El control preciso del contenido de fósforo al final del convertidor es un aspecto clave para mejorar la calidad del acero y la eficiencia de la fundición. Este estudio, centrado en el acero 42CrMo, integra de manera innovadora el enfoque unificado de aproximación y proyección de variedades (UMAP), el algoritmo de optimización de lobos grises (GWO) y redes neuronales profundas (DNN) para construir un modelo predictivo inteligente multimodal. A través del algoritmo UMAP, se realiza una reducción no lineal de dimensiones de los parámetros de fundición de alta dimensión (como la temperatura, la altura de la antorcha de oxígeno, la alcalinidad de la escoria, etc.) para extraer eficazmente Características clave; el GWO se utiliza para optimizar los pesos iniciales y los hiperparámetros de la DNN, mejorando significativamente la velocidad de convergencia y la estabilidad del modelo. Los experimentos se basan en datos reales de producción de 200 hornos de una acería, comparando redes neuronales BP, DNN estándar y el modelo GWO-DNN. El modelo UMAP-GWO-DNN alcanzó tasas de acierto del 86,7 % y 95,4 % en los rangos de error ±0,001 % y ±0,002 %, respectivamente, con una reducción del error cuadrático medio (RMSE) del 23,6 %. La validación industrial muestra que el modelo reduce la desviación estándar de la fluctuación del contenido final de fósforo en un 41 %, estabiliza el valor medio de 0,0012 % a 0,0009 %, logrando con éxito el objetivo de control de "ventana estrecha". Este estudio proporciona una vía técnica escalable para la actualización digital del proceso de fundición del convertidor.

Contenido final de fósforo; fundición en convertidor; redes neuronales profundas; modelo predictivo; aplicación industrial