基于Boost算法的钢水配料方案优化

李婷婷

摘要：本文主要介绍了关于钢水配料方案模型的建立，对于不同类型不同情况，采用决策树模型进行分类，针对每一类别，提供不同参数的线性回归方程。在优化过程中，结合Boost算法的原理，将错误数据权值调大，进行迭代，从而得到拟合优度较高的模型。

关键词：Boost算法;皮尔逊相关系数;决策树

一、简介

在炼钢过程中，金属的氧化反应是非常关键一步。这个过程将各个金属融合在一起，从而炼出合金。对于钢厂而言，如何提高各个金属的利用率是非常重要的，可以减少成本、提高产量。

二、研究背景

對于不同金属的配料，不仅与合金中相应金属的需求息息相关，还需要考虑各个金属之间互相的影响。因为添加配料中的某一种金属不可能被全部吸收，所以对于金属的加入量，应综合考虑其吸收程度等因素。

根据不同金属，先求解其吸收程度，然后对多种因素进行线性回归。对于出现的误差数据，可以将其权值调大，进而统计，经过多次迭代，最终得到拟合程度较好的模型。

三、模型建立与分析

根据数据计算出C、Mn被合金吸收的质量以及C、Mn加入的质量，进而求得C、Mn的历史收得率。

（一）决策树分析

基于求得的历史收得率，发现C、Mn的历史收得率在某个钢种，某个钢号，以及是否加脱氧剂的情况下，C、Mn的历史收得率有很大差异，因此针对这三个分类方式，采用决策树的方法，最终得出一种最优的分类顺序，即先对钢种进行分类，再对钢号进行分类，最后再对是否加脱氧剂进行分类。沿着决策树的某一分支，对影响C、Mn的收得率因素进行分析。影响收得率的因素可能有许多，将这些因素分别与C、Mn的历史收得率计算Pearson相关系数，挑取相关系数较大的因素，最终得到影响收得率的主要因素，决策树框架如图1

（二）主成分线性回归

建立主成分线性回归模型，使用AdaBoost对数据表进行处理，使用主成分线性回归方法进行预测，对比发现，预测的结果较未使用AdaBoost改进的准确很多。首先对影响收得率的因素进行因子分析，找出原始因素之间的关联，提取相对数量的因子，从而减少变量。多元线性回归进行预测，为减小预测的误差，使用AdaBoost对数据表进行处理，将历史数据可靠性不强的样本数据赋予较小的权重，从而提高数据表的准确性，进而加强了主成分线性回归的预测结果的准确性。

将C元素钢号HRB400D作为训练数据，数据分布如图2所示。对于Boost过程，进行训练样本数据的初始化，接着开始迭代，在得到新的权值分布的情况下，选取误差率最小的分类器进行二次迭代。不断反复此步骤，一共迭代6次，整合得强分类器，使正确率提升。

（三）规划方案

脱氧合金化不仅要保证C、Mn、Si、P、S含量达到标准，而且要使合金成本达到最小。因此本文提出以C成本最小化为目标，C、Mn、Si、P、S含量达到标准为约束，以合金加入量为决策变量优化，线性规划，得到最优化的合金配料比，结果如表1。

四、结语

模型稳定性强，误差较小;充分考虑数据的有效性与准确性。模型针对不同类别钢种不同环境，可以较为准确地预测出收得率;改变脱氧剂的加入情况，决策树会分支成不同路径，能较好的适应不同环境;主成分分析是选取代表性指标，对于原始影响因素进行降维，灵敏性较好;对于不同类别钢种，对应不同的表达式，可移植性较好，可以适应各种情况。

参考文献

[1]王熙辰.浅谈转炉炼钢技术的应用和革新途径[J].科技风，2019（15）：148.

[2]连克强.基于Boosting的集成树算法研究与分析[D].中国地质大学（北京），2018.