《Processes》：Enhancing Scrap Steel Yield Identification Precision by Community Division of Knowledge Graph
编辑推荐：
准确识别废钢收得率因废钢类型多样、来源混杂及复杂的炉况条件而仍具挑战性。本文提出一种机理与数据联合驱动的识别方法，并通过知识图谱的社区划分提升识别精度。首先，构建废钢装料知识图谱，并采用标签传播算法(LPA)划分具有相似装料模式的社区。然后，为每个社区设计物理
准确识别废钢收得率因废钢类型多样、来源混杂及复杂的炉况条件而仍具挑战性。本文提出一种机理与数据联合驱动的识别方法，并通过知识图谱的社区划分提升识别精度。首先，构建废钢装料知识图谱，并采用标签传播算法(LPA)划分具有相似装料模式的社区。然后，为每个社区设计物理信息神经网络以识别废钢收得率。最后，采用Shapley加法解释方法评估并量化这些因素对废钢收得率的影响。实验结果表明：(1) 基于知识图谱社区划分的废钢收得率模型实现了最高的识别精度，均方根误差(RMSE)为3.20吨，平均绝对误差(MAE)为2.62吨。(2) 与未进行社区划分的基线联合驱动模型相比，所提方法MAE降低了26.6%（从3.57吨降至2.62吨），并在±5吨范围内的命中率显著提升了13.97个百分点（达到87.55%）。这些改进验证了基于社区的分治策略在处理复杂装料模式中的有效性。
**论文解读：基于知识图谱社区划分的废钢收得率识别精度提升研究**
**研究背景与问题**
钢铁冶炼是钢铁生产的主要方法，以铁水和废钢为主要原料，具有高效、大规模生产的特点。废钢作为炼钢关键原料之一，其利用对于降低碳排放具有重要意义。废钢收得率定义为废钢转化为钢水的质量与其总质量之比，是衡量炼钢过程中废钢转化效率的重要指标。不同类型废钢的平均收得率是各单一收得率的加权平均值，反映整体废钢利用效率。准确识别废钢收得率对于废钢资源回收效率及钢铁行业绿色低碳转型至关重要。然而，当前研究存在以下问题：首先，影响废钢收得率的因素复杂多样，包括废钢装料模式、铁水温度、终点温度、氧流量、吹氧量以及铁水中碳、硫、锰、磷等元素含量，这些因素具有高维度和非线性特征，通过机理分析识别困难。其次，由于炼钢过程的连续性和高效性，无法对每炉次进行在线测量；实验室难以完全复现实际炉况的高温、高压、复杂化学反应及大规模物料流。此外，废钢中的铁含量不能等同于真实收得率，铁含量仅反映废钢原料中的铁比例，而收得率涉及复杂过程中实际转化为钢产品的比例，主要受铁氧化、废钢熔损和喷溅损失影响。现有识别模型主要分为机理驱动和数据驱动两类。机理驱动方法通过长期形成的冶金机理模型预测收得率，具有一定可解释性，但包含大量不可测关键参数，影响精度。数据驱动方法基于机器学习算法，如随机森林(RF)和多层神经网络(MLNN)，但缺乏可解释性，且泛化能力依赖大量高质量数据，导致实际命中率低、可扩展性差。现有研究未能有效整合冶金机理与神经网络，导致模型缺乏可解释性和在线识别能力。此外，不同炉次间废钢装料模式存在严重异质性，单一全局模型无法准确拟合多样化炉况。因此，亟需开发一种高效、在线且适应复杂多变炉况的废钢收得率识别方法。
**研究内容与结论**
研究人员提出一种机理与数据联合驱动的废钢收得率识别模型，并通过知识图谱社区划分进一步提升识别精度。首先，构建废钢装料知识图谱，将炉次和废钢类型作为实体节点，通过“包含”关系建立有向边，形成反映废钢装料模式的多维网络结构。基于装料结构的相似性（考虑废钢类型及其重量），利用余弦相似度计算炉次间边权重，构建炉次知识图谱。采用标签传播算法(LPA)对该知识图谱进行社区划分，将具有相似装料特征的炉次自动聚类为独立社区。然后，为每个社区分别设计物理信息神经网络(PINN)，该网络将铁质量平衡机理公式嵌入损失函数，通过机理基线（理论铁产量）与数据驱动残差修正相结合，最小化输入与输出铁质量之差。对于新炉次，通过基于向量点积的加权投票算法将其分配到最匹配的社区，并调用对应子模型进行识别。最后，采用SHAP方法评估各因素对废钢收得率的影响方向和程度。实验结果表明：所提模型取得最高识别精度，RMSE为3.20吨，MAE为2.62吨；与未进行社区划分的基线联合驱动模型相比，MAE降低26.6%（从3.57吨降至2.62吨），±5吨命中率提升13.97个百分点（达87.55%），验证了基于社区分治策略的有效性。该研究具有促进钢铁行业绿色低碳转型的重要应用价值。
**关键技术方法**
研究人员主要采用以下关键技术：1) **知识图谱构建**：以炉次和废钢类型为实体，建立“炉次-包含-废钢类型”关系，并基于装料结构相似性（余弦相似度）构建炉次间带权边，存储于Neo4j图数据库。2) **标签传播算法(LPA)**：用于社区检测，通过迭代更新节点标签至邻域中出现频率最高的标签，将具有高度一致装料特征的炉次聚类为社区。3) **物理信息神经网络(PINN)**：将铁质量平衡机理公式作为物理基线，结合多层感知机(MLP)学习非线性残差，混合损失函数最小化预测值与真实钢水量的均方误差。4) **SHAP分析**：基于博弈论公平分配原理，量化各输入因素对废钢收得率的边际贡献，揭示影响方向与程度。数据来源为中国某大型钢铁联合企业的历史转炉冶炼记录，共2650炉次，按社区分布分层抽样为2125训练集、260验证集和265测试集。
**研究结果**
**3.3.1 所提网络的精度**
通过社区检测，训练集(2125炉次)被划分为3个社区（Comm0、Comm1、Comm2），测试集通过投票算法分别分配74、108、83炉次。与机理模型（基于经验收得率代入铁平衡公式）、数据驱动模型（以经验收得率为真值监督训练）及未进行社区划分的基线联合驱动模型相比，所提基于KG社区检测的联合驱动模型在RMSE和MAE上均最低（3.20吨和2.62吨）。10次重复实验的均值和标准差表明模型性能稳定。各社区子模型也均优于未划分基线的单模型。推理时间方面，所提模型单炉次平均推理时间控制在0.02秒内，满足转炉连续生产的实时在线计算需求。
**3.3.2 SHAP分析**
通过SHAP分析，将影响废钢收得率的因素分为正相关和负相关两类。正相关因素包括铁水温度、铁水碳含量、铁水磷含量、氧流量和铁水锰含量，这些因素提供物理热或化学热，加速废钢熔化，减少熔损。负相关因素包括铁水硅含量、终点温度、总氧耗和铁水硫含量，硅氧化生成SiO
2需大量石灰中和，增加渣量；过度氧耗导致铁元素氧化进入渣中；高硫需高碱度渣脱硫，增加渣量；过高终点温度伴随过吹，加剧钢铁氧化和渣稀化，导致铁损增加。
**讨论与结论**
尽管物理信息神经网络在废钢收得率识别中达到较高精度，但仍存在局限：该模型基于某钢厂历史数据中涉及的十种废钢训练，因此应用于新废钢时可能需要迁移学习或重新训练；模型未定量解耦不同测量仪器的误差传递，未独立建模异构传感器精度引起的预测波动，这将在后续研究中优化。未来研究将进一步优化模型结构以提升精度和稳定性；针对异常炉次（如过吹或欠吹）收集更多数据后开展增量学习；同时考虑纳入更多生产环节数据，实现钢铁生产过程的全面优化与智能管控。
**结论部分翻译**：本文开发了一种整合机理与数据联合驱动的废钢收得率识别方法。通过构建废钢装料模式知识图谱，利用LPA算法发现社区，并基于铁平衡机理建立物理信息神经网络模型，实现了铁水收得率和废钢收得率的识别。本文采用SHAP分析方法从特征贡献角度增强模型可解释性。所提出的基于知识图谱社区检测的机理与数据联合驱动废钢收得率识别模型取得最高识别精度，RMSE为3.20吨，MAE为2.62吨。与未进行社区检测的基线机理与数据联合驱动废钢收得率识别模型相比，所提方法MAE降低26.6%（从3.57吨降至2.62吨），并在±5吨范围内命中率显著提升13.97个百分点（达87.55%）。这些改进验证了基于社区分治策略在处理复杂装料模式中的有效性。对于推动钢铁行业绿色低碳转型具有重要应用价值。
