首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
智能AI morning

用于电弧炉温度和化学成分预测的可用性感知历史反馈学习

2026-11-16 1 阅读 约2分钟阅读 Ahmed Shoyeb Raihan, Farzana Islam, Ashish Nimbarte, Imtiaz Ahmed
分享:
字号:
arXiv:2611.17463v1 公告类型:新 摘要:电弧炉(EAF)炼钢在再生钢和低碳钢生产中发挥着越来越重要的作用。然而,充电材料、能量输入和操作条件的变化使得准确预测钢水温度和最终化学成分具有挑战性。间歇或延迟的测量限制了可用于及时预测的信息。本研究开发了一个可用性感知历史反馈学习框架,用于预测 EAF 终点温度和 12 种化学元素的最终浓度。八个工业数据源被集成到三个逐渐丰富的预测器表示中,其中包括 19 个静态特征、39 个时间特征和 47 个历史信息特征。仅当符合假定的 60 分钟测量发布延迟条件时,才会纳入历史结果。使用 19,738 个温度加热和 3,341 个化学加热,通过时间顺序前向验证评估十二种调整回归算法。所提出的历史反馈表示减少了 156 个匹配算法目标比较中的 147 个的均方根误差 (RMSE)。对于温度预测,ExtraTrees 的 RMSE 为 12.290 摄氏度,与仅进行时间预测的同类产品相比,降低了 5.54%。历史特征消融和反馈延迟敏感性分析证明了近期结果信息及其可用性的重要性。在单独的回顾性后期评估中,轻量级自适应残差校正将温度 RMSE 从 12.502 摄氏度降低至 12.275 摄氏度,而无需重新训练基础模型。探索性深度学习比较和特定目标的特征归因分析为预测行为提供了额外的见解。结果将历史结果可用性和顺序反馈确定为 EAF 终点预测的重要考虑因素。
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱