一种基于可解释性机器学习的保护渣开始结晶温度预测方法

本发明公开了一种基于可解释性机器学习的保护渣开始结晶温度预测方法，涉及钢铁连铸技术领域。包括获取已知成分的保护渣在不同冷速下的开始结晶温度数据；选择可靠数据构建保护渣开始结晶温度数据库；将数据集划分为训练集与测试集；使用训练集用于构建XGBoost集成模型；将训练好的XGBoost对测试集进行预测；采用SHAP对训练后的XGBoost模型进行特征重要性分析。根据每个特征的SHAP值判断不同成分对于保护渣开始结晶温度的影响以及进行重要性排序。所构建模型可以准确预测不同冷速下、不同成分的连铸保护渣开始结晶温度，具有一定的鲁棒性和泛化能力。本发明预测方法科学合理，预测结构可靠便于工业化应用。