Ahmed Shoyeb Raihan氏らは11月12日(現地時間)、Electric arc furnace (EAF)鋼製造における溶融鋼温度と最終化学組成の予測精度を向上させる、可用性認識型履歴フィードバック学習フレームワークを開発したことをarXiv cs.LGで発表した。断続的または遅延した測定が、タイムリーな予測に必要な情報を制限するという課題に対し、このフレームワークは履歴データを活用することで対応。19,738の温度ヒートと3,341の化学ヒートを用いた評価で有効性を示した。
Electric arc furnace (EAF)鋼製造は、リサイクルおよび低炭素鋼生産において重要性を増している。しかし、投入材料、エネルギー入力、運転条件の変動により、溶融鋼の温度と最終化学組成の正確な予測が困難であった。また、測定値の断続性や遅延が、タイムリーな予測に利用可能な情報を制限していた。
本研究は、EAFのエンドポイント温度と12種類の化学元素の最終濃度を予測するために、可用性認識型履歴フィードバック学習フレームワークを開発した。8つの産業データソースが統合され、19の静的特徴、39の時間的特徴、47の履歴情報に基づく特徴という3段階に充実した予測表現が構成された。履歴結果は、60分の測定リリース遅延を前提として適格な場合にのみ組み込まれた。
評価には、19,738の温度ヒートと3,341の化学ヒートが使用され、12の調整済み回帰アルゴリズムが時系列順フォワードバリデーションを通じて評価された。その結果、提案された履歴フィードバック表現は、156のアルゴリズム・ターゲット比較のうち147でroot mean squared error (RMSE)を削減した。温度予測では、ExtraTreesが12.290 degrees CのRMSEを達成し、時間的特徴のみを用いた場合と比較して5.54パーセントの削減を示した。
履歴特徴のアブレーション分析とフィードバック遅延感度分析は、最近の結果情報とその可用性の重要性を示した。また、別途行われた後方評価では、軽量な適応残差補正により、基盤となるモデルの再学習なしで温度RMSEが12.502から12.275 degrees Cに減少した。これらの結果は、EAFエンドポイント予測において、履歴結果の可用性とシーケンシャルフィードバックが重要な考慮事項であることを確立している。
参考: arXiv cs.LG (アーカイブ) — 2026年11月16日 14:00 (JST)