各個金屬的利用率是非常重要的，可以減少成本、提高產量。

二、研究背景

對于不同金屬的配料，不僅與合金中相應金屬的需求息息相關，還需要考慮各個金屬之間互相的影響。因為添加配料中的某一種金屬不可能被全部吸收，所以對于金屬的加入量，應綜合考慮其吸收程度等因素。

根據不同金屬，先求解其吸收程度，然后對多種因素進行線性回歸。對于出現的誤差數據，可以將其權值調大，進而統計，經過多次迭代，最終得到擬合程度較好的模型。

三、模型建立與分析

根據數據計算出C、Mn被合金吸收的質量以及C、Mn加入的質量，進而求得C、Mn的歷史收得率。

（一）決策樹分析

基于求得的歷史收得率，發現C、Mn的歷史收得率在某個鋼種，某個鋼號，以及是否加脫氧劑的情況下，C、Mn的歷史收得率有很大差異，因此針對這三個分類方式，采用決策樹的方法，最終得出一種最優的分類順序，即先對鋼種進行分類，再對鋼號進行分類，最后再對是否加脫氧劑進行分類。沿著決策樹的某一分支，對影響C、Mn的收得率因素進行分析。影響收得率的因素可能有許多，將這些因素分別與C、Mn的歷史收得率計算Pearson相關系數，挑取相關系數較大的因素，最終得到影響收得率的主要因素，決策樹框架如圖1

（二）主成分線性回歸

建立主成分線性回歸模型，使用AdaBoost對數據表進行處理，使用主成分線性回歸方法進行預測，對比發現，預測的結果較未使用AdaBoost改進的準確很多。首先對影響收得率的因素進行因子分析，找出原始因素之間的關聯，提取相對數量的因子，從而減少變量。多元線性回歸進行預測，為減小預測的誤差，使用AdaBoost對數據表進行處理，將歷史數據可靠性不強的樣本數據賦予較小的權重，從而提高數據表的準確性，進而加強了主成分線性回歸的預測結果的準確性。

將C元素鋼號HRB400D作為訓練數據，數據分布如圖2所示。對于Boost過程，進行訓練樣本數據的初始化，接著開始迭代，在得到新的權值分布的情況下，選取誤差率最小的分類器進行二次迭代。不斷反復此步驟，一共迭代6次，整合得強分類器，使正確率提升。

（三）規劃方案

脫氧合金化不僅要保證C、Mn、Si、P、S含量達到標準，而且要使合金成本達到最小。因此本文提出以C成本最小化為目標，C、Mn、Si、P、S含量達到標準為約束，以合金加入量為決策變量優化，線性規劃，得到最優化的合金配料比，結果如表1。

四、結語

模型穩定性強，誤差較小;充分考慮數據的有效性與準確性。模型針對不同類別鋼種不同環境，可以較為準確地預測出收得率;改變脫氧劑的加入情況，決策樹會分支成不同路徑，能較好的適應不同環境;主成分分析是選取代表性指標，對于原始影響因素進行降維，靈敏性較好;對于不同類別鋼種，對應不同的表達式，可移植性較好，可以適應各種情況。

參考文獻

[1]王熙辰.淺談轉爐煉鋼技術的應用和革新途徑[J].科技風，2019（15）：148.

[2]連克強.基于Boosting的集成樹算法研究與分析[D].中國地質大學（北京），2018.