Le contrôle précis de la teneur en phosphore à la fin du convertisseur est une étape clé pour améliorer la qualité de l'acier et l'efficacité de la fusion. Cette étude, centrée sur l'acier 42CrMo, intègre de manière innovante l'approche d'approximation et de projection unifiée des variétés (UMAP), l'algorithme d'optimisation du loup gris (GWO) et les réseaux de neurones profonds (DNN) pour construire un modèle de prédiction intelligent multimodal. L'algorithme UMAP est utilisé pour la réduction non linéaire de la dimension des paramètres de fusion à haute dimension (tels que la température, la hauteur de la lance à oxygène, l'alcalinité de la laitier, etc.), permettant une extraction efficace des caractéristiques clés ; GWO optimise les poids initiaux et les hyperparamètres du DNN, améliorant significativement la vitesse de convergence et la stabilité du modèle. Les expériences basées sur 200 fours de données réelles d'une aciérie comparent les réseaux neuronaux BP, le DNN standard et le modèle GWO-DNN. Le modèle UMAP-GWO-DNN atteint des taux de précision de 86,7 % et 95,4 % dans les plages d'erreur de ±0,001 % et ±0,002 %, avec une réduction de 23,6 % de l'erreur quadratique moyenne (RMSE). La validation industrielle montre que le modèle réduit l'écart type de la teneur en phosphore à la fin de la fusion de 41 %, stabilise la moyenne de 0,0012 % à 0,0009 %, réalisant avec succès l'objectif de contrôle de "fenêtre étroite". Cette étude fournit une voie technique généralisable pour la numérisation du procédé de fusion en convertisseur.

Teneur en phosphore finale; fusion en convertisseur; réseaux neuronaux profonds; modèle prédictif; application industrielle