为什么高炉降碳需要物理约束的 AI

机器学习在炼铁行业有一个“口碑问题”：测试时看起来很准，工况一变就失灵。对于降碳来说，这个弱点是致命的。

需要的数据还不存在

纯数据驱动的模型，学到的是历史操作中已有的规律。但高炉降碳意味着做新的事情——新的配矿、风口喷吹更多富氢气体、更低的燃料比。历史数据里本来就没有这些工况。只靠过去训练的模型，恰恰要在它最不可靠的地方进行外推。

炉内无法测量

即使仪表最完善的高炉，测到的也只是边界：炉顶煤气、炉壳温度、风口工况、铁水。真正决定一项调整成败的现象——软熔带、煤气分布、热储备区——都在炉内，传感器到不了。一个只拟合测量数据的模型，无法告诉工程师关键部位正在发生什么。

物理弥补这两个缺口

机理模型——在整个高炉内求解热量、质量与动量守恒的 CFD 模型——在操作改变时依然有效，因为物理规律不会变。它们还能计算出无法测量的内部状态。过去的短板在于速度和易用性。

物理约束的 AI 把两者结合起来：由 CFD 构建的机理模型数据库约束 AI，使它能快速响应实际操作数据，同时与物理规律保持一致。这正是 SIC™ BF AI Agent X 的方法。

实践中的检验标准

对现场工程师来说，检验标准很简单：模型建议一项调整时，能否看清原因？在高炉从未经历过的工况下，答案是否依然合理？物理约束的 AI，正是为通过这项检验而设计的。