Resumen

En la fundición en alto horno, el contenido de silicio en el metal caliente puede reflejar indirectamente la temperatura del alto horno y medir la calidad del metal caliente. Para una predicción más precisa, según la reacción de reducción, se seleccionan los parámetros de entrada que afectan al contenido de silicio para formar un conjunto de datos. Se proponen el modelo de predicción Weighted Random Forest (WRF) y el algoritmo Scaling Coefficient Particle Swarm Optimization (SCPSO). El método de predicción basado en SCPSO-WRF presenta un mayor porcentaje de aciertos en la predicción y un menor error medio que los métodos tradicionales. Los resultados muestran que el porcentaje de aciertos de predicción y el error medio de SCPSO-WRF son del 89,1 % y 0,0291 respectivamente. El método de predicción tiene valor tanto para la investigación teórica como para la aplicación práctica.

INTRODUCCIÓN

La fundición en alto horno es un proceso extremadamente complejo. Existe una no linealidad entre los parámetros. El contenido de silicio puede reflejar indirectamente la temperatura del alto horno [1]. Si se puede predecir el contenido de silicio, tendrá una importancia de referencia para que los operarios controlen las condiciones del horno. Para que los resultados de la predicción sean más precisos, los investigadores han establecido varios modelos de predicción, como Random Forest (RF) [2], Support Vector Machine (SVM) [3], red neuronal [4], máquina de aprendizaje extremo [5], etc. En [2], los parámetros de entrada se seleccionan basándose en la experiencia, lo que carece de análisis metalúrgico y estadístico. El modelo de predicción es RF, y se utiliza la búsqueda en cuadrícula para optimizar los parámetros del modelo. En [3], se analiza el proceso de fundición en alto horno, y los parámetros de entrada se seleccionan en función del grado de correlación gris. El modelo de predicción es SVM, y se mejora el algoritmo Particle Swarm Optimization (PSO) para optimizar los parámetros del modelo. En [4], los parámetros de entrada se seleccionan según la experiencia y el coeficiente de correlación. El modelo de predicción es la red neuronal recurrente con una estructura de memoria a corto plazo, y se utiliza la búsqueda de cuadrícula para optimizar los parámetros del modelo. En [5], los parámetros de entrada se seleccionan en función del coeficiente de correlación. El modelo de predicción es una máquina de aprendizaje extremo de múltiples núcleos, y se utiliza el optimizador de lobo gris mejorado para optimizar los parámetros del modelo. Sigue habiendo algunos problemas, como el elevado error de predicción. No son sólo las razones de la selección de los parámetros de entrada, sino también los factores del modelo de predicción. Para mejorar fundamentalmente el porcentaje de aciertos en la predicción, de acuerdo con la influencia del gas de alto horno en la reacción de reducción, se seleccionan los parámetros de entrada y se forma un conjunto de datos de alta calidad. A continuación, se propone un método de predicción basado en SCPSO-WRF. El efecto se verifica mediante experimentos de simulación.

• Materias:Silicio Modelo de predicción Metales Alto horno
• Subjects:Silicon Prediction modeling Metals Blast furnace
• Palabras claves:Alto horno; Metal caliente; Silicio; Optimización por enjambre de partículas; Bosque aleatorio
• Keywords:Blast furnace; Hot metal; Silicon; Particle swarm optimization; Random forest