O controle preciso do teor de fósforo no ponto final do conversor é um elemento central para melhorar a qualidade do aço e a eficiência da fundição. Este estudo, focado no aço 42CrMo, integra inovadoramente a aproximação e projeção unificada de variedades (UMAP), o algoritmo de otimização do lobo cinzento (GWO) e redes neurais profundas (DNN) para construir um modelo preditivo inteligente multimodal. Por meio do algoritmo UMAP, realizou-se a redução não linear da dimensionalidade dos parâmetros de fundição de alta dimensão (como temperatura, altura da tocha de oxigênio, alcalinidade da escória etc.), extraindo efetivamente as características chave; o GWO foi utilizado para otimizar os pesos iniciais e hiperparâmetros da DNN, melhorando significativamente a velocidade de convergência e a estabilidade do modelo. Os experimentos baseiam-se em dados reais de 200 fornos de um aço, comparando redes neurais BP, DNN padrão e o modelo GWO-DNN. O modelo UMAP-GWO-DNN alcançou taxas de acerto de 86,7% e 95,4% nos intervalos de erro de ±0,001% e ±0,002%, respectivamente, com uma redução de 23,6% no erro quadrático médio (RMSE). A validação industrial mostrou que o modelo reduziu o desvio padrão da flutuação do teor final de fósforo em 41%, estabilizando a média de 0,0012% para 0,0009%, alcançando com sucesso o objetivo do controle de "janela estreita". Este estudo oferece um caminho técnico escalável para a atualização digital do processo de fundição do conversor.

Teor final de fósforo; fundição em conversor; redes neurais profundas; modelo preditivo; aplicação industrial