Least Squares Twin Support Vector Machines to Classify End-Point Phosphorus Content in BOF Steelmaking
Notice bibliographique
Résumé
End-point phosphorus content in steel in a basic oxygen furnace (BOF) acts as an indicator of the quality of manufactured steel. An undesirable amount of phosphorus is removed from the steel by the process of dephosphorization. The degree of phosphorus removal is captured numerically by the ‘partition ratio’, given by the ratio of %wt phosphorus in slag and %wt phosphorus in steel. Due to the presence of multitudes of process variables, often, it is challenging to predict the partition ratio based on operating conditions. Herein, a robust data-driven classification technique of least squares twin support vector machines (LSTSVM) is applied to classify the ‘partition ratio’ to two categories (‘High’ and ‘Low’) steels indicating a greater or lesser degree of phosphorus removal, respectively. LSTSVM is a simpler, more robust, and faster alternative to the twin support vector machines (TWSVM) with respect to non-parallel hyperplanes-based binary classifications. The relationship between the ‘partition ratio’ and the chemical composition of slag and tapping temperatures is studied based on approximately 16,000 heats from two BOF plants. In our case, a relatively higher model accuracy is achieved, and LSTSVM performed 1.5–167 times faster than other applied algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».