De-oxidation is an important process in clean steelmaking. Al (Aluminium) is mainly used as de-oxidant and controls the final oxygen content and impact the sulphur removal in steel. Adding optimum amount of Al is critical for steel cleanliness and to reduce cost. Unfortunately, recovery of Al is not repeatable due to inherent variation in factors like amount of slag carryover, total oxygen content, tapping weight and so on. To address this challenge, statistical modeling is used to develop a supervised machine learning model to predict Al addition for secondary de-oxidation. Data analytics is used on historical data from production database to gain insights from data on secondary de-oxidation practice, observe patterns, trends and understand correlation among critical process parameters. Simple and multiple linear regression models have been developed with prediction accuracy of 58 and 66% respectively. These models have been trained, tested and cross validated using standard procedures like k-fold cross validation and grid search. To deploy multiple linear regression model into production, a Microsoft Excel based dashboard containing prediction tool, pivot charts, line, and bar graphs for analysing the process is developed. This model when tested in shadow deployment environment perform well on steel grades containing dissolved C (Carbon) up to 0.15% after tapping. In shadow deployment mode the new model can be utilised in parallel to existing tool. For %C greater than 0.15%, prediction accuracy stands at 46%. This is due to nonlinear relationship between oxygen content and added Al. With our model, in process window containing 0 to 0.15 % C after tapping in steel melt, we believe that we can in future achieve better steel quality and repeatability in de-oxidation process, improve productivity in terms of time and resources and facilitates decision making when the model is ready for use in real production environment. Future work in this direction would be to furth, Deoxidation är en viktig process vid ren ståltillverkning. Al (aluminium) används huvudsakligen som deoxidationsmedel och kontrollerar den slutliga syrehalten och påverkar avlägsnandet av svavel i stålet. Det är viktigt att tillsätta en optimal mängd Al för att stålet ska bli rent och för att minska kostnaderna. Alumiumåterhämtningen är tyvärr inte repeterbar på grund av varierande faktorer som slaggöverföring, total syrehalt, tappvikt och så vidare. För att ta itu med denna utmaning används statistisk modellering för att utveckla en övervakad maskininlärningsmodell för att förutsäga Al-tillsats för sekundär deoxidering. Dataanalys används på historiska data från produktionsdatabasen för att få insikt i data om sekundär deoxidering, observera mönster, trender och förstå korrelationen mellan kritiska processparametrar. Enkla och multipla linjära regressionsmodeller har utvecklats med en prediktionsnoggrannhet på 58 respektive 66 %. Dessa modeller har tränats, testats och korsvaliderats med hjälp av standardförfaranden som k-fold korsvalidering och grid search. För att använda den multipla linjära regressionsmodellen i produktionen har man utvecklat en Microsoft Excel-baserad instrumentpanel som innehåller ett prognosverktyg, pivotdiagram, linje- och stapeldiagram för analys av processen. När denna modell testades i en skuggmiljö fungerade den bra på stålsorter som innehåller upplösta C (kol) på upp till 0,15 % efter tappning. I en skuggbaserad miljö kan den nya modellen användas parallellt med det befintliga verktyget. För % C över 0,15 % är förutsägelsenoggrannheten 46 %. Detta beror på det icke-linjära förhållandet mellan syrehalt och tillsatt Al. Med vår modell, i processfönstret som innehåller 0-0,15 % C efter tappning i stålsmältan, tror vi att vi i framtiden kan uppnå bättre stålkvalitet och repeterbarhet i deoxidering processen, förbättra produktiviteten när det gäller tid och resurser och underlätta beslutsfattandet när modellen är redo att användas i en verk