An Interpretable Random Forest Approach for Predicting Specific Mould Flux Consumption in Continuous Casting of Steel Slabs

Gießpulver spielen beim Stranggießen von Stahl eine entscheidende Rolle, indem sie die Schmierung sicherstellen, den Wärmetransport regulieren, Einschlüsse aufnehmen, eine Wiederoxidation verhindern und am Meniskus eine thermische Isolation bereitstellen. Eine genaue Vorhersage des Gießpulververbrauchs ist ein wertvoller Indikator für die Prozessstabilität. Daher wurden zahlreiche empirische Beziehungen vorgeschlagen, die jedoch, über Gießgeschwindigkeit und Schlackenviskosität hinaus, nur begrenzte Orientierung bieten; zudem besteht wenig Konsens über den erweiterten Faktorensatz, der das Pulververhalten über unterschiedliche Stahlsorten, Querschnitte und Pulverqualitäten hinweg bestimmt. Diese Arbeit befasst sich mit der Entwicklung eines datengetriebenen Modells zur Vorhersage des brammenbezogenen, flächenspezifischen Gießpulververbrauchs (kg/m²) sowie zur Identifikation der maßgeblichen Einflussgrößen. Hierzu wurde ein kuratierter Datensatz aus Level¿Zwei¿Messdaten der voestalpine Stahl GmbH erstellt, wobei jeder Datenpunkt gemittelte Werte für eine Bramme repräsentiert. Diese Eingangsgrößen wurden durch konstruierte Deskriptoren wie das Oberfläche¿zu¿Volumen¿Verhältnis sowie durch rheologische Kenngrößen ergänzt, die von Gießpulverherstellern bereitgestellt werden. Eine dokumentierte Vorverarbeitungspipeline entfernte instationäre Betriebsphasen und Ausreißer und stellte sicher, dass das Lernen das Routineproduktionsfenster abbildet. Ein Random¿Forest¿Regressor wurde mittels Kreuzvalidierung trainiert und bewertet und anschließend mit repräsentativen Verbrauchsrelationen aus der Literatur verglichen. Das finale Modell erreichte auf den Testdaten ein Bestimmtheitsmaß von 0.88. Die Merkmalswichtigkeitsanalyse zeigte, dass der Kohlenstoffgehalt des Stahls den stärksten Einfluss auf den Gießpulververbrauch ausübt, gefolgt von der Gießgeschwindigkeit, dem Oberfläche¿zu¿Volumen¿Verhältnis, dem Titangehalt des Stahls und der Schlackenviskosität. Diese Ergebnisse verdeutlichen, dass der Schmierbedarf von einer Kombination aus Stahlchemie, Geometrie und kinematischen Randbedingungen abhängt und nicht allein durch Geschwindigkeit und Viskosität beschrieben werden kann. Das Modell liefert zuverlässige Prognosen des Gießpulververbrauchs und unterstützt eine verbesserte Entscheidungsfindung in der Sequenzplanung sowie in betrieblichen Prozessreviews. Darüber hinaus zeigt die Studie, wie Industriedaten in Kombination mit interpretierbarem maschinellem Lernen praxisrelevante Einblicke in die Prozessphysik der Kokillenschmierung ermöglichen und zu effizienteren Stranggussoperationen beitragen können, indem Verbrauchsabweichungen früher erkannt und ein konsistenterer Betrieb über Stahlsorten und Querschnitte hinweg erreicht wird.