本技术公开了一种基于可解释性机器学习的保护渣开始结晶温度预测方法,涉及钢铁连铸技术领域。包括获取已知成分的保护渣在不同冷速下的开始结晶温度数据;选择可靠数据构建保护渣开始结晶温度数据库;将数据集划分为训练集与测试集;使用训练集用于构建XGBoost集成模型;将训练好的XGBoost对测试集进行预测;采用SHAP对训练后的XGBoost模型进行特征重要性分析。根据每个特征的SHAP值判断不同成分对于保护渣开始结晶温度的影响以及进行重要性排序。所构建模型可以准确预测不同冷速下、不同成分的连铸保护渣开始结晶温度,具有一定的鲁棒性和泛化能力。本发明预测方法科学合理,预测结构可靠便于工业化应用。
背景技术
连铸是重要的炼钢工艺环节,可以连续地将液态钢液转化为固态钢材,提高生产效率与金属收得率。在钢液开始凝固的过程中,连铸保护渣通过绝热保温、润滑、控制传热等作用,改善铸坯在结晶器中的凝固环境,是提高铸坯质量不可或缺的辅助材料。
考虑到不同钢种的凝固特性差异以及拉速、连浇温度的工艺参数等因素。在保护渣设计阶段,往往需要在基料中加入一定量的CaF2
,Na2
O等成分,改变保护渣的开始结晶温度,以实现保护渣合理的控热能力。因此,保护渣的开始结晶温度已经作为保护渣设计阶段需要考虑的重要理化性能指标之一。
目前,研究人员采用热重-插热分析、激光共聚焦扫描等手段用于观察保护渣开始结晶温度,但由于实验设备昂贵、实验操作复杂等因素,使得保护渣开始结晶温度测量需要消耗大量的时间和金钱成本,部分研究人员采用单丝/双丝对保护渣的动态结晶过程进行观察,但由于一些特殊组元的存在,使得保护渣在高温下并不透明,不利于观察结晶析出现象。此外,目前尚未发现有关不同组分对保护渣开始结晶温度的定量公式,这使得保护渣设计具有一定的不确定性和挑战,尤其在面对复杂组分时,设计存在一定的盲目性。
实现思路