JP7761161B2 - 連続鋳造鋳片の品質判定方法および向け先決定方法、連続鋳造条件の決定方法、ならびに、鋼の連続鋳造方法 - Google Patents

Description

本発明は、鋼の連続鋳造の際に鋳造条件や測定した実測値から製品や連続鋳造鋳片の品質を判定する方法に関し、連続鋳造鋳片の向け先を決定する方法および連続鋳造条件を決定する方法に関する。以下の記載において、質量の単位である「ｔ」は１０^３ｋｇを表し、体積の単位である「Ｌ」は１０^－３ｍ^３を表す。また、気体の体積の単位に付す「Ｎ」は気体の標準状態での体積を表し、標準状態を０℃、１０１３２５Ｐａとする。

鋼の連続鋳造では、ノズルに吹き込んだガス気泡、および、脱酸生成物や硫化物などの非金属介在物が凝固シェルに捕捉され、製品の表層部に残存することがある。このような気泡や非金属介在物は、鋼製品、特に厚鋼板の品質を劣化させる。たとえば、石油輸送用や天然ガス輸送用のラインパイプ材においては、サワーガスの作用により気泡や非金属介在物を起点として水素誘起割れが発生する。また、海洋構造物、貯槽、石油タンクなどにおいても同様の問題が発生する。しかも近年、鋼材の使用環境はより低温下、或いは、より強い腐食環境下といった厳しい環境での使用を求められることが多く、鋳片の気泡や非金属介在物を低減することの重要性は益々高くなっている。

そのため、耐サワー材と呼ばれるラインパイプ鋼においては出荷前にＨＩＣ（水素誘起割れ：Ｈｙｄｒｏｇｅｎ Ｉｎｄｕｃｅｄ Ｃｒａｃｋｉｎｇ）試験を実施し、ＨＩＣが発生しなかった製品だけを耐サワー材として出荷している。しかし、ＨＩＣ試験は結果が判明するまでに数週間を要し、また、ＨＩＣが発生するとその製品を耐サワー材として出荷できないため、大きく歩留まりを低下させる原因となる。そこで、ＨＩＣ試験を行うことなく厚板圧延前の鋳片の段階でＨＩＣ性能を評価できれば、製造期間の短縮および歩留まりを大幅に向上させることができる。

特許文献１にはスラブ切断面での水平割れの開孔厚みと最大偏析粒径を測定し、測定結果とＨＩＣ測定試験結果から閾値を決定し、向け先を変更する方法が開示されている。特許文献２や３にはＣａ／Ｓ比およびＣａ、Ｓ、Ｏの関係式を満足し、更にＣａ低下量を閾値以下とすることでＨＩＣを補償する鋼の連続鋳造方法が開示されている。また、特許文献４には、鋼材の断面のエッチプリント画像の二値化によって高精度に中心偏析を検出できる評価方法が開示されている。

特開２０１５－５８４７３号公報 特開２０１６－１２５１３７号公報 特開２０１６－１２５１４０号公報 特開２０１７－１８１０３０号公報

しかしながら、上記従来技術には、以下の問題があった。
特許文献１に開示の技術は、スラブ切断面での偏析粒を測定する必要があることから、製造期間の短縮という点では課題がある。特許文献２や３に開示の技術はＣａ系介在物を起点とするＨＩＣ割れには対応可能であるが、他の非金属介在物に対応できるものではない。また、特許文献４に開示の技術は単に中心偏析を評価するのみで、気泡および非金属介在物とＨＩＣ割れとの相関が明らかにされていない。

非金属介在物に起因するＨＩＣ割れには、厚鋼板製造後でも７日間の試験が必要である。品質不良が判明した時にはすでに多量の製品を製造後であることから、大量に不良品を製造してしまうことがあった。また、鋳造後に欠陥が予想できていれば、以降の工程を行わず、再溶解するなどの対応も可能であるが、鋳造段階では欠陥があるかどうかの判定ができないため、最終製品まで製造する必要がある。最終製品製造後に評価して、不良があれば良品に充当できないため、コストアップの原因となっている。

本発明は、上記の事情を鑑みてなされたものであって、まず、鋳片段階で鋳片を圧延した製品の品質を予測する製品の品質判定方法を提案することを目的とする。また、連続鋳造機で鋳造した鋳片の品質、とくに、気泡や非金属介在物起因のＨＩＣ特性を鋳造中または鋳造後に判定できる方法を提案することを目的とする。併せて、連続鋳造鋳片の向け先決定方法および連続鋳造条件の決定方法ならびに鋼の連続鋳造方法を提案する。

発明者らは、鋳造時の鋳造実績データ、すなわち、鋳片の断面サイズ、成分組成、鋳造速度、電磁撹拌条件、二次精錬から鋳造開始までのリードタイム、副原料添加量、ノズルに吹き込む不活性ガス流量、および、浸漬ノズルの浸漬深さといったパラメータから、気泡や非金属介在物を起因とする水素誘起割れ（ＨＩＣ）面積率が予測できることを見出し、本発明を完成した。

すなわち、以下の発明により、上記課題を有利に解決することを見出した。
［１］連続鋳造機で鋳造した鋳片を圧延した製品の品質を判定するにあたり、製品表層部の水素誘起割れの予測モデルを用い、鋳造中に測定した鋳造実績データの実測値から選ばれた一つ以上を入力変数として製品表層部の水素誘起割れを予測する、製品の品質判定方法。
［２］［１］に記載の製品の品質判定方法を用いて、連続鋳造機で鋳造した鋳片の品質を判定するにあたり、前記予測モデルが鋳造実績データと、製品表層部の水素誘起割れ発生面積率とを結び付けたものであり、前記予測モデルに、鋳造中に測定した前記鋳造実績データの実測値から選ばれた一つ以上を入力し、鋳造中、または、鋳造後に当該鋳片から得られる製品の表層部の水素誘起割れ発生面積率を予測する、連続鋳造鋳片の品質判定方法。
［３］［２］において、前記鋳造実績データが、鋳片の断面サイズ、成分組成、鋳造速度、電磁撹拌条件、二次精錬から鋳造開始までのリードタイム、副原料添加量、ノズルに吹き込む不活性ガス流量、および、浸漬ノズルの浸漬深さの一部またはすべてである、連続鋳造鋳片の品質判定方法。
［４］［３］において、前記成分組成が、Ｃ濃度、Ｍｎ濃度、Ｓ濃度、および、下記式によってＣｅｑ（質量％）で算出されるＣ等量から選ばれる少なくとも一である、連続鋳造鋳片の品質判定方法。
Ｃｅｑ＝［Ｃ］－０．０６１６［Ａｌ］＋２．５２７５［Ｓ］－０．２６５２［Ｐ］＋０．００２３［Ｓｉ］＋０．０３４４［Ｍｎ］－１．５２５［Ｓ］［Ｍｎ］＋０．０２１［Ｓｉ］［Ｍｎ］＋０．０２［Ｃｕ］－０．０２［Ｍｏ］＋０．０６［Ｎｉ］＋０．０２［Ｃｒ］－０．０４［Ｖ］－０．０４［Ｎｂ］
ここで、式中の［Ｍ］は、質量百分率で示す、元素Ｍの含有量である。
［５］［２］～［４］のいずれか１つにおいて、前記予測モデルが、主成分分析およびＲａｎｄｏｍ Ｆｏｒｅｓｔ法での回帰を用い、任意選択的に、製品表層部の水素誘起割れ発生面積率の実測値により前記予測モデルを機械学習する、連続鋳造鋳片の品質判定方法。
［６］［２］～［５］のいずれか１つに記載の連続鋳造鋳片の品質判定方法を用いて判定した鋳片の品質予測に基づき、鋳片が耐サワーラインパイプ鋼に充当可能かを決定する、連続鋳造鋳片の向け先決定方法。
［７］［２］～［５］のいずれか１つに記載の連続鋳造鋳片の品質判定方法を用いて判定した鋳片の品質予測に基づき、製品表層部の水素誘起割れ発生面積率の予測値が所定の値に漸近するように、前記鋳造実績データと前記予測モデルとに基づき、鋳造条件を逆解析して決定する、連続鋳造条件の決定方法。
［８］［７］において、前記所定の値を２％以下とする、連続鋳造条件の決定方法。
［９］［７］または［８］に記載の方法で決定された鋳造条件に従い、鋳片を製造する、鋼の連続鋳造方法。

本発明によれば、あらかじめ準備した予測モデルに、測定した鋳造実績データの実測値を入力し製品または鋳片の品質、とくに、製品表層部の水素誘起割れ発生面積率を鋳造中、または、鋳造後に予測する。したがって、鋳片が所定の製品に充当可能か精度よく予測でき、歩留まりよく製品を製造することができる。また、得られた予測値が所定の値に漸近するように鋳造条件を決定し、決定した鋳造条件で鋳片を製造することで、より歩留まりよく製品を製造できるので、生産性が向上し、産業上有用である。多大な時間を要するＨＩＣ試験を行うことなく製品のＨＩＣ予測値から、たとえば、耐サワーラインパイプ鋼に充当可能かの判定を行うことができ、多様な仕様の鋼製品製造の要求に迅速に対処することが可能となり、産業上有用である。

本発明を実施する際に好適なスラブ連続鋳造機を模式的に示す概略側面図である。 表層部のＨＩＣ割れ面積率（ＣＡＲ）の実測値と予測値の関係を示すグラフである。 連続鋳造鋳片の品質予測方法の一例を示すフロー図である。 連続鋳造～出荷までの概略フロー図である。 実施例における主成分１および主成分２に与える各変数の影響度の大きさを表すグラフである。

以下、本発明の実施の形態について具体的に説明する。以下の実施形態は、本発明の技術的思想を具体化するための設備や方法を例示するものであり、構成を下記のものに特定するものでない。すなわち、本発明の技術的思想は、特許請求の範囲に記載された技術的範囲内において、種々の変更を加えることができる。

図１は本発明の一実施形態にかかる鋼の連続鋳造方法に用いて好適なスラブ連続鋳造機を模式的に示す概略側面図である。図１に示すように、スラブ連続鋳造機１には、溶鋼９を注入して凝固させ、鋳片１０の外殻形状を形成するための鋳型５が設置される。この鋳型５の上方所定位置には、取鍋（図示せず）から供給される溶鋼９を鋳型５に中継供給するためのタンディッシュ２が設置されている。タンディッシュ２の底部には、溶鋼９の流量を調整するためのスライディングノズル３が設置され、このスライディングノズル３の下面には、浸漬ノズル４が設置されている。一方、鋳型５の下方には、サポートロール、ガイドロールおよびピンチロールからなる複数対の鋳片支持ロール６が配置されている。鋳造方向ＦＤに隣り合う鋳片支持ロール６の間隙には、水スプレーノズルあるいはエアーミストスプレーノズルなどのスプレーノズル（図示せず）が配置された二次冷却帯が構成されている。二次冷却帯では、スプレーノズルから噴霧される冷却水（「二次冷却水」ともいう）によって鋳片１０は引き抜かれながら冷却されるようになっている。また、鋳造方向最終の鋳片支持ロール６の下流側には、鋳造された鋳片１０を搬送するための複数の搬送ロール７が設置されており、この搬送ロール７の上方には、鋳造される鋳片１０から所定の長さの鋳片１０ａを切断するための鋳片切断機８が配置されている。鋳片の断面サイズは、鋳片幅Ｌｗ（ｍｍ）と鋳片厚Ｌｔ（ｍｍ）で表される。

鋳片１０の凝固完了位置（最終凝固位置、クレーターエンド：ＣＥ）１３を挟んで鋳造方向の上流側および下流側には、図１に示すような、複数対の鋳片支持ロール群から構成される軽圧下帯１４が設置されている。軽圧下帯１４では、鋳片１０を挟んで相対する鋳片支持ロール間の間隔（この間隔を「ロール開度」と呼ぶ）を鋳造方向下流側に向かって順次狭くなるように設定されている。つまり、圧下勾配（鋳造方向下流に向かって順次狭くなるように設定されたロール開度の状態）が設定されている。軽圧下帯１４では、その全域または一部選択した領域で、鋳片１０に軽圧下を行うことが可能である。軽圧下帯１４の各鋳片支持ロール間にも鋳片１０を冷却するためのスプレーノズルが配置されている。軽圧下帯１４に配置される鋳片支持ロール６は圧下ロールとも呼ばれる。

鋳型５や鋳片支持ロール６の間には、電磁撹拌装置（図示せず）が設置されて、未凝固相の溶鋼１２を流動させ、凝固シェル１１の内面を洗浄する効果を得ている。また、タンディッシュ２に設置した上ノズル（図示せず）やスライディングノズル３から溶鋼９中に、ノズル詰まり防止用の不活性ガスが吹き込まれている。

鋳片の成分組成は、取鍋やタンディッシュの溶鋼から採取したサンプルの分析値を用いることができる。たとえば、製品の靭性に影響を与える成分にＣやＭｎが知られている。また、下記式で表されるＣ等量Ｃｅｑ（質量％）が大きいほど靭性の低下度合いが大きくなることが知られている。鋼の靭性はＨＩＣ特性に影響する。また、ＭｎおよびＳはＭｎＳ系の非金属介在物を形成するので、表層部のＨＩＣ特性に影響を与える。
Ｃｅｑ＝［Ｃ］－０．０６１６［Ａｌ］＋２．５２７５［Ｓ］－０．２６５２［Ｐ］＋０．００２３［Ｓｉ］＋０．０３４４［Ｍｎ］－１．５２５［Ｓ］［Ｍｎ］＋０．０２１［Ｓｉ］［Ｍｎ］＋０．０２［Ｃｕ］－０．０２［Ｍｏ］＋０．０６［Ｎｉ］＋０．０２［Ｃｒ］－０．０４［Ｖ］－０．０４［Ｎｂ］
ここで、式中の［Ｍ］は、質量％で示す、元素Ｍの含有量である。

鋳造速度Ｖｃ（ｍ／ｍｉｎ）は、浸漬ノズル４からの溶鋼吐出流速に影響し、気泡や非金属介在物の凝固プールへの侵入深さの指標となる。電磁撹拌の印加電流値Ｉ（Ａ）は、凝固シェル１１の内面の洗浄力として、気泡や非金属介在物の捕捉に影響する。二次精錬から鋳造開始までのリードタイムｔｉｍｅは、脱酸介在物の浮上分離に影響する。副原料添加量、たとえば、ＣａＳｉ原単位（ｋｇ／ｔ－溶鋼）やＦｅＳｉ原単位（ｋｇ／ｔ－溶鋼）は、Ｓ系非金属介在物の形態制御や介在物の浮上分離に影響する。上ノズルやスライディングノズルに吹き込む不活性ガス、たとえば、Ａｒガス流量ＱＡｒ（ＮＬ／ｍｉｎ）は鋳片に捕捉される気泡の指標となる。浸漬ノズル４の浸漬深さＬｄ（ｍｍ）は溶鋼吐出流の方向などとの関係で気泡や非金属介在物の浮上分離あるいは凝固プールへの侵入深さに影響する。

製品表層部の水素誘起割れ面積率ＣＡＲの予測モデルに入力する変数として、気泡や非金属介在物の凝固シェルへの捕捉量に影響を与える上記の鋳造実績データを用いる。ここで、製品表層部とは、板厚方向で、表面から板厚の０．２倍までの範囲をいう。たとえば、予測モデルは、主成分分析により次元圧縮して変数を減らし、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ法で回帰をすることにより表層部のＨＩＣ割れ発生面積率ＣＡＲを精度良く予測することが可能となる。

主成分分析とは、変数間に相関のあるデータを、情報を減らすことなく圧縮し、複雑なデータの変数を減らして解析をしやすくする手法である。本実施形態では、「鋳造時のスラブ幅Ｌｗ、スラブ厚みＬｔ、Ｃ濃度［Ｃ］、Ｍｎ濃度［Ｍｎ］、Ｓ濃度［Ｓ］、Ｃ当量Ｃｅｑ、鋳造速度Ｖｃ、電磁撹拌の印加電流値Ｉ、二次精錬から鋳造開始までのリードタイムｔｉｍｅ、副原料添加量（ＦｅＳｉ添加量、ＣａＳｉ添加量）、ノズルに吹き込むＡｒガス流量ＱＡｒ、および、浸漬ノズルの浸漬深さＬｄ」といった変数を、たとえば、５変数に圧縮する。５変数に圧縮を行った場合、圧縮した変数は主成分１～主成分５といった変数で表すことができ、多くの変数で表されたデータの情報量をなるべく減らさずに、より少ない変数で表すことができるようになる。主成分分析を使わずにデータの変数を絞りたい場合、いくつかの変数を切り捨てなければならない。そうすると、重要な変数も切り捨てなければならない場合が出る。主成分分析は、各変数の情報をなるべく多く含むように第１主成分から順に主成分を生成するため、通常よりも効率的に変数の数を減らすことが可能である。

ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）法とは、機械学習のアルゴリズムのひとつである。決定木による複数の弱学習器を統合させて、相互検証・交差検証を行いながら、汎化能力を向上させる、アンサンブル学習アルゴリズムである。本実施形態の回帰では、概ね数百の決定木を計算し、平均値で統合した。すなわち、主成分分析で多くの説明変数を５個程度に圧縮後、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）法で回帰することで、少ないデータ数でも精度の高い回帰が可能となる。

本実施形態では、上記した鋳造実績データのすべてを用いて製品表層部の水素誘起割れ面積率ＣＡＲを予測する例を示したが、一部の鋳造実績データを用いる場合でも、主成分分析による変数の圧縮を用いることで回帰の精度を高めることが可能である。

図３は製品表層部のＨＩＣ割れ面積率ＣＡＲを予測する方法の一例を示すフロー図である。鋳造条件およびオンラインでの測定値を予測モデルに入力し（Ｓ１）、主成分分析により変数を圧縮する（Ｓ２）。圧縮された変数からランダムフォレスト法により回帰を行い（Ｓ３）、気泡や非金属介在物に起因する製品表層部のＨＩＣ割れ面積率ＣＡＲを予測する（Ｓ４）。また、製品表層部のＨＩＣ割れ面積率ＣＡＲの実測値を主成分分析の学習データに用いる（Ｓ５）ことで、さらに高精度にＨＩＣ割れ面積率ＣＡＲを予測することが可能である。得られたＣＡＲ予測値は、次工程の圧延に供するか否かの判定に用いることができる。また、得られたＣＡＲ予測値を用いて、鋳造中に所定の値に漸近するように浸漬ノズルの浸漬深さＬｄを調整したり、電磁撹拌の印加電流値Ｉを調整したりして鋳片の品質を向上させることができる（Ｓ６）。

図４は連続鋳造Ｓ１１～圧延Ｓ１２～出荷Ｓ１３までのフロー図である。通常、連続鋳造機で鋳造されたスラブの品質を判定するためにＥＰＭＡによる気泡や非金属介在物分布の分析を行う（Ｓ１４）。この分析には１～２週間の期間がかかる。また、圧延後の製品の出荷判定をするためにＨＩＣ試験を行う（Ｓ１５）。ＨＩＣ試験は硫化水素に試験片を浸漬させ、板（製品）の厚み中央あるいは表層に水素誘起割れが発生した時の割れ発生面積率（ｃｒａｃｋ ａｒｅａ ｒａｔｉｏ、ＣＡＲ）を評価する試験である。この試験は、最低でも１週間程度の期間が必要である。製品の出荷判定にはこのＣＡＲが閾値以下であることを必要とする。従来は、この試験で品質不良が判明した時にはすでに多量の製品を製造後であることから、大量に不良品を製造してしまうことがあった。本実施形態では、ＨＩＣ試験をすることなく鋳造中または鋳造直後に品質が予測できるので、リードタイムを大幅に短縮し、その間の大量不適合を防止することが可能となる。

＜実施例１＞
以下、本発明を実施例に基づいて更に詳細に説明する。
試験に用いた連続鋳造機は、図１に示す連続鋳造機１と同様である。この連続鋳造機を用いて、低炭素アルミキルド鋼の鋳造を行った。表１～３に、上記実施形態に係る連続鋳造方法での、鋳造条件等鋳造実績データおよび製品表層部のＨＩＣ割れ面積率ＣＡＲの実測値および予測値を示す。ここで、製品表層部とは、板厚方向で、表面から板厚の０．２倍までの範囲をいう。表１および２に示す鋳造実績データを入力として、製品表層部のＨＩＣ割れ面積率ＣＡＲの予測モデルを用い、主成分分析およびＲａｎｄｏｍ Ｆｏｒｅｓｔ法での回帰を実施した。図２に製品表層部のＨＩＣ割れ面積率ＣＡＲの実測値と予測値の関係をグラフで示す。この予測モデルでは、主成分分析により説明変数を５変数に圧縮し、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ法により回帰した。主成分分析の主成分１および主成分２と各種操業条件の相関係数の関係を図５に示す。そして、主成分１と主成分２との相関係数の和の大きい操業条件を製品表層部のＨＩＣ割れ面積率ＣＡＲへの影響度が大きい変数とした。たとえば、図５から、影響度の大きい変数（操業条件）として、「リードタイム」（二次精錬から鋳造開始までのリードタイムｔｉｍｅ）、「副原料添加量」（ＦｅＳｉ添加量、ＣａＳｉ添加量）、「浸漬ノズルの浸漬深さＬｄ」、「鋳造速度Ｖｃ」および「電磁撹拌の印加電流Ｉ」を抽出した。この方法により、製品表層部のＨＩＣ割れ面積率ＣＡＲの実測値と予測値は良い一致を示しており、本方法で製品表層部のＨＩＣ割れを鋳造中または鋳造直後に予測することが可能となった。
表３には、得られたＣＡＲの予測値を０．００％に漸近するように鋳造中に浸漬ノズルの浸漬深さＬｄ、電磁撹拌の印加電流値Ｉを変更して制御した例を示す。この制御により、製品表層部のＨＩＣ割れ発生面積率は大幅に低減した。
また、製品表層部のＨＩＣ割れ発生面積率ＣＡＲの閾値は要求品質によって異なる。たとえば、目標とする製品表層部のＨＩＣ割れ発生面積率ＣＡＲが２％以下の鋼材において、上記実施形態にかかる製品表層部のＨＩＣ割れ面積率ＣＡＲの予測モデルを用いて、ＣＡＲ予測値が２％より大きいと予測されたスラブの向け先変更を行った結果、７％の歩留まり向上効果が得られた。

＜実施例２＞
操業条件の逆解析の例を表２の試験Ｎｏ．２１を例に説明する。試験Ｎｏ．２１の当初の操業条件では、製品表層部のＨＩＣ割れ発生面積率ＣＡＲの予測値が５．４６％であり、実績値が４．６０％であった。実施例１の主成分分析の結果、ＣＡＲに対する影響度が大きく、かつ、操業中に条件が変更可能な浸漬ノズルの浸漬深さＬｄおよび電磁撹拌の印加電流Ｉを変更する変数として抽出した。それらを変更して予測モデルにより、ＣＡＲの予測値が０．２％となるように逆解析して操業条件を探索した。そして、得られた条件である、浸漬ノズルの浸漬深さＬｄを１８６ｍｍから２１０ｍｍに変更し、電磁撹拌の印加電流Ｉを４００Ａから７００Ａに変更した。その結果、製品表層部のＨＩＣ割れ発生面積率ＣＡＲの実測値が、目標とする２％以下を達成できた。

１ 連続鋳造機
２ タンディッシュ
３ スライディングノズル
４ 浸漬ノズル
５ 鋳型
６ 鋳片支持ロール
７ 搬送ロール
８ 鋳片切断機
９ 溶鋼
１０ 鋳片
１０ａ （切断された）鋳片
１１ 凝固シェル
１２ 未凝固相の溶鋼
１３ 凝固完了位置（クレーターエンド）
１４ 軽圧下帯
ＦＤ 鋳造方向

Claims (8)

1. 連続鋳造機で鋳造した鋳片を圧延した製品の、製品表層部の水素誘起割れの予測モデルを用い、鋳造中に測定した鋳造実績データの実測値から選ばれた一つ以上を入力変数として製品表層部の水素誘起割れを予測する製品の品質判定方法を用いて、連続鋳造機で鋳造した鋳片の品質を判定するにあたり、
   前記予測モデルが鋳造実績データと、製品表層部の水素誘起割れ発生面積率とを結び付けたものであり、
   前記予測モデルに、鋳造中に測定した前記鋳造実績データの実測値から選ばれた一つ以上を入力し、鋳造中、または、鋳造後に当該鋳片から得られる製品の表層部の水素誘起割れ発生面積率を予測する、連続鋳造鋳片の品質判定方法。
2. 前記鋳造実績データが、鋳片の断面サイズ、成分組成、鋳造速度、電磁撹拌条件、二次精錬から鋳造開始までのリードタイム、副原料添加量、ノズルに吹き込む不活性ガス流量、および、浸漬ノズルの浸漬深さの一部またはすべてである、請求項１に記載の連続鋳造鋳片の品質判定方法。
3. 前記成分組成が、Ｃ濃度、Ｍｎ濃度、Ｓ濃度、および、下記式によってＣｅｑ（質量％）で算出されるＣ等量から選ばれる少なくとも一である、請求項２に記載の連続鋳造鋳片の品質判定方法。
   Ｃｅｑ＝［Ｃ］－０．０６１６［Ａｌ］＋２．５２７５［Ｓ］－０．２６５２［Ｐ］＋０．００２３［Ｓｉ］＋０．０３４４［Ｍｎ］－１．５２５［Ｓ］［Ｍｎ］＋０．０２１［Ｓｉ］［Ｍｎ］＋０．０２［Ｃｕ］－０．０２［Ｍｏ］＋０．０６［Ｎｉ］＋０．０２［Ｃｒ］－０．０４［Ｖ］－０．０４［Ｎｂ］
   ここで、式中の［Ｍ］は、質量百分率で示す、元素Ｍの含有量である。
4. 前記予測モデルが、主成分分析およびＲａｎｄｏｍ Ｆｏｒｅｓｔ法での回帰を用い、
   任意選択的に、製品表層部の水素誘起割れ発生面積率の実測値により前記予測モデルを機械学習する、請求項１～３のいずれか１項に記載の連続鋳造鋳片の品質判定方法。
5. 請求項１～３のいずれか１項に記載の連続鋳造鋳片の品質判定方法を用いて判定した鋳片の品質予測に基づき、鋳片が耐サワーラインパイプ鋼に充当可能かを決定する、連続鋳造鋳片の向け先決定方法。
6. 請求項１～３のいずれか１項に記載の連続鋳造鋳片の品質判定方法を用いて判定した鋳片の品質予測に基づき、製品表層部の水素誘起割れ発生面積率の予測値が所定の値に漸近するように、前記鋳造実績データと前記予測モデルとに基づき、鋳造条件を逆解析して決定する、連続鋳造条件の決定方法。
7. 前記所定の値を２％以下とする、請求項６に記載の連続鋳造条件の決定方法。
8. 請求項６に記載の方法で決定された鋳造条件に従い、鋳片を製造する、鋼の連続鋳造方法。