基于机器学习的转炉热损失率预测

转炉热损失率是影响物料消耗量预测精度的重要参数之一，利用某钢厂150 t转炉1 900炉次冶炼历史生产数据，在热损失率计算的基础上，采用机器学习算法实现了转炉热损失率的准确预测。预测结果表明，相比于支持向量回归(support vector regression, SVR)和随机森林(random forest, RF)算法，轻量级梯度提升机(light gradient boosting machine, LightGBM)算法的预测精度最高；考虑上炉次的影响，增加上炉次冶炼终点温度变量后，LightGBM算法的决定系数R²由0.89提高到0.93,在±0.005、±0.01范围内，热损失率预测命中率分别由85%、89%提高到90%、93%;另外，通过算法内部参数优化可进一步提高模型预测精度，对于LightGBM算法，决定系数R²和均方根误差E_RMS(root mean square error, RMSE)进一步分别达到了0.94、0.009,在±0.005、±0.01范围内热损失率预测命中率进一步分别提高到91%、...