中冶长天（长沙）智能科技有限公司

本发明公开了一种烧结机头灰中铊含量的预测方法，先通过特定的机理模型抓住了铊迁移的核心规律保证模型的可解释性，再通过机器学习模型补偿机理模型因简化假设带来的偏差，结合两者优势，既解决了纯数据驱动模型可解释性差、依赖大规模样本的问题，又解决了纯机理模型因过程简化导致预测精度不足、滞后性大的问题，能够在有限样本下实现烧结机头灰中铊含量的准确预测。可有效为烧结过程铊流向管控与机头灰后续处置提供精确的数据支撑和指导。

本发明公开了一种多算法融合的烧结机头灰铊含量预测方法，采用stacking集成学习框架融合Transformer、GRU、XGBoost三种不同类型算法的优势，能够同时兼顾时序特征提取与非线性关系拟合的需求，充分挖掘捕捉烧结工艺参数的时序依赖特征与工艺参数和铊含量之间的非线性关联，相比单一预测模型显著提升了铊含量预测的精度和稳定性。本发明能够基于实时采集的烧结工艺参数直接输出铊含量预测结果，无需长时间的实验室化验，预测结果实时性强，可以帮助钢铁企业及时调整烧结工艺参数，对烧结机头灰实现精准分类处置，满足工业现场实时精确预测的需求。