Die präzise Steuerung des Phosphorgehalts am Ende des Konverters ist ein zentraler Schritt zur Verbesserung der Stahlqualität und der Schmelzeffizienz. In dieser Studie, die sich auf den Stahltyp 42CrMo konzentriert, wurde innovativ eine einheitliche Manifold-Approximation und Projektion (UMAP), der Grauwolf-Optimierungsalgorithmus (GWO) und tiefe neuronale Netzwerke (DNN) kombiniert, um ein multimodales intelligentes Vorhersagemodell zu erstellen. Mithilfe des UMAP-Algorithmus wurde eine nichtlineare Dimensionsreduktion hochdimensionaler Schmelzparameter (wie Temperatur, Sauerstofflanzenhöhe, Schlackenalkalität usw.) durchgeführt, um Schlüsselmerkmale effektiv zu extrahieren; der GWO optimierte die Anfangsgewichte und Hyperparameter des DNN, was die Modellkonvergenzgeschwindigkeit und Stabilität deutlich verbesserte. Die Experimente basieren auf realen Produktionsdaten von 200 Öfen eines Stahlwerks, bei denen BP-Neuronale Netze, Standard-DNN und GWO-DNN-Modelle verglichen wurden. Das UMAP-GWO-DNN-Modell erzielte Trefferquoten von 86,7 % und 95,4 % im Fehlerbereich von ±0,001 % bzw. ±0,002 % bei einer Reduktion des Root-Mean-Square-Errors (RMSE) um 23,6 %. Die industrielle Validierung zeigte, dass das Modell die Standardabweichung der Endphosphorschwankungen um 41 % verringerte und den Mittelwert von 0,0012 % auf 0,0009 % stabilisierte, wodurch das Ziel der "engen Fenster"-Steuerung erfolgreich erreicht wurde. Diese Studie bietet einen übertragbaren technischen Weg zur Digitalisierung des Konverter-Schmelzprozesses.

Endphosphorgehalt; Konverterstahlherstellung; tiefe neuronale Netzwerke; Vorhersagemodell; industrielle Anwendung