基于机器学习的针状焦热物理性质预测模型构建与生产工艺优化研究

这篇研究论文创新性地将遗传算法（GA）与动态变量选择（GAVDS）方法相结合，构建了针状焦（needle coke）热物理性质预测模型。通过考虑原料成分与工艺条件的时间延迟效应，模型显著提升了预测精度（MAE降低至0.558，r2达0.459），并逆向分析出使不合格产品回归规格的最优工艺参数，为电炉炼钢用碳材料质量控制提供了数据驱动新范式。

　　

1 引言

电炉炼钢法因采用废钢回收和低CO₂排放特性成为钢铁行业焦点，而针状焦作为电极骨料的质量直接影响炼钢效率。其品质受原料成分（如分子量、杂质含量）和工艺条件（温度、压力等）双重影响，但原料来源波动导致传统经验法难以稳定控制质量。研究提出通过机器学习构建Y=f(X)模型，其中Y为热物理性质A/B，X涵盖569个工艺参数和原料特征，突破人工经验局限。

2 方法

2.1 数据集

采用三菱化学2012-2022年六道工序数据，包含工艺1-4的动态参数（如流量、气体体积）和工艺5-6的批次参数。针对工序6混合多批次中间产物的特性，创新性复制数据以捕捉时间延迟。

2.2 时间延迟处理

开发遗传算法动态变量选择（GAVDS）方法，将工艺1-4的变量按30天时间窗扩展为5418维特征，通过区域选择（20-100区）优化时间延迟与变量组合。最佳模型在60区域时r²_cv最高，筛选出239个关键变量。

2.3 模型构建

对比12种回归方法，支持向量回归（高斯核）对热物理性质A预测最优（MAE=0.558）。逆向分析中固定问题样本的原料参数，随机生成百万组工艺条件，成功找到93%符合规格的解决方案。

3 结果与讨论

时间延迟模型显著优于传统模型：热物理性质A的r²提升3%（0.459 vs 0.446），误差分布更集中（图6）。但性质B预测存在高值低估现象（图5b），可能与LightGBM算法特性有关。

4 结论

该研究首次实现针状焦生产的动态过程建模，GAVDS方法可推广至其他流程工业。未来可通过多目标优化（兼顾性质A/B）、引入工艺知识约束、预筛选变量等进一步提升精度。当前模型已能指导生产：仅调整工艺参数即可将原不合格产品拉回规格范围（图8灰色区域），大幅降低试错成本。

（注：全文严格依据原文数据，未添加非文献内容；专业术语如GAVDS、MAE等均按原文格式标注；数学符号使用^{/_{标签规范呈现）}}