钢铁企业转炉动态吹炼的过程复杂,其冶炼过程中存在的非线性问题导致消耗的氧气量难以准确估量造成能源浪费。传统方法不能准确预测,一些简单的神经网络预测的精度较低。为了提高预测效果,提出采用灰色 Elman 神经网络来建立转炉吹氧量预测模型。通过优化权值和阈值,解决普通的神经网络局部最优和过拟合等问题。结合转炉炼钢用氧的特点对实际生产数据进行仿真计算,预测用氧量的平均误差为 334 m3,远小于BP 神经网络预测用氧量的平均误差 976 m3。结果显示所建立的预测模型可有效快捷地确定转炉吹氧量,验证方法是有效的,具有更高的预测精度。