来源：期刊VIP网 时间：
作者：马瑞环;张朋刚;姚桂焕;
单位：南京工业大学机械与动力工程学院;南京罕华流体技术有限公司;
摘要：为降低钢铁行业长流程CO_2排放强度，提出融合特征选择与智能优化的机器学习集成方法。基于斯皮尔曼相关性构建多维特征重要度评价体系，通过对比LM-BP神经网络(单隐含层8节点)与PSO-SVM(RBF核参数σ=0.85,惩罚因子C=0.1)的预测性能，量化工序参数调整对碳排放的动态影响。结果表明，PSO-SVM模型决定系数达0.994 3,显著优于BP神经网络的0.894 0,其全局寻优能力有效克服了样本非线性和维度敏感性问题。通过基于预测模型的因素分析可知：吨钢综合能耗、烧结温度及喷煤比与CO_2排放量呈显著正相关；高炉容积、废钢比和焦炉煤气与CO_2排放量呈负相关。
关键词：钢铁行业;;长流程;;CO_2排放;;节能降耗;;机器学习;;预测模型
基金资助：2022南京市碳达峰碳中和科技创新专项(202211006)
