Un en red convolucional de fusión a múltiples escalas para la predicción de silicio en series temporales en altos hornos
Autores: Hao, Qiancheng; Liu, Wenjing; Gao, Wenze; Wang, Xianpeng
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un en red convolucional de fusión a múltiples escalas para la predicción de silicio en series temporales en altos hornos
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Horno alto
Contenido de silicio
Modelo MSF-CNN
Dependencias temporales
Precisión de predicción
Aplicabilidad en tiempo real
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
En la producción de acero, el alto horno es un elemento crítico. En este proceso, controlar con precisión la temperatura del hierro fundido es indispensable para lograr operaciones eficientes y productos de alta calidad. Esta temperatura a menudo se refleja indirectamente en el contenido de silicio en el metal caliente. Sin embargo, debido a la naturaleza dinámica y a los retrasos inherentes del proceso de fabricación de hierro, la predicción en tiempo real del contenido de silicio sigue siendo un desafío significativo, y los métodos tradicionales a menudo sufren de una precisión de predicción insuficiente. Este estudio presenta una novedosa Red Neuronal Convolucional de Fusión Multi-Escala (MSF-CNN) para predecir con precisión el contenido de silicio durante el proceso de fusión del alto horno, abordando las limitaciones de los enfoques existentes basados en datos. El modelo MSF-CNN propuesto extrae características temporales en dos escalas distintas. La primera escala utiliza un Módulo de Atención de Bloque Convolucional, que captura dependencias temporales locales al centrarse en las características más relevantes a lo largo de pasos de tiempo adyacentes. La segunda escala emplea un mecanismo de Autoatención Multi-Cabeza para modelar dependencias temporales a largo plazo, superando los problemas de retraso inherentes en el proceso del alto horno. Al combinar estas dos escalas, el modelo captura de manera efectiva tanto dependencias temporales a corto como a largo plazo, mejorando así la precisión de la predicción y la aplicabilidad en tiempo real. La validación utilizando datos reales de alto horno demuestra que MSF-CNN supera a modelos de redes neuronales recurrentes como la Memoria a Corto y Largo Plazo (LSTM) y la Unidad Recurrente con Compuertas (GRU). En comparación con LSTM y GRU, MSF-CNN reduce el Error Cuadrático Medio (RMSE) aproximadamente en un 22% y 21%, respectivamente, y mejora la Tasa de Acierto (HR) en más del 3,5% y 4%, resaltando su superioridad en la captura de dependencias temporales complejas. Estos resultados indican que MSF-CNN se adapta mejor a las variaciones dinámicas y a los retrasos inherentes del alto horno, logrando mejoras significativas en la precisión y robustez de la predicción en comparación con los modelos recurrentes de última generación.
Descripción
En la producción de acero, el alto horno es un elemento crítico. En este proceso, controlar con precisión la temperatura del hierro fundido es indispensable para lograr operaciones eficientes y productos de alta calidad. Esta temperatura a menudo se refleja indirectamente en el contenido de silicio en el metal caliente. Sin embargo, debido a la naturaleza dinámica y a los retrasos inherentes del proceso de fabricación de hierro, la predicción en tiempo real del contenido de silicio sigue siendo un desafío significativo, y los métodos tradicionales a menudo sufren de una precisión de predicción insuficiente. Este estudio presenta una novedosa Red Neuronal Convolucional de Fusión Multi-Escala (MSF-CNN) para predecir con precisión el contenido de silicio durante el proceso de fusión del alto horno, abordando las limitaciones de los enfoques existentes basados en datos. El modelo MSF-CNN propuesto extrae características temporales en dos escalas distintas. La primera escala utiliza un Módulo de Atención de Bloque Convolucional, que captura dependencias temporales locales al centrarse en las características más relevantes a lo largo de pasos de tiempo adyacentes. La segunda escala emplea un mecanismo de Autoatención Multi-Cabeza para modelar dependencias temporales a largo plazo, superando los problemas de retraso inherentes en el proceso del alto horno. Al combinar estas dos escalas, el modelo captura de manera efectiva tanto dependencias temporales a corto como a largo plazo, mejorando así la precisión de la predicción y la aplicabilidad en tiempo real. La validación utilizando datos reales de alto horno demuestra que MSF-CNN supera a modelos de redes neuronales recurrentes como la Memoria a Corto y Largo Plazo (LSTM) y la Unidad Recurrente con Compuertas (GRU). En comparación con LSTM y GRU, MSF-CNN reduce el Error Cuadrático Medio (RMSE) aproximadamente en un 22% y 21%, respectivamente, y mejora la Tasa de Acierto (HR) en más del 3,5% y 4%, resaltando su superioridad en la captura de dependencias temporales complejas. Estos resultados indican que MSF-CNN se adapta mejor a las variaciones dinámicas y a los retrasos inherentes del alto horno, logrando mejoras significativas en la precisión y robustez de la predicción en comparación con los modelos recurrentes de última generación.