CatBoost réduit de 60 % l'erreur de calcul du ferromanganèse dans une simulation de coulées

Le maître fondeur ajoute du ferromanganèse à l'acier pour obtenir la teneur en manganèse voulue. Un excès signifie une surconsommation de matière ; un manque, un risque de rebut. Dans un projet pédagogique sur Habr, Ramil Maksioutov a montré comment CatBoost peut calculer l'ajout minimal à partir des données disponibles avant l'introduction du ferroalliage. Sur des coulées créées artificiellement, le modèle a réduit l'erreur absolue moyenne d'environ 60 % par rapport à une simple prévision par la médiane.

Pour les développeurs et les product managers, ce qui compte ici, c'est la construction de la solution : quelles données peut-on fournir au modèle, avec quoi comparer le résultat, et pourquoi un joli chiffre d'économie potentielle ne peut pas être reporté directement dans une offre commerciale. Le projet montre le chemin du tableau au calculateur, tout en marquant les limites d'un tel prototype.

Comment le modèle calcule l'ajout

Le problème est construit autour de l'élaboration de l'acier 35L dans un four à arc. Dans la simulation, la masse d'acier liquide est d'environ 3000 kg, et l'objectif du calcul est d'amener la teneur en manganèse au seuil inférieur de 0,45 % indiqué par l'auteur. Pour cela, il faut estimer quelle part du ferromanganèse sera réellement assimilée par le métal.

Un même ajout donne des résultats différents selon les conditions. Dans le générateur de données, l'assimilation dépend de la température, de l'oxygène et de la basicité du laitier, qui caractérise sa composition chimique. Le maître fondeur ne connaît pas à l'avance l'assimilation finale ; le modèle reçoit donc des indicateurs indirects : masses des composants de la charge, consommation d'oxygène, température, basicité et teneur en carbone.

Imaginons un calculateur : le technologue saisit les paramètres de la coulée, obtient le minimum calculé, puis ajoute une marge. L'interface permet de comparer cette dose à la consommation habituelle. Mais la taille de la marge doit être justifiée séparément : un curseur ne transforme pas à lui seul une prévision en recommandation de production sûre.

Un détail essentiel : les variables n'incluent ni la composition finale de l'acier ni l'assimilation réelle du manganèse. Ces valeurs apparaissent après la décision d'ajout. Si on les utilisait à l'entraînement, on obtiendrait un test convaincant, impossible à reproduire au moment du choix réel de la dose.

Que signifie la baisse d'erreur de 60 %

Le projet compte 2000 coulées synthétiques. 1280 servent à l'entraînement, 320 au choix du moment d'arrêt et 400 à la vérification finale. Cette séparation corrige un problème précis de la version précédente : le test aidait à choisir le nombre d'arbres tout en servant de source à l'évaluation finale.

Sur le test séparé, l'erreur absolue moyenne de CatBoost est de 0,352 kg. La référence simple, qui renvoie toujours la médiane de l'échantillon d'entraînement, se trompait de 0,873 kg. L'écart correspond à une réduction de l'erreur d'environ 60 %. C'est une comparaison utile : sans point de référence, difficile de savoir si le résultat justifie la complexité du système.

Par ailleurs, le modèle retrouve des dépendances que l'auteur a lui-même intégrées au générateur. L'importance de la basicité du laitier atteint 69,7 %, mais ce chiffre ne peut pas être transposé à un four réel. Dans les données créées, la température et l'oxygène n'entrent presque jamais dans les zones où les pénalités correspondantes s'activent. La distribution d'importance obtenue décrit avant tout la conception de l'expérience.

Pourquoi près de 10 kg ne sont pas encore une économie

Dans la simulation, l'ajout réel moyen est de 26,9 kg et le minimum calculé d'environ 17 kg. L'auteur obtient un écart moyen de 9,84 kg par coulée et le qualifie explicitement d'estimation haute. Le texte ne contient aucune économie confirmée en production.

La raison est claire : l'objectif est calculé exactement à la limite inférieure admissible. Si le modèle sous-estime la dose nécessaire, la marge peut être insuffisante. L'erreur moyenne de 0,352 kg ne montre pas la gravité des écarts isolés ni leur fréquence. Pour un déploiement, il faudra évaluer précisément ces cas, et tenir compte des erreurs de mesure et des changements de conditions de production.

Conclusion pratique pour une équipe qui construit un produit similaire : commencer par la disponibilité des données d'entrée et une référence simple, puis tester le modèle sur des coulées réelles en tenant compte de leur chronologie. La taille de la marge et le risque acceptable doivent être convenus avec les technologues. Le calculateur Streamlit de l'article convient pour discuter de la logique et démontrer le prototype ; les fondements d'un dosage en production doivent venir d'une vérification distincte.