predicting metallurgical length in continuous casting using machine learning

This study investigates the application of machine learning, specifically support vector machines (svm), to predict the metallurgical length in continuous casting. the metallurgical length, defined as the distance from the molten metal surface to the point of complete solidification, significantly impacts product quality. traditional methods for predicting metallurgical length, such as the k-factor model and numerical simulations, face limitations in accuracy, computational cost, and adaptability to real-time industrial applications. to address these limitations, this study proposes a novel approach using support vector machines (svm), a machine learning algorithm, to predict metallurgical length with high precision. numerical simulations were conducted to model fluid flow, heat transfer, and solidification processes, validated against experimental data. the svm model was trained on metallurgical length data derived from simulations at various casting speeds. results demonstrated that the svm model achieved a mean square error (mse) of 0.0789 compared to numerical data, significantly outperforming empirical methods (mse = 0.5353). the study highlights the potential of machine learning to enhance real-time decision-making in continuous casting, offering a computationally efficient and accurate alternative to traditional methods. this approach can be extended to analyze other process parameters, such as cooling water flow rate and initial superheat temperature, further optimizing steel production.

کاربرد الگوریتم یادگیری ماشین در پیش‌بینی طول متالورژیکی

این مطالعه به بررسی کاربرد یادگیری ماشین، به‌ویژه ماشین‌های بردار پشتیبان (svm)، برای پیش‌بینی طول متالورژیکی در ریخته‌گری پیوسته می‌پردازد.طول متالورژیکی که به‌عنوان فاصله از سطح فلز مذاب تا نقطه انجماد کامل تعریف می‌شود، تاثیر قابل‌توجهی بر کیفیت محصول دارد. روش‌های سنتی پیش‌بینی طول متالورژیکی، مانند مدل ضریب k و شبیه‌سازی‌های عددی، با محدودیت‌هایی در دقت، هزینه محاسباتی و تطبیق‌پذیری با کاربردهای صنعتی بلادرنگ مواجه هستند. برای رفع این محدودیت‌ها، این مطالعه رویکردی نوین با استفاده از ماشین‌های بردار پشتیبان (svm)، یک الگوریتم یادگیری ماشین، برای پیش‌بینی طول متالورژیکی با دقت بالا ارائه می‌دهد. شبیه‌سازی‌های عددی برای مدل‌سازی جریان سیال، انتقال حرارت و فرآیندهای انجماد انجام شد و با داده‌های آزمایشگاهی اعتبارسنجی گردید. مدل svm بر روی داده‌های طول متالورژیکی استخراج‌شده از شبیه‌سازی‌ها در سرعت‌های ریخته‌گری مختلف آموزش داده شد. نتایج نشان داد که مدل svm با خطای میانگین مربعات (mse) برابر با 00789 در مقایسه با داده‌های عددی، عملکردی به‌مراتب بهتر از روش‌های تجربی (mse = 0٫5353) دارد. این مطالعه پتانسیل یادگیری ماشین را برای بهبود تصمیم‌گیری بلادرنگ در ریخته‌گری پیوسته برجسته می‌کند و جایگزینی کارآمد از نظر محاسباتی و دقیق برای روش‌های سنتی ارائه می‌دهد. این رویکرد را می‌توان برای تحلیل سایر پارامترهای فرآیندی، مانند دبی آب خنک‌کننده و دمای اولیه فوق‌گرم، گسترش داد و بهینه‌سازی بیشتر تولید فولاد کمک کرد.