El control preciso del contenido de fósforo al final del convertidor es una etapa clave para mejorar la calidad del acero y la eficiencia de la fundición. Este estudio, enfocado en el acero 42CrMo, fusiona de manera innovadora la aproximación y proyección de variedades unificadas (UMAP), el algoritmo de optimización Grey Wolf (GWO) y redes neuronales profundas (DNN) para construir un modelo inteligente de predicción multimodal. Mediante el algoritmo UMAP, se realiza una reducción no lineal de la dimensionalidad de parámetros de fundición de alta dimensión (como temperatura, altura de la antorcha de oxígeno, basicidad de la escoria, etc.) para extraer características clave de manera efectiva; se usa GWO para optimizar los pesos iniciales y los hiperparámetros de la DNN, mejorando significativamente la velocidad de convergencia y la estabilidad del modelo. Los experimentos, basados en datos reales de producción de 200 hornos en una acería, compararon redes neuronales BP, DNN estándar y el modelo GWO-DNN. El modelo UMAP-GWO-DNN logró tasas de acierto del 86,7 % y 95,4 % en intervalos de error ±0,001 % y ±0,002 %, respectivamente, reduciendo el error cuadrático medio (RMSE) en un 23,6 %. La validación industrial mostró que el modelo reduce en un 41 % la desviación estándar de las fluctuaciones del contenido final de fósforo, estabilizando el valor medio de 0,0012 % a 0,0009 %, logrando con éxito el objetivo de control "de ventana estrecha". Este estudio proporciona una ruta técnica replicable para la digitalización del proceso de fundición del convertidor.

contenido final de fósforo; fundición en convertidor; red neuronal profunda; modelo de predicción; aplicación industrial