التحكم الدقيق في محتوى الفوسفور عند نهاية الأفران العلوية هو خطوة أساسية لتعزيز جودة الفولاذ وكفاءة الصهر. في هذه الدراسة، التي تستهدف فولاذ 42CrMo، تم دمج تقنيات تقريب التجانس الموحد والإسقاط (UMAP)، وخوارزمية الذئب الرمادي (GWO)، والشبكة العصبية العميقة (DNN) لبناء نموذج تنبؤ ذكي متعدد الأنماط. من خلال خوارزمية UMAP، تم تقليل الأبعاد غير الخطية للمعلمات العالية الأبعاد للصهر (مثل الحرارة، ارتفاع فوهة الأكسجين، قلوية الخبث، إلخ) لاستخلاص الخصائص الرئيسية بفعالية؛ وتم استخدام خوارزمية GWO لتحسين الأوزان الأولية والمعلمات الفائقة لـ DNN مما حسن بشكل كبير من سرعة استقرار النموذج وثباته. استندت التجارب إلى بيانات الإنتاج الفعلية من 200 عملية صهر في مصنع فولاذ، ومقارنة بين شبكة BP العصبية، وDNN القياسية، ونموذج GWO-DNN، حيث حقق نموذج UMAP-GWO-DNN معدلات إصابة بنسبة 86.7% و95.4% ضمن نطاقات الخطأ ±0.001% و±0.002% على التوالي، مع انخفاض خطأ الجذر التربيعي المتوسط (RMSE) بنسبة 23.6%. أظهرت التحقق الصناعي أن النموذج خفض الانحراف المعياري لتقلب محتوى الفوسفور عند النهاية بنسبة 41%، واستقر المتوسط من 0.0012% إلى 0.0009%، محققًا هدف التحكم "النافذة الضيقة" بنجاح. توفر هذه الدراسة مسارًا تقنيًا قابلاً للتطبيق للتحول الرقمي في عملية صهر الأفران العلوية.

محتوى الفوسفور النهائي; صهر الأفران العلوية; الشبكة العصبية العميقة; نموذج التنبؤ; التطبيقات الصناعية