التحكم الدقيق في محتوى الفسفور عند نقطة النهاية في الفرن الأساسي هو العامل الأساسي لتحسين جودة الصلب وكفاءة الصهر. في هذه الدراسة، استهدفنا نوع الصلب 42CrMo، وابتكرنا دمجًا موحدًا بين التقارب المناحي والتسطيح (UMAP)، وخوارزمية الذئب الرمادي (GWO)، وشبكة الأعصاب العميقة (DNN) لبناء نموذج تنبؤ ذكي متعدد الوضعيات. من خلال خوارزمية UMAP، قمنا بخفض الأبعاد غير الخطي للمعلمات العالية الأبعاد للصهر (مثل درجة الحرارة، ارتفاع فوهة الأكسجين، قلوية الخبث، الخ) لاستخلاص الخصائص الرئيسية بفعالية؛ تم استخدام خوارزمية GWO لتحسين الأوزان الأولية والمعاملات الفائقة لشبكة DNN، مما عزز بشكل كبير سرعة استقرار النموذج وثباته. استندت التجارب إلى 200 دفعة من بيانات الإنتاج الفعلية في مصنع الصلب، ومقارنة بين شبكة BP العصبية، DNN القياسية، ونموذج GWO-DNN، حيث وصلت معدلات النجاح في فترة الخطأ ±0.001% و ±0.002% إلى 86.7% و 95.4% على التوالي مع خفض المتوسط التربيعي للخطأ (RMSE) بنسبة 23.6%. أظهرت التحقق الصناعي أن النموذج قلل من انحراف محتوى الفسفور عند نقطة النهاية بنسبة 41%، مع استقرار المتوسط من 0.0012% إلى 0.0009%، محققًا هدف التحكم بـ "النافذة الضيقة" بنجاح. توفر هذه الدراسة مسارًا تقنيًا قابلاً للتطبيق لترقية الرقمنة في عملية صهر الفرن الأساسي.

محتوى الفسفور عند نقطة النهاية; صهر الفرن الأساسي; شبكة الأعصاب العميقة; نموذج التوقع; التطبيق الصناعي