翟思雨 靳霄微 胡伟

摘要：为对冶炼过程中的合金收得率进行计算和预测，研究基于历史数据分析了影响合金收得率的主要因素，利用SVM算法建立了不同元素收得率的预测模型。最终得到使用SVM算法预测C的收得率较Mn的收得率更精确，不同元素收得率预测模型应有所不同的结论。

关键词：收得率;SVM算法;线性规划

1.引言

在科研、军事等諸多发展领域，工人们采集得到的铁矿石通常不能直接满足各行业的需求。现代钢铁企业将采集得到的铁矿石熔化，并向其中投放含有多种元素的合金，使得冶炼出来的钢铁成品带有诸多良好性质以满足各行业对材料的严苛要求。其中合金收得率是直接、客观反映实际情况的参数。收得率的实际值可以直接影响到钢铁企业制造的钢铁成样质量的好坏，从而影响企业的盈利空间。因此，探讨各个元素收得率的研究具有重要意义。

2.正文

（一）元素i的收得率模型

收得率被广泛应用于炉外精炼，其被定义为钢铁成品中含有合金元素i的质量与投入合金中含有元素i的质量之比[1]。即可表达成下式：

（1）

同样的，上述式子又可表示为从转炉终点到钢铁成品过程中元素i增加量与投入各合金中含有元素i的质量之和的比值：

（2）

其中用

来表示某一物质中元素i的质量分数，质量分数在化学计算中又有如下定义：

（3）

利用上述两个公式，即可某一元素的收得率进行计算。

（二）收得率影响因素

在分析收得率影响因素之前，首先明确收得率是在成品炼成后才出现的数据。所以，分析影响因素时首先需要刨除成品炼成后产生的这一类数据，例如连铸正样等变量，剩余变量均认为和收得率相关，为探究这些变量对收得率影响程度的高低，这些变量将被用于做相关性分析。具体结果如图1：

由图1可知，温度及他们在转炉终点时的元素自身含量对C、Mn收得率的影响较大。同时，Mn在转炉终点的含量对C收得率影响远高于其他几个元素在转炉终点时的含量。

（三）收得率的预测模型

1）预测准确度的定义

钢铁冶炼数据呈离散型随机分布，对收得率进行预测可以采用BP神经网络[3]、SVM等智能算法。此处采用SVM算法。然后定义预测值与真实值的绝对差值和真实值的比值在±ω（0<ω<1）之间即为准确。其中当准确率达到90%以上时，ω越接近于0，模型精准度越高，越是有利于该问题的求解。

（4）

（5）

2） SVM算法预测收得率

SVM算法主体思想是使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间，然后采用线性算法对样本的非线性特征进行线性分析[2]。

首先用SVM算法对C收得率进行预测，“rbf”核函数对数据进行聚类，当

时，ω最小值取0.048193。为探究核函数对预测结果的影响，现将核函数改为“sigmoid”，发现

时，ω最小值仍为0.048193，且使用两种核函数做出的残差图一致，即核函数对预测准确度没有影响。

使用同样的方法对Mn的收得率进行预测，发现当

时，ω最小值取0.19278。相较于C收得率的预测，Mn收得率预测使用SVM算法精确度降低较多。

3.结论

在预测C元素收得率时，使用SVM算法建立的模型会获得更高的准确率。同时发现，在预测Mn元素收得率时，使用BP神经网络搭建的模型准确度反而会比SVM模型高出近三倍。从而得出，最佳元素收得率预测方法随着元素种类的改变而改变的结论。

参考文献：

[1]韩敏，徐俏，赵耀，林东，杨溪林.基于收得率预测模型的转炉炼钢合金加入量计算[J].炼钢，2010，26 （01）：44-47.

[2]刘义志，赖华荣，张丁旺，刘飞鹏，蒋小蕾，曹庆安.多特征混合核SVM模型的遥感影像变化检测[J].国土资源遥感，2019，31 （01）：16-21.

[3]赵祥鸿，暴景阳，欧阳永忠，黄贤源，黄辰虎，陆秀平.利用BP神经网络剔除多波束测深数据粗差[J].武汉大学学报（信息科学版），2019 （04）：518-524.

作者简介：翟思雨（1998-）女，汉族，河北省保定市人，本科，研究方向：信息与计算科学。