基于机器学习的镁还原率预测与罐结构优化

摘要

镁冶炼装备的智能化需要以快速准确的数字化模型为基础，通过“多场耦合数值仿真–快速预测建模–智能优化设计”的技术路径是构建数字化模型的重要方法.本文基于离散单元法（DEM）构建了接近实际的还原罐内物料层自然无序堆积模型，通过单因素数值仿真和多因素正交仿真设计累计获得1894条有效数据，基于该数据集完成了4种机器学习模型的训练、测试和验证，最终采用最优机器学习模型开展了新设计工况下的镁还原率预测.单因素仿真结果表明，球团尺寸、填充层厚度和罐壁温度等因素对罐内镁还原速率影响显著，综合考虑数值计算结果及单罐产镁量、罐材使用寿命等指标，给出各因素的最佳取值范围：球团直径20～30 mm、填充层厚度100～140 mm、罐壁温度维持在1473 K小范围波动.机器学习模型预测镁还原率的研究表明，XGBoost(eXtreme gradient boosting)的预测精度最高，且对新设计工况的预测偏差最小.结合XGBoost模型开展的多因素SHAP(SHapley additive exPlanations)分析显示，填充层厚度对还原率影响最大，其次为罐壁温度、球团直径，内管直径影响最小. XGBoost模型能够为还原罐结构与工艺参数优化提供可的靠预测工具，同时还能解决传统仿真模型预测耗时长的问题.

关键词

镁 / 还原率 / 模型 / 机器学习 / 数字化

基金资助

国家重点研发计划资助项目（2022YFB3304901）