基于XGBoost与CNN的铸坯凝固压下过程外力和应力-应变预测模型构建及工业应用

为解决铸坯凝固压下工艺中参数选择困难的问题，研究人员通过热态实验与有限元模拟，结合XGBoost算法（外力预测MAPE=8.15%）和卷积神经网络（CNN）（应力-应变预测R2=0.92），构建了高精度预测模型，为优化工艺参数、提升铸坯质量及设备安全性提供了理论支撑。

　　

在钢铁工业中，连续铸造技术是现代生产的核心环节，但铸坯内部缺陷如中心偏析和内部裂纹始终是制约高品质钢材生产的瓶颈。这些缺陷源于凝固过程中溶质元素的不均匀分布和热机械应力的叠加效应，传统工艺难以彻底消除。尽管凝固压下技术能通过机械压缩促进熔钢流动以改善偏析，但参数选择不当反而会加剧裂纹风险。更棘手的是，随着宽厚板需求增长，压下量增大导致的外力需求对设备性能提出更高要求，而目前缺乏对外力与应力-应变的精准预测手段，既威胁操作安全，又影响设备寿命。

针对这一难题，中国的研究团队通过实验室钢锭热态压下实验与有限元数值模拟，首次系统获取了压下量、外力、液压及等效应力-应变的全参数数据集。研究采用数据增强和随机噪声处理提升模型泛化能力，创新性地将XGBoost算法用于外力预测，CNN用于应力-应变分布建模。关键技术包括：GCr15钢锭的凝固压下热态实验、基于有限元的多物理场耦合模拟、XGBoost特征工程优化以及CNN二维矩阵卷积计算架构。

Solidification reduction experiment
通过高温电阻炉与液压千斤顶对GCr15钢锭进行热态压下实验，测得不同压下量下的外力和液压数据，结合金相分析确定固相分数分布，为后续模拟提供边界条件。

Results and discussion
研究发现：随着压下量增加，所需外力呈上升趋势，且铸坯内部等效应力-应变显著高于表层。XGBoost模型在外力预测中表现优异（MAPE=8.15%），而CNN对等效应力-应变的预测精度更高（训练集R²=0.92）。应力分布分析表明，过大压下量会导致心部等效应力超过材料临界值，验证了裂纹风险与工艺参数的非线性关系。

Conclusion
该研究构建的预测模型为凝固压下工艺提供了量化工具：XGBoost模型可指导设备选型与安全操作窗口设定，CNN模型则能优化压下量以避免裂纹产生。二者结合实现了工艺参数从“经验试错”到“智能预测”的跨越，对提升铸坯质量、保障生产安全具有重要工程价值。国家自然科学基金（52104317、51874001）的支持凸显了该研究的理论创新性与工业应用潜力。