Le contrôle précis de la teneur en phosphore en fin de convertisseur est une étape clé pour améliorer la qualité de l'acier et l'efficacité de la fusion. Cette étude, ciblant l'acier 42CrMo, intègre de manière innovante l'approximation et la projection par manifolds unifiés (UMAP), l'algorithme d'optimisation Grey Wolf (GWO) et les réseaux de neurones profonds (DNN) pour construire un modèle de prédiction intelligent multimodal. Grâce à l'algorithme UMAP, une réduction non linéaire de la dimension des paramètres de fusion à haute dimension (tels que la température, la hauteur du canon à oxygène, la basicité du laitier, etc.) permet d'extraire efficacement les caractéristiques clés ; l'optimisation des poids initiaux et des hyperparamètres du DNN par l'algorithme GWO améliore considérablement la vitesse de convergence et la stabilité du modèle. Les expériences basées sur les données réelles de 200 fours d'une usine sidérurgique comparent les réseaux de neurones BP, le DNN standard et le modèle GWO-DNN. Le modèle UMAP-GWO-DNN atteint des taux de succès de 86,7 % et 95,4 % dans les plages d'erreur de ±0,001 % et ±0,002 % respectivement, avec une réduction de 23,6 % de l'erreur quadratique moyenne (RMSE). La validation industrielle montre que ce modèle réduit de 41 % l'écart type des fluctuations de la teneur en phosphore finale, stabilise la moyenne de 0,0012 % à 0,0009 %, atteignant avec succès l'objectif de contrôle par "fenêtre étroite". Cette étude fournit une voie technique reproductible pour la numérisation du processus de fusion du convertisseur.

teneur finale en phosphore ; acier de convertisseur ; réseau neuronal profond ; modèle de prédiction ; application industrielle