一种用于铁合金消耗的可解释机器学习方法

Nick Knyazev

一种用于铁合金消耗的可解释机器学习方法

机器学习 2022-04-18 v1

作者: Nick Knyazev

摘要

本文致力于铁合金消耗建模与优化的实用方法。我们考虑基于传感器历史数据分析来选择最优过程控制参数的问题。我们开发了预测化学反应结果并给出铁合金消耗建议的方法。我们方法的主要特点是易于解释和抗噪性。我们的方法基于 k-means 聚类算法、决策树和线性回归。该方法的主要思想是识别过程相似进行的情形。为此,我们提出使用基于 k-means 的数据集聚类算法和分类算法来确定簇。该算法也可应用于各种工艺过程,本文中我们展示了其在冶金中的应用。为测试所提方法的应用,我们将其用于优化转炉炼钢中在钢包炉精炼钢时的铁合金消耗。将给定钢种的最低所需元素含量选为预测模型的目标变量,将需加入熔体中的元素用量作为优化变量。关键词:聚类,机器学习,线性回归,炼钢,优化,梯度提升,人工智能,决策树,推荐服务

关键词

铁合金消耗可解释机器学习 k-means 聚类决策树线性回归炼钢优化过程控制

引用

@article{arxiv.2204.07421,
  title  = {An interpretable machine learning approach for ferroalloys consumptions},
  author = {Nick Knyazev},
  journal= {arXiv preprint arXiv:2204.07421},
  year   = {2022}
}

备注

4 pages

一种用于铁合金消耗的可解释机器学习方法

摘要

关键词

引用

备注

相关论文