基于深度学习的可乐干淬材料位置预测方法，该方法利用物理信息重建特征进行预测

《Engineering Applications of Artificial Intelligence》：Deep learning-based coke dry quenching material location prediction using physical information reconstruction features

干熄焦炉中焦炭位置预测采用物理信息特征重建（PIFR）结合深度学习模型，有效提升预测精度和稳定性，解决多步预测累积误差问题，增强模型泛化能力。

　　

孟新阳|庞克良|顾志远|郑有志|刘富军|万朝然|吴浩天|孙敏敏|赵华

安钢北京研究院有限公司，北京，102209，中国

摘要

焦炭干熄灭（CDQ）是一种广泛应用于钢铁生产中的环保技术，在提高焦炭质量以及减少排放和污染方面发挥着重要作用。材料位置预测对于确保干熄灭系统的稳定运行至关重要。在本文中，我们提出了一种新颖的人工智能方法，通过结合一种称为物理信息特征重构（PIFR）的技术来预测CDQ炉中的焦炭材料位置。该方法将物理先验知识（如质量守恒定律和炉子结构特性）整合到特征工程过程中，有效提高了单步和多步预测任务的准确性和稳定性。实验结果表明，PIFR显著提升了各种深度学习模型的性能。具体来说，对于长短期记忆模型，均方误差和平均绝对误差分别降低了51.25%和37.63%，而决定系数提高到了0.941。此外，PIFR有效缓解了多步预测中常见的问题，如累积误差和预测曲线扁平化。PIFR的应用不仅提高了模型的准确性，还显著增强了其泛化能力。

引言

随着全球对低碳转型的关注日益增加，钢铁行业由于其高能源和材料消耗密度以及大量的碳排放而成为减排的关键领域（Meng等人，2024；H?hne等人，2017；Li等人，2025；Na等人，2022）。焦炭在钢铁生产中起着不可替代的作用，其质量直接影响高炉操作的效率和生产成本（Pang等人，2023）。它也是影响钢铁行业碳排放水平的重要因素（Fan等人，2023；Zhou等人，2025；Wang等人，2022）。焦炭干熄灭（CDQ）是一种节能且环保的技术，利用惰性气体冷却热焦炭并回收显热。与湿熄灭相比，CDQ可以显著减少粉尘和二氧化碳排放，同时提高焦炭质量和能源利用效率（Lu等人，2024）。CDQ炉-废热锅炉系统（以下简称CDQ系统）包括焦炭冷却、气固热交换、热回收等过程。该系统具有许多参数，包括强耦合、高动态性以及其他特性，如循环气流、冷却时间、焦炭装载量、炉内温度分布以及锅炉蒸汽温度和压力。这些关键参数之间存在相互影响和协同作用，使得通过传统调节方法难以实现系统的整体优化（Errera和Milanez，2000；Gangadharan等人，2023；Sun等人，2015；Qin和Chang，2017）。

机器学习（ML）和深度学习（DL）技术使计算机能够从数据中学习并根据识别的模式进行预测，已成为实现各种时间范围内工业和能源系统准确预测的重要工具（Zhang等人，2023；Wang等人，2023；Sun等人，2022a；Sayed等人，2025；Ning和You，2019；Javed等人，2025）。因此，ML和DL已广泛应用于能源管理系统，包括负荷预测、系统状态估计、需求响应、动态优化和建筑能源管理（Bhusal等人，2021；Yan等人，2023；Zhou等人，2022a；Dargan等人，2020；Ali等人，2023；Youssef等人，2024）。最近的研究开始将这些数据驱动的方法扩展到冶金工程领域，重点优化关键过程，如CDQ，以提高智能化和效率（Qiu等人，2024a，2024b；Zhou等人，2022b；Giannetti等人，2025；Mahanta等人，2022）。Wang等人提出了一种基于深度学习的CDQ过程优化方法。通过定义经济效率，利用具有高经济效率的数据来建模和优化CDQ操作变量。Jiang等人（2024）提出了一种由DL辅助的多目标优化框架（A-1DCNN），以同时提高焦炭熄灭效率和蒸汽产量。尽管DL已应用于CDQ过程的系统级优化，但目前的努力主要集中在宏观指标上，如经济效率和能源效率。由于运行条件的波动、安全限制和调度限制，这些策略在实践中往往难以实施。此外，尽管雷达传感器被广泛用于实时监测物料水平，但仍然缺乏能够提供早期预警的预测方法。特别是，CDQ炉中的物料水平预测尚未得到充分研究，而准确的预测对于实现智能CDQ控制至关重要。

这一差距反映了更广泛的挑战：尽管数据驱动和基于物理的方法在许多领域取得了成功，但当应用于复杂的工业预测任务时，两者都存在固有的局限性。数据驱动模型通常受到数据质量和数量的强烈依赖，缺乏嵌入的物理定律可能导致非物理预测（Khalil等人，2021；Li等人，2022；Diez-Olivan等人，2019；Leng等人，2025；Faegh等人，2025）。相反，基于物理的模型由于必要的简化和对底层系统知识的了解不足，经常面临高计算成本和实用性限制。研究人员提出了物理信息驱动的机器学习（PIML），它整合了物理和数据驱动模型（Sun等人，2022b；Sicard等人；Nguyen等人，2024；Farrag等人，2025；Lagaris等人，1998；Karpatne等人，2017）。

通过嵌入物理原理，PIML直接解决了传统ML的核心局限性，特别是其对数据的严重依赖和“黑箱”特性。由此产生的模型不仅数据效率更高，而且能够提供更准确、可靠和可解释的结果，这对于科学和工程应用至关重要（Wu等人，2024）。PIML的一个主要趋势是通过事后施加约束来整合物理知识，通常在损失函数中使用正则化项，如物理正则化学习和物理信息神经网络（PINNs）等方法中所观察到的（Leng等人，2025）。尽管事后约束方法如PINNs在物理信息ML中代表了重大进展，但它们在工业应用中面临根本性和实际性的限制。从根本上说，PINNs在原始输入特征空间的约束下运行，没有本质地扩展其信息内容。通过事后施加控制方程作为约束，它们未能解决模型性能仍受初始数据限制的核心问题，这一问题因静态参数的处理不当而更加严重。当这些参数被视为恒定输入特征时，它们在样本之间保持不变，无法提供关于其对系统动态影响的关键信息。

本研究旨在开发一种基于PIFR的方法，以提高DL模型对CDQ材料位置的预测准确性。与传统方法不同，PIFR将物理定律（如质量守恒定律）与通常被视为静态常量的结构参数结合在一起，这些参数因此难以用作特征。通过将这些参数重构为具有物理意义的输入，该方法在复杂操作条件下实现了更高的预测准确性和更强的可靠性。此外，由于结构参数可以灵活替换，PIFR可以轻松推广到其他设备或场景，而无需从头开始重新训练。另外，通过结合物理特征而不仅仅是依赖原始数据，PIFR对噪声具有很强的鲁棒性，并且即使在传感器信号不完美的情况下也能保持稳定的性能。这种方法为基于物理的DL模型在工业优化中的广泛应用提供了新的概念，并为构建更智能、更高效、符合物理定律的生产系统奠定了基础。

部分摘录

过程描述

CDQ系统由几个关键组件组成，包括干熄灭炉、气体循环系统、废热锅炉系统、除尘系统和运输系统。CDQ炉是系统的核心设备；其示意图和物料流动如图1所示。在CDQ系统运行过程中，使用起重机将热焦炭装载到CDQ炉中。热焦炭与进入冷却室的可回收气体流进行对流热交换，

基于PIFR的单步预测分析

为了研究PIFR处理方法对不同DL模型的影响，我们对每个模型在有无PIFR处理情况下的单步预测性能进行了比较分析。图7显示了CNN和LSTM在PIFR处理前后的单步预测结果。图S2显示，PIFR处理前后的CNN-LSTM和LSTM-CNN结果与LSTM的结果相似。显然，所有DL模型的预测性能都有所提高

结论

本研究提出了一种基于深度学习的新方法，用于预测干熄灭炉中CDQ材料的位置，该方法结合了PIFR技术。PIFR的关键优势在于它事先整合了物理定律，如质量守恒定律，通过将静态结构参数转换为信息丰富的动态特征。这一过程主动丰富了输入特征空间，提高了可解释性和预测能力

展望

PIFR的整合在提高DL模型在工业应用中的预测性能方面显示出了巨大的潜力。本研究提出的方法以及衍生的物理指标不仅适用于控制干熄灭系统中的焦炭损失率和蒸汽产量，还具有扩展到其他连续输入-输出工业系统的巨大潜力，如高炉、煤粉锅炉中的煤仓等

CRediT作者贡献声明

孟新阳：撰写——原始草稿、可视化、验证、监督、软件、资源、方法论、调查、形式分析、数据管理、概念化。庞克良：资金获取、数据管理、概念化。顾志远：软件、数据管理、概念化。郑有志：验证、调查、形式分析。刘富军：验证、资金获取。万朝然：项目管理、方法论。吴浩天：调查，

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作的财务支持来自安钢北京研究院有限公司的项目（2021BJB-02GF）。