转炉炼钢过程中，终点控制对钢液成分的精准调控、钢材质量的稳定性及整体生产效率具有关键作用[1-2]。当前钢铁行业普遍依赖人工判定冶炼终点，并通过钢液取样结合直读光谱仪进行成分测定[3-4]。流程涉及取样、送检与分析等多个环节，不仅延长了冶炼周期，也限制了生产效率的提升。实际生产中，由于原料成分波动及炉内复杂的物理化学反应耦合作用，熔池状态高度不稳定，单凭操作人员经验判断吹炼终点，难以实现成分的一次命中[5-7]。一旦终点成分偏离目标，需返炉进行二次吹炼，不仅延长了冶炼时间、增加能耗与操作复杂度，还会导致合金元素进一步烧损、温度损失加剧及冶炼成本上升[8-9]。因此，开发精准、高效、具备实时响应能力的转炉终点智能预测方法，不仅有助于提高成分命中率、减少返工次数、优化能耗控制，还能有效提升钢液质量稳定性、降低生产成本，对推动转炉炼钢向高质量、高效率与智能化方向发展具有重要意义[10]。
为减少人为经验对转炉终点判断带来的不确定性，国内外学者逐步引入机器学习方法，对大量历史冶炼数据进行处理与挖掘[11-14]，以提取有效信息并构建钢液成分预测模型。研究表明，工艺参数如吹氧量、温度控制等对出钢过程有显著影响[15]，有学者据此提出了改进的高碳出钢方案，实现了高效、稳定的高碳钢生产。基于150 t 转炉的1 900 炉次历史数据，有研究建立了完整数据库并采用轻量级梯度提升机(light gradient boosting machine,Light-GBM)算法对转炉热损失率进行建模预测[16]，其决定系数R2 达0.93，热损失率在±0.005 与±0.01 的误差范围内预测准确率分别超过90%。在转炉终点成分预测方面，学者应用支持向量机(support vector machine,SVM)、LightGBM 和梯度提升决策树(categorical boosting,CatBoost)模型对残余锰含量进行预测，并通过贝叶斯优化算法提升模型性能[17]，其中优化后的CatBoost 模型在±0.010 与±0.008 范围内的命中率分别达到了83.2%和76.2%。另一项研究基于粒子群算法(particle swarm optimization, PSO)优化SVM 模型，实现了转炉用氧量的高精度预测[18]，在预测误差小于100 和200 m3 的条件下，命中率分别达到了60%和80%，对提高一倒命中率和钢液质量具有实际指导意义。
针对钢液温度与成分的预测，已有研究结合主成分分析(principal component analysis，PCA)与BP神经网络(back propagation neural network, BPNN)，显著提升了终点温度预测的精度与稳定性[19]。尽管该模型相较于传统方法具备更强的拟合能力，但尚未充分考虑炼钢过程中动态工况变化对预测性能的影响，且缺乏与其他先进算法的系统对比。为增强模型对动态过程的适应性，有研究引入多尺度特征提取与自注意力机制，提高了数据建模的准确性[20]，但该方法在不同数据源间的泛化能力及实时性能仍需进一步验证。此外，深度神经网络(deep neural network,DNN)在BOF 吹氧时间预测中的应用也取得初步成效，结合氧平衡机制开发的混合模型显著提高了预测准确性[21]，展示了冶金知识与数据驱动方法融合的潜力。然而，该模型对输入数据质量要求较高，其在复杂工况下的鲁棒性和泛化能力仍需增强。数字孪生技术也逐步被引入炼钢过程建模与优化中[22]，通过构建虚拟工艺模型与实际生产数据的同步交互，实现了动态调整与智能决策支持，但其广泛应用仍受限于高质量数据采集系统和建模成本。卷积递归神经网络(convolutional recurrent neural network, CRNN)被用于转炉工况识别[23]，充分结合了CRNN 的空间特征提取与循环神经网络(recurrent neural network,RNN)的时序建模能力，提升了过程状态识别的准确性和实时性。不过，该方法对大规模标注数据依赖较强，且对计算资源要求较高。有研究综合原始静态工艺数据与转换后的时间序列数据，建立了基于工艺参数的终点成分(C、P)与温度预测模型[24]，揭示了氧气流动模式、石灰石与白云石的添加方式对终点磷含量的主导影响因素。但该研究对高质量输入数据依赖性强，模型在复杂工况下的适用性仍有待验证[25]。
综上所述，尽管现有研究在成分或温度单一变量预测方面取得了较大进展，但针对转炉终点多元素集成预测的系统研究仍有不足。为此，本文开发了一套不等样出钢智能预测系统，基于转炉历史冶炼数据，综合考虑铁液重量、废钢比例、吹炼时间、铁液成分(Si、Mn、P)、温度、操作参数及氧气、氩气、氮气3 种气体消耗量，构建集成预测模型，实现了对终点C、Si、Mn、P、S 元素含量的实时在线预测。
本研究融合冶金机理知识与机器学习方法，识别影响终点成分波动的关键特征变量，通过特征重要性分析明确C、P 等关键元素的主控因素。同时，集成并封装多种适用于不同场景的机器学习模型，构建了具有良好可扩展性与鲁棒性的不等样出钢预测系统。该系统推动转炉炼钢由经验驱动向数据驱动的模式转变，摒弃传统取样检测路径，提升了预测效率与过程可控性。研究成果有望实现炼钢过程的精准控制、节能降耗与质量提升，进一步增强钢铁制造的智能化水平与综合竞争力。
1 机器学习算法模型
1.1 模型搭建
图1 为基于灰狼算法(grey wolf optimizer,GWO)优化的随机森林算法(random forest,RF)回归模型流程。数据来源于某钢铁厂，利用特征选择的方法来降低数据的维度，结合网格搜素和交叉验证的办法确定适应于数据库训练的模型最优参数，进而生成完整的随机森林回归算法。随机森林算法进行数据预测，与工业实际数据对比确定预测精度并进行模型评估。将优化好的训练模型应用于工业线上推广，进而推动工业智能化发展。
图1 机器学习算法流程
Fig.1 Flowchart of machine learning algorithms
1.2 数据训练
从某钢铁厂120 t 转炉中收集到1 783 组数据(表1)，将数据进行划分，确定钢液基础属性参数为输入特征，包括铁液质量、废钢质量、吹炼时间、铁液C、Si、Mn、P 和S 的含量、铁液温度和氧气、氩气、氮气消耗量，输出特征为转炉终点钢液中的C、Si、Mn、P、S 含量。同时对数据集进行预处理，去除重复值和缺失值，并将数据进行标准化和归一化等。
表1 数据信息
Tab.1 Data information
CountMeanStdMin25%50%75%Max Hot metal weight783.0125.322.444298.5140145.4162.8 Scrap weight783.020.063.422018.1418.6422.4240.07 Si in hot metal783.00.4910.12700.40.4830.571.036 Mn in hot metal783.00.1920.03900.160.190.220.42 P in hot metal783.00.1650.02200.1510.1610.1770.24 S in hot metal783.00.0220.0100.0180.0230.0290.078 Hot metal temperature783.01 37460.371731 3491 3781 4051 521 Oxygen consumption783.06 076946.205 0846 4436 8717 937 Argon consumption783.055.0984.750114103957 Nitrogen consumption783.02017554.901 6291 89423504239 Blowing time783.0734.763.160688733780929 C of steel output783.00.0670.05800.0490.0570.0690.079 P of steel output783.00.0180.00700.0150.0180.0210.086
2 随机森林算法分析
2.1 热图分析
图2 中的热图说明了各种数据特征之间的相互依存关系及其对预测结果的影响。研究发现，氧气消耗量和底吹时间受铁液和废钢质量的影响很大，呈正相关，这表明转炉冶炼过程中适当增加氧气注入量和注入时间有利于脱碳。同时，结合冶金热力学和动力学原理，发现当温度较高时，放热的碳氧反应容易正向形成CO 或CO2，高温加速分子运动，加速化学反应速率，从而有效去除碳。
图2 出钢碳特征相关热图
Fig.2 Feature correlation heatmap of the C content at the end of the converter process
图3 为预测终点磷含量的热图。结果表明，废钢加入量与氧气消耗量对除磷有显著影响。其次，铁液的重量和铁液的温度对除磷效果存在较大影响。铁液中硫的含量和氩气消耗量对终点磷含量的影响相对较小。基于冶金热力学和动力学分析，在转炉炼钢除磷过程中，同步提高铁液温度和氧气注入量有助于降低钢液中的磷元素，进而提升除磷效果。
图3 出钢磷特征相关热图
Fig.3 Feature correlation heatmap of the P content at the end of the converter process
2.2 相关性分析
图4 展示了转炉终点预测碳含量的输入特征相关效应。在转炉冶炼过程中，铁液重量、吹炼时间和耗氧量对除碳有着较大的影响。金属热温度和金属热中的S 和P 组分对除碳有一定影响，但影响较弱。此外，废钢添加量和氩气用量对除碳效果影响不大。通过特征重要性分析，结合冶金热力学与动力学，发现提高铁液温度和增加吹氧量可以促进转炉终点除碳。
图4 出钢碳相关性分析
Fig.4 Correlation analysis graph of the converter furnace endpoint prediction of C
图5 呈现了转炉终点钢液中磷含量影响的特征意义。数据对比分析表明，废钢重量和注入时间对除磷的影响最为显著，占比分别约为27.01%和19.06%。铁液重量、铁液温度和耗氧量对除磷的影响相对较小。根据冶金热力学分析，废钢中含有一定比例的铁和其他杂质元素，在吹氧炼钢过程中，这些成分被氧化，使炉渣中FeO 含量增加。FeO 作为脱磷反应的重要参与者，从而提高了脱磷效率。因此废钢重量在脱磷过程中表现出最高的特征重要性。
图5 出钢磷相关性分析
Fig.5 Correlation analysis graph of the converter furnace endpoint prediction of P
2.3 SHAP 值分析
SHAP 值图最大的优势是SHAP 能反映出每一个样本中的特征影响力，并明确其影响的正负性，如图6 分析铁液初始成分和工业参数对利用SHAP 值预测转炉末端碳含量的影响。图6a 是对模型输出图的影响，这表明从下到上对最终预测结果的影响变得越来越重要。红色表示对预测结果的积极影响，蓝色表示对预测效果的消极影响。分析可见，铁液的重量、吹炼时间和耗氧量对其影响较为显著。高SHAP值的铁液重量数据点分布在负区域，表明其对碳预测有着负影响。
图6 SHAP 值之间的转炉末端预测C 含量：(a)对模型输出的影响；(b)决策图
Fig.6 Prediction of the end-point C content in the converter on the basis of the SHAP values:(a)impact on the model output;(b)decision tree diagram
在图6b 的决策图中展现了随机森林算法在处理1 783 组样本时的每一步决策流程，揭示了各重要因素的作用强度和方向，从下到上的每行依次表明，在单个预测中，因素对预测结果决策的影响程度逐渐增强。分析可见，吹炼时间增加对决策过程有着促进作用，而铁液质量增加则对决策过程有抑制作用。耗氧量的变化趋势与铁液的质量一致，但预测的程度小于吹炼时间。铁液质量和吹气时间的参数对出钢终点钢液中含碳量影响程度最大，铁液中的磷、锰元素和加入的废钢对出钢终点钢液中除碳影响程度最小，改善铁液温度和吹氧量对改善钢液中的碳元素影响更为显著。
通过SHAP 值分析了输入特性对预测转炉终点磷含量的影响。图7a 可以发现，添加的废钢重量和氧气消耗量对预测终点P 的影响最大，其次是铁液温度和注入时间的影响。铁液温度降低了预测结果，表明随着铁液温度的升高，有利于脱磷。同样，增加废钢的质量和氧气的消耗也有利于脱磷。图7b 数据分析发现，在转炉终点磷含量的预测中，氧气的消耗量对结果的决定影响最大，其次是废钢的质量。氮的消耗对铁液温度的影响几乎相同，在一定程度上有积极的影响。因此，在冶炼过程中适当增加这些条件值有利于脱磷。
图7 SHAP 值之间的转炉末端预测P 含量：(a)对模型输出的影响；(b)决策图
Fig.7 Prediction of the end-point P content in the converter on the basis of the SHAP values:(a)impact on the model output;(b)decision tree diagram
随机森林算法进行结果分析总结出基础属性对出钢终点碳、出钢磷元素含量的影响及各个属性之间的相互影响。热图、相关性分析和SHAP 分析图得到的重要性基本一致，但存在细微差别，结合现场经验综合判断，相关性分析更为可靠。
3 工业应用
3.1 数据预测
采用BPNN、RF 和GBDT 算法对转炉终点碳含量进行预测，预测值与实验值的对比如图8所示。通过网格搜索和交叉验证，发现RF 算法的预测效果最好，MAE 和RMSE 分别达到了4.51%和6.03%。与BPNN 算法的R2=82.493%和GBDT 算法的R2=80.376%相比，RF 算法的R2=85.367%更高。对比3 种算法的绝对误差发现，在160 组测试数据中，RF算法的最大误差小于0.02%，而BPNN 和GBDT 算法分别有5 组和6 组数据的误差分别大于0.02%。综上所述，RF 算法的性能优于BPNN 算法和GBDT 算法，因此考虑采用GWO 算法对RF 算法进行优化，进一步提升其性能。
图8 不同算法下预测出钢碳准确率：(a)BPNN 算法；(b)RF 算法；(c)GBDT 算法
Fig.8 Predicted accuracy of C content at the end of the converter process under different algorithms:(a)BPNN algorithm,(b)RF algorithm,(c)GBDT algorithm
GWO 算法和RF 算法超参数设置如表2所示。由图9 可以看出，基于GWO 算法改进的RF 算法的预测精度有所提高，决定系数R2 由85.367%提高至91.662%，说明GWO 算法促进了RF 算法的优化。
图9 在GWO-RF 算法中预测转炉终点C 含量
Fig.9 Predicting the C content at the end point of the converter in the GWO-RF algorithm
表2 优化的超参数类型
Tab.2 Optimized hyperparameter types
AlgorithmHyper-parameterRange GWONum_wolves10 Max_iter50 Convergence factor2 RFMax depth3~20 Min samples split2~10 Min samples leaf1~10 Learning rate0.01~0.50
图10 展示了3 种算法对钢磷含量的预测值与实际值的对比结果，数据分析表明，RF 算法的预测结果更优，R2 达到80.464%。由于取样环境的影响，数据往往波动较大，规律性较弱，因此预测终点磷的效果比预测终点碳的效果差。在BPNN 和GBDT 两种算法的预测中，R2 的值分别达到72.343%和75.158%，低于RF 算法。通过比较绝对误差，BPNN算法预测的最大误差达到0.008%，大多数误差超过0.004%。在GBDT 算法预测的误差中，大多数数据的误差接近0.004%，而在RF 算法中，误差接近0%的数据更多。综合而言，RF 算法的预测性能优于BPNN 算法和GBDT 算法。
图10 不同算法下预测出钢磷准确率：(a)BPNN 算法；(b)RF 算法；(c)GBDT 算法
Fig.10 Predicted accuracy of P content at the end of the converter process under different algorithms:(a)BPNN algorithm;(b)RF algorithm;(c)GBDT algorithm
通过比较BPNN、RF 和GBDT 3 种算法，发现RF 算法的预测效果最好。利用GWO 算法对RF 算法进行优化，得到的预测结果如图11a所示。可以发现，优化后的GWO-RF 算法的R2 从80.464%提高到82.185%，但性能改善效果不明显。这是由于训练数据库中数据的规律性不强，导致预测结果的拟合程度较低。由于废钢质量在特征重要性方面对预测结果的影响最大，所以结合废钢质量特征对GWO-RF 的预测结果进行校正。所获得的预测结果如图11b所示。通过数据运算，发现校正后的GWO-RF 算法的R2达到了86.418%。结合对绝对误差的分析，发现预测误差在一定程度上得到了减小。因此，证明改进的GWO-RF算法的性能与RF 算法相比有了明显的提高。
图11 GWO-RF 算法预测转炉终点P 含量：(a)参数校正前；(b)参数校正后
Fig.11 Prediction of the P content at the end of the converter in the GWO-RF algorithm:(a)before parameter correction;(b)after parameter correction
3.2 在线软件开发
基于Python 3.9 的运行环境，将GWO 算法改进的RF 算法代码进行封装，形成实时在线预测软件，实现转炉终点碳硅锰磷硫等元素的预测，并通过工厂测试后投入应用。图12 为软件主界面，主要包括4 大功能模块：数据读入、算法参数、数据训练和数据预测。
图12 在线预测软件主界面模块
Fig.12 Main interface module for the online prediction software
图13 数据输入模块主要是添加用于预测系统训练的数据集。将数据库中数据进行预处理，删除误差较大和有缺失值的数据后将数据加载到算法中，将数据集按照训练集∶测试集=8∶2 的比例进行划分，数值输入主要包括铁液基础属性、工业冶炼参数和吹入转炉系统的气氛，输出主要是转炉终点的钢液中的碳硅锰磷硫含量。算法参数设置模块实现的是算法参数的调节，通过网格搜索和交叉验证的方式搜索得到模式匹配参数和通过代码测试后输入适应预测转炉终点元素的最佳参数，通过自动获取最佳超参数。数据训练模块中输入数据集的基础属性和预测值名称，确定预测系统输入特征与输出特征，以完成预测系统的特征构建。
图13 在线预测软件数据读入模块
Fig.13 Data input module for the online prediction software
图14 实现的是转炉终点钢液内碳硅锰磷硫元素含量的预测。输入铁液成分、工业参数、气体耗量等基础属性数值，点击“预测”即可实现转炉终点碳硅锰磷硫数值预测。通过软件的实时预测和工厂测试，预测精度达到了90%以上，预测软件的运行时间缩短至0.1~0.3 s 之间，实现了转炉生产过程中不等样出钢。避免取样、检测环节，节省了转炉钢液终点等待时间，提高了生产效率。
图14 在线预测软件数据预测模块
Fig.14 Data prediction module for the online prediction software
4 结论
(1)BPNN、RF 和GBDT 3 种算法实现了转炉终点C 含量的预测，发现评价指标R2 分别达到了82.493%、85.367%和80.376%。为了进一步提高命中率，利用GWO 算法优化了RF 算法的超参数。通过对比，优化后的GWO-RF 的R2 指标达到了91.662%。
(2)在转炉终点P 含量的预测中，BPNN、RF 和GBDT 3 种算法评价指标R2 分别达到了72.343%、80.464%和75.158%。利用GWO 算法优化RF 算法后，R2 达到了82.185%。利用重要特征对GWO-RF预测结果进行校正，评价指标R2 得到了提升，达到了86.418%。
(3)基于优化后的GWO-RF 算法，实现了转炉终点C、Si、Mn、P、S 5 种元素的预测，开发了现场使用的转炉终点不等样出钢实时预测系统，命中率达到90%以上，预测时间控制在0.1~0.3 s 之间，每炉冶炼时间缩短约3~5 min，从而提高了生产效率。
[1] ZHU R,HAN B C,DONG K,WEI G S.A review of carbon dioxide disposal technology in the converter steelmaking process[J].International Journal of Minerals,Metallurgy and Materials,2020,27:1421-1429.
[2] 陈均，王二军，李小勇，曾建华，梁新腾. 半钢冶炼提高转炉终点碳出钢试验研究[J].铸造技术，2019,40(10):1054-1059.CHEN J, WANG E J, LI X Y, ZENG J H, LIANG X T. Study on improving tapping-carbon of semi-steel steelmaking converter[J].Foundry Technology,2019,40(10):1054-1059.
[3] ZHOU C G, CHEN Q G, JI Y, AI L Q, WANG S H, CHEN Q Y,YUAN T X. Effect of highly oxidizing converter dephosphorization slag on dephosphorization behaviour of molten steel[J]. Ironmaking&Steelmaking,2023,50(8):958-968.
[4] CHEN Z Q,HAO H B,SALAS-AVILA J R,FAN M Y,XIE Y D,WANG S P, LI J Y, XU J X, WANG H, YIN W L. Estimation of metal state in molten production processes using electromagnetic tomography with fast integrated processing[J].Measurement Science and Technology,2022,33(7):074003.
[5] HAN M, ZHAO Y. Dynamic control model of BOF steelmaking process based on ANFIS and robust relevance vector machine[J].Expert Systems with Applications,2011,38(12):14786-14798.
[6] 冯士超，王艳红，丁瑞锋. 转炉炼钢终点控制技术应用现状[J]. 冶金自动化，2016,40(2):1-6.FENG S C,WANG Y H,DING R F.Application status of end-point control technology in converter steelmaking[J].Metallurgical Industry Automation,2016,40(2):1-6.
[7] 赵多祯.基于图像处理的转炉终点预测研究[D].包头：内蒙古科技大学，2020.ZHAO D Z.Research on prediction of converter endpoint based on image processing[D]. Baotou: Inner Mongolia University of Science and Technology,2020.
[8] 杨文远，蒋晓放，王明林，吴文东，刘路长. 转炉炼钢节能的技术问题[J].钢铁研究学报，2010,22(8):22-26.YANG W Y,JIANG X F,WANG M L,WU W D,LIU L C.Technical problems of energy-saving in BOF steelmaking[J].Journal of Iron and Steel Research,2010,22(8):22-26.
[9] 姚同路，吴伟，杨勇，贺庆，孟华栋，林腾昌. “双碳”目标下中国钢铁工业的低碳发展分析[J].钢铁研究学报，2022,34(6):505-513.YAO T L,WU W,YANG Y,HE Q,MENG H D,LIN T C.Analysis of low-carbon development of China's steel industry under"dual carbon"goals[J].Journal of Iron and Steel Research, 2022,34(6):505-513.
[10] 刘建勋，刘辉.面向转炉炼钢终点碳含量预测的多方向加权复杂网络火焰图像纹理特征提取模型[J]. 钢铁研究学报，2025,37(2):151-163.LIU J X,LIU H. A multi-dimensional weighted complex network model for flame Image texture feature extraction aiming at predicting endpoint carbon content in converter steelmaking[J].Journal of Iron and Steel Research,2025,37(2):151-163.
[11] PAN G F,WANG F Y,SHANG C L,WU H H, WU G L, GAO J H, WANG S Z, GAO Z J, ZHOU X Y, MAO X P. Advances in machine learning - and artificial intelligence-assisted material design of steels[J].International Journal of Minerals,Metallurgy and Materials,2023,30(6):1003-1024.
[12] JIN B Z, XU X J. Machine learning predictions of regional steel price indices for east China[J].Ironmaking&Steelmaking,2025,52(3):368-381.
[13] WANG Z X, XIE Y, WANG L, LIU X, HU S W, ZHANG L Q,ZHANG C J.Applications and progress of machine learning techniques in the ladle furnace refining process:A review[J].Steel Research International,2024,96(7):2400551.
[14] 朱航宇，董清源，薛正良，王炜，余岳. 基于钢铁大学网站转炉虚拟炼钢成本影响因素[J].铸造技术，2017,38(5):1099-1102.ZHU H Y,DONG X Y,XUE Z L,WANG W,YU Y.Analysis on cost influence factors of basic oxygen virtual steelmaking based on steeluniversitywebsite[J].FoundryTechnology,2017,38(5):1099-1102.
[15] 管挺，叶磊，万文华.120 t 转炉高碳出钢工艺研究和应用[J]. 特殊钢，2021,42(2):31-34.GUAN T, YE L, WAN W H. Technical study and application of high carbon liquid tappig of 120 t converter [J]. Special Steel,2021,42(2):31-34.
[16] 景林，闵义，亓捷，刘承军，范佳. 基于机器学习的转炉热损失率预测[J].冶金自动化，2023,47(6):21-27.JING L,MIN Y,QI J,LIU C J,FAN J.Prediction of converter heat loss rate based on machine learning[J].Metallurgical Industry Automation,2023,47(6):21-27.
[17] 张龙强，闵义，刘承军，黄健，郑传新，马威. 基于机器学习的转炉冶炼终点残锰含量预测[J].炼钢，2024,40(5):38-43.ZHANG L Q,MIN Y,LIU C J,HUANG J,ZHENG C X,MA W.Prediction of residual manganese content at the end point of converter smelting based on machine learning[J]. Steelmaking,2024,40(5):38-43.
[18] 王建国，吴庆朝，秦波，张娟娟，张文兴，陈林. 粒子群优化支持向量机的BOF 用氧量预报研究[J].铸造技术，2014,35(8):1806-1809.WANG J G,WU Q Z,QIN B,ZHANG J J,ZHANG W X,CHEN L.Study on blowing oxygen volume prediction of BOF steelmaking bsedonPSO-SVM[J].Foundry Technology,2014,35(8):1806-1809.
[19] XIE X X,WANG H J,LI W M,ZHAN D P,LI X Y,ZANG X M.Prediction model of endpoint temperature of converter steelmaking based on PCA-BP neural network[J].Transactions of the Indian Institute of Metals,2025,78(4):90.
[20] HU Y, TANG J, HUANG B S, XU R Y. Research on prediction model of converter steelmaking process based on multi-scale feature extraction and self-attention mechanism for multi-source domain asynchronous data[J].Measurement,2025,250:117060.
[21] SHAO X,LIU Q,XIN Z C,ZHANG J S,ZHOU T,LI S S.Hybrid model for BOF oxygen blowing time prediction based on oxygen balance mechanism and deep neural network[J]. International Journal of Minerals,Metallurgy and Materials,2024,31:106-117.
[22] FU T J, LIU S M, LI P Y. Digital twin-driven smelting process management method for converter steelmaking[J].Journal of Intelligent Manufacturing,2024,36:2749-2765.
[23] HUANG C Y,DAI Z J,SUN Y,WANG Z J,LIU W,YANG S F,LI J S.Recognition of converter steelmaking state based on convolutional recurrent neural networks[J].Metallurgical and Materials Transactions B,2024,55(3):1856-1868.
[24] KANG Y,ZHAO J X,LI B,REN M M,CAO G,YUE S,AN B Q.End-Point prediction of converter steelmaking based on main process data[J].Steel Research International,2024,95(8):2400151.
[25] FANG W,HUANG J X,PENG T X,LONG Y,YIN F X.Machine learning-basedperformancepredictionsfor steelsconsideringmanufacturing processparameters: Areview[J].Journal of Iron and Steel Research International,2024,31(7):1555-1581.