전로 종단 인(P) 함량의 정밀 제어는 강재 품질 및 제련 효율성을 향상시키는 핵심 단계입니다. 본 연구는 42CrMo 강종을 대상으로 통합 다양체 근사 및 사영(UMAP), 회색 늑대 최적화 알고리즘(GWO), 심층 신경망(DNN) 기술을 창의적으로 융합하여 다중 모달 지능형 예측 모델을 구축하였습니다. UMAP 알고리즘을 통해 온도, 산소건 높이, 슬래그 알칼리도 등 고차원 제련 매개변수를 비선형 차원 축소하여 핵심 특성을 효과적으로 추출하였으며, GWO를 사용하여 DNN의 초기 가중치와 하이퍼파라미터를 최적화함으로써 모델 수렴 속도와 안정성을 크게 향상시켰습니다. 본 실험은 제강소의 200회 실제 생산 데이터를 바탕으로 BP 신경망, 표준 DNN 및 GWO-DNN 모델과 비교하였으며, UMAP-GWO-DNN 모델은 ±0.001% 및 ±0.002% 오차 구간에서 각각 86.7% 및 95.4%의 적중률을 기록하였으며, 평균 제곱근 오차(RMSE)는 23.6% 감소하였습니다. 산업 검증 결과 해당 모델은 종단 인 함량 변동 표준편차를 41% 감소시키고 평균값을 0.0012%에서 0.0009%로 안정화하여 '좁은 창' 제어 목표를 성공적으로 달성하였습니다. 본 연구는 전로 제련 공정의 디지털화 업그레이드를 위한 보편적 기술 경로를 제공합니다.

종단 인 함량; 전로 제강; 심층 신경망; 예측 모델; 산업 적용