يؤثر هيكل وعاء الصلب مباشرة على كفاءة عملية صنع الصلب وجودتها واقتصاديتها. لتعزيز تحسين تصميم هيكل وعاء الصلب، تم استخدام بيانات محاكاة تدفق الماء تحت وعاء الصلب لدراسة فعالية خوارزميات التعلم الآلي المختلفة في التنبؤ بكمية الصلب المتبقية عند بدء التدفق، وتم إجراء تحليل تنبؤي لتأثير متغيرات هيكل قاعدة الوعاء على كمية الصلب المتبقية. أولاً، تم استخدام تقنية SMOGN لإعادة التوازن في بيانات محاكاة تدفق الماء تحت الوعاء، لبناء مجموعة ميزات متبقية تشمل مجموعة التدريب والاختبار. بناءً عليه، تم اختبار أداء خمسة نماذج تعلم آلي وهي LASSO، SVR، ElasticNet، MLP و XGBoost في التنبؤ بالكمية المتبقية. من خلال معامل التحديد، متوسط خطأ التربيع، ومتوسط الخطأ المطلق تم تقييم النتائج، حيث أظهرت النتائج أن نموذج XGBoost هو الأفضل في التنبؤ، وهو الخيار الأمثل لنموذج التنبؤ بكمية الصلب المتبقية. أخيراً، استخدم نموذج XGBoost لتحليل تأثير متغيرات هيكل قاعدة الوعاء، بما في ذلك قطر الفوهة، ارتفاع بروز الفوهة، ارتفاع الدرجة في قاعدة الوعاء، والمسافة بين الدرجة والفوهة على كمية الصلب المتبقية تحت الوعاء. أظهرت النتائج أنه عندما يتجاوز قطر الفوهة 40 مم، تنخفض كمية الصلب المتبقية بشكل ملحوظ. تقليل ارتفاع بروز الفوهة وزيادة ارتفاع درجة قاعدة الوعاء يقللان بشكل كبير من الكمية المتبقية؛ وعندما يتجاوز ارتفاع بروز الفوهة 26 مم، تتجاوز الكمية المتبقية 20 لتر؛ وعندما يتجاوز ارتفاع الدرجة 11 مم ويكون ارتفاع بروز الفوهة أقل من 11 مم، تنخفض الكمية المتبقية إلى أقل من 10 لترات. عندما تزداد المسافة بين الدرجة والفوهة، تنخفض الكمية المتبقية أولاً ثم تستقر بعد مسافة تزيد عن 100 مم. تقدم هذه النتائج مرجعاً هاماً لشركات الصلب لتحسين هيكل الأوعية وتقليل هدر الصلب، ولها دلالة عملية مهمة.

تدفق وعاء الصلب; تعلم الآلة; هيكل قاعدة الوعاء; XGBoost; التنبؤ بالانحدار