文章标题：基于贝叶斯优化机器学习的转炉耗氧量预测研究

文章作者：丁志豪 1，信自成 1, 2，张江山 1，刘青 1
关 键 字：转炉；耗氧量预测；BP 神经网络算法；极限学习机；贝叶斯优化
文章摘要：转炉冶炼过程具有多变量、非线性、强耦合的特点，冶炼过程吹氧控制对钢液成分和温度具有重要影响。 为实现转炉吹氧量的精确预测， 利用箱线图法对实际生产数据进行预处理， 基于反向传播神经网络 (back propagation neuralntework, BP)算法和极限学习机(extreme learning machine, ELM)算法，构建了转炉耗氧量预测模型，运用贝叶斯优化(bayesian optimization, BO)算法，对 BP 神经网络算法和 ELM 算法的超参数进行寻优；最后，采用多种评价指标对所建模型性能进行了评估 。 结果 表 明 ，BO-ELM 预测 模 型 性 能 优 于 BO-BP 预测 模 型 ，BO-ELM 耗氧 量 预 测 模 型 的 R2、RMSE 和 MAE 分别为 0.721、137.176 和 113.622，且耗氧量在±300 m3 误差范围内的命中率达 98.10%。