Predicting the Viscosity of CaF2-Based Slag and Reverse Design of Electroslag Systems Using Explainable Machine Learning

Der Artikel präsentiert eine sorgfältig zusammengestellte Datenbank der CaF2-basierten Schlackenviskosität, die ein breites Spektrum an Komponenten und Temperaturen umfasst. Es unterstreicht die zentrale Rolle von Fluoriden bei der Verbesserung der Eigenschaften von Schlackensystemen, die bei der Umschmelzung von Elektroschlacken eingesetzt werden, und geht zugleich auf die mit ihrer übermäßigen Verwendung verbundenen Umweltbedenken ein. Die Forschung verwendet eine Vielzahl von maschinellen Lernalgorithmen, einschließlich Random Forest, CatBoost und Gauß'scher Prozessregression, um die Viskosität mit hoher Genauigkeit vorherzusagen. Das CatBoost-Modell, das unter Verwendung des Optuna-Frameworks optimiert wurde, zeigt eine überlegene Leistung und wird anhand von SHAP-Analysen und partiellen Abhängigkeitsdiagrammen weiter interpretiert. Die Studie stellt auch einen genetischen Algorithmus für das Reverse Design von Schlackesystemen vor, der darauf abzielt, den Fluoridgehalt bei gleichzeitiger Aufrechterhaltung einer optimalen Viskosität zu reduzieren. Die Integration dieser fortschrittlichen Techniken bietet einen soliden Rahmen für das Verständnis und die Gestaltung von Elektroschlackesystemen und bietet wertvolle Erkenntnisse sowohl für die akademische Forschung als auch für industrielle Anwendungen.