Применение искусственного интеллекта в металлургии: повышение эффективности вельц-печи

В статье рассматривается применение нейросетевых методов и алгоритмов машинного обучения для оптимизации работы вельц-печи на металлургическом предприятии. На основе реальных производственных данных проведено сравнение эффективности различных алгоритмов (LGBM Regression, CatBoost, Decision Tree, Random Forest и др.) для прогнозирования содержания цинка в клинкере. Лучшие результаты показали LightAutoML (R2 = 0,9339), CatBoost (R2 = 0,9218) и LGBM Regression (R2 = 0,9195). Определены ключевые параметры, влияющие на процесс: содержание цинка в шихте, расход сжатого воздуха, давление в пылевой камере и загрузка коксика. Разработаны рекомендации по управлению процессом, включая контроль качества сырья, оптимизацию газодинамических параметров и мониторинг восстановительных условий. Результаты исследования демонстрируют потенциал ИИ-решений для повышения эффективности металлургических производств в условиях цифровой трансформации промышленности.