Применение искусственного интеллекта в металлургии: повышение эффективности вельц-печи
Автор: Бунова Е.В., Цедов А.А.
Журнал: Вестник Южно-Уральского государственного университета. Серия: Металлургия @vestnik-susu-metallurgy
Рубрика: Металлургия чёрных, цветных и редких металлов
Статья в выпуске: 2 т.25, 2025 года.
Бесплатный доступ
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.
Искусственный интеллект (ИИ), машинное обучение, металлургия, вельцпечь, оптимизация производства, нейросетевые алгоритмы, LightAutoML, CatBoost, LGBM Regression
Короткий адрес: https://sciup.org/147252233
IDR: 147252233 | УДК: 62-529 | DOI: 10.14529/met250201
Application of artificial intelligence in metallurgy: increasing the efficiency of the walz kiln
The article discusses the application of neural network methods and machine learning algorithms to optimize the operation of the Waelz kiln at a metallurgical plant. Based on real production data, a comparison of the efficiency of various algorithms (LGBM Regression, CatBoost, Decision Tree, Random Forest, etc.) for predicting the zinc content in clinker was carried out. The best results were shown by LightAutoML (R2 = 0.9339), CatBoost (R2 = 0.9218) and LGBM Regression (R2 = 0.9195). The key parameters influencing the process were determined: zinc content in the charge, compressed air consumption, dust chamber pressure and coke loading. Recommendations for process control were developed, including raw material quality control, optimization of gas-dynamic parameters and monitoring of reducing conditions. The results of the study demonstrate the potential of AI solutions for improving the efficiency of metallurgical production in the context of digital transformation of industry.
