Структура сталеплавильного ковша напрямую влияет на эффективность, качество и экономичность процесса выплавки стали. Для дальнейшей оптимизации конструкции ковша на основе данных моделирования продувки воды под ковшом подробно исследовалась эффективность различных алгоритмов машинного обучения в прогнозировании остаточного количества стали при начале продувки, а также проведен анализ воздействия переменных конструкции дна ковша на остаток стали при продувке. Во-первых, с использованием техники SMOGN было проведено сэмплирование данных моделирования продувки воды под ковшом для балансировки распределения данных и построения набора признаков остаточного объема, включающего тренировочную и тестовую выборки. На этой основе были протестированы пять моделей машинного обучения: LASSO, SVR, ElasticNet, MLP и XGBoost для прогноза остаточного объема. По трем метрикам — коэффициент детерминации, среднеквадратическая ошибка и средняя абсолютная ошибка — было проведено оценивание, результаты показали, что модель XGBoost имеет наилучшие показатели и является предпочтительной для предсказания остаточного количества стали. Наконец, на базе модели XGBoost проанализировано влияние переменных конструкции дна ковша, включая диаметр горловины, высоту выступа горловины, высоту ступени дна ковша и расстояние между ступенью и горловиной, на остаточное количество стали при продувке. Результаты показывают, что при диаметре горловины более 40 мм остаточный объем значительно снижается. Снижение высоты выступа горловины и увеличение высоты ступени дна ковша значительно уменьшают остаточный объем; при высоте выступа более 26 мм объем превышает 20 л; при высоте ступени свыше 11 мм и высоте выступа менее 11 мм остаточный объем уменьшается до менее 10 л. При увеличении расстояния между ступенью и горловиной остаточный объем сначала уменьшается, а при расстоянии более 100 мм стабилизируется. Результаты исследования предоставляют важные рекомендации для сталелитейных предприятий по оптимизации конструкции ковша и снижению потерь стали, обладая практическим значением.

продувка ковша; машинное обучение; конструкция дна ковша; XGBoost; регрессионный прогноз