数据驱动模型预测钢卷抗拉强度的多方法比较：从物理启发模型到机器学习黑箱

为应对废钢再利用导致的元素复杂化问题，研究人员通过半经验模型(SHM)、符号回归(SR)和人工神经网络(ANN)多方法对比，发现ANN预测精度最优而SR模型更具可解释性，为钢铁工业低碳化提供关键建模工具。

　　

钢铁工业占全球CO₂排放量的11%，利用废钢替代铁矿石是减排关键路径。但废钢中铜(Cu)、镍(Ni)等杂质元素会不可控地影响钢材力学性能，传统经验模型难以捕捉多元交互作用。奥地利K2中心IC-MPPE项目组Gerfried Millner团队在《International Journal of Engineering Science》发表研究，系统比较了物理启发模型与数据驱动方法预测冷轧低碳钢卷抗拉强度的效能。

研究采用工业钢卷生产数据，包含化学成分分析和工艺参数。关键技术包括：1) 基于文献的Sieurin-Hodgson半经验模型(SHM)参数优化；2) 约束/非约束符号回归(SR)构建解析方程；3) 人工神经网络(ANN)建模；4) SHAP特征重要性分析对比物理参数。

数据采集与预处理
工业数据集涵盖冷轧退火钢卷的化学成分、工艺参数及实测抗拉强度，通过标准化和特征工程处理为模型输入。

方法论
SHM模型整合固溶强化、Hall-Petch效应等物理机制；符号回归衍生出混合解析模型(AHM)；ANN作为基准黑箱模型。通过均方根误差(RMSE)和可解释性多维度评估。

结果与讨论
SHM模型显示厚度与晶粒尺寸对强度贡献达18%；符号回归生成的AHM模型解析式揭示Mn、Cr等元素非线性耦合效应；ANN以最低RMSE(27MPa)胜出但缺乏物理解释；SHAP分析验证Nb、Ti等微合金元素的关键影响与物理模型一致。

结论
该研究证实数据驱动方法可有效预测含杂质废钢的力学性能，ANN虽精度最优但符号回归提供的可解析方程为工艺优化提供物理依据。通过多模型特征重要性交叉验证，揭示了化学成分与抗拉强度的定量关系，为绿色钢铁生产提供跨尺度建模范式。