铁水是炼钢的主要原材料，一般占装入量的70%～100%，它的化学热与物理热是转炉炼钢的主要热源，因此，对入炉铁水化学成分和温度必须有一定的要求。铁水温度的高低是带入转炉物理热多少的标志，铁水物理热约占炉热收入的50%。铁水温度高有利于稳定操作和转炉的自动控制。铁水的温度过低，影响元素氧化过程和熔池的温升速度，不利于成渣和去除杂质，容易发生喷溅。因此，铁水在入转炉之前精确的温度预测显得尤为重要。人工神经网络(ANN)有很强的自学习能力、自组织能力和推理能力，而且具备很强的容错性，所以将人工神经网络技术与静态控制相结合，对高炉-转炉界面“一包到底”模式铁水温度以及过程温降的预报，提供了一种崭新的预报模式。
贵州大学的学者通过研究高炉-转炉界面铁水运输过程温度的主要影响因素，确定了影响高炉-转炉界面铁水运输过程温度的参数，建立了基于Levenberg-Marquardt(LM)算法BP神经网络的高炉-转炉界面铁水温度及铁水过程温降的预报模型。用沙钢100包铁水数据进行模型训练，50包铁水数据进行现场预报，结果表明：在高炉-转炉界面“一包到底”模式下，当绝对误差│X│≤20℃时，铁水温度命中率为94%，铁水温降命中率为78%;当绝对误差│X│≤40℃时，铁水温度命中率为100%，铁水温降命中率为92%，该预报模型能够满足现场实际生产需求，对炼钢生产有很好的指导意义。
