Modelling the hot metal desulfurization process using artificial intelligence methods

• Autorzy: Podolska Angelika , Falkus Jan

Identyfikatory

DOI

10.24425/ace.2024.149862

Warianty tytułu

PL

Modelowanie procesu odsiarczania surówki żelaza przy użyciu metod sztucznej inteligencji

• Języki publikacji: EN

Abstrakty

EN

The objective of conducted research on the hot metal desulfurization process was to determine the key process parameters that impact the ultimate outcome of desulfurization. As a result, the noticeable outcome of implementing these measures should be the improvement of quality control. In order to determine these parameters, used artificial intelligence methods like as neural networks (ANN). On the basis of the production data collected from the actual metallurgical aggregate for hot metal desulfurization, neural networks were built that used quantitative data (mass of hot metal, mass of used reagents, etc.) and qualitative data (chemical analysis of hot metal). The parameters of the desulfurization process were divided into state parameters and control parameters. From the point of view of the technology of conducting the desulfurization process and building an on-line model, only control parameters can be changed during desulfurization. To describe the problem of predicting change in the sulfur content during the hot metal desulfurization process is sufficient an MLP type neural network with a single hidden layer. Adopting a more complex network structure would probably lead to a loss of the ability to generalise the problem. The research was carried out in STATISTICA Automated Neural Networks SANN.

PL

Budowa i weryfikacja modeli procesu odsiarczania surówki żelaza opartych o sztuczną inteligencję dostarcza bardzo wiele interesujących wyników, które mogą być wykorzystane zarówno w obszarze związanym ze sterowaniem jak i do celów teoretycznej analizy procesu. Wniosek dotyczący analizy teoretycznej w odniesieniu do modeli wykorzystujących sztuczne sieci neuronowe może wydawać się zbyt optymistyczny, bowiem powszechnie uważa się, że modele typu black box nie wzbogacają naszej wiedzy o procesie. W omawianym przypadku mamy jednak do czynienia z sytuacją, w której jednym z kluczowych pytań badawczych jest odpowiedź jak duży wpływ na proces mają czynniki statyczne, a jaki dynamiczne. Przy tak sformułowanym problemie, analiza warstwy wejściowej sieci neuronowej połączona z analizą istotności poszczególnych wielkości wejściowych, umożliwia co najmniej ocenę jakościową. W przeprowadzonych badaniach, dokładność modeli dedykowanych wymienionym w tablicy 3 grupom wytopów jest bardzo zadowalająca. Przewyższa ona dokładność dotychczasowych rozwiązań i może być podstawą do modernizacji istniejącego systemu sterowania. Średni błąd prognozy wyrażony za pomocą wartości błędu bezwzględnego to wynik rzędu 15 ppm dla wytopów o zawartości siarki <100 ppm oraz 25 ppm dla wytopów o siarce końcowej >100ppm. Wyniki te należy traktować jako dokładne ze względu na metodę określania składu chemicznego (Optyczna spektroskopia emisyjna OES) oraz jej zakres błędu pomiarowego.

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2024
• Tom: Vol. 70, nr 2
• Strony: 255--270
• Opis fizyczny: Bibliogr. 11 poz., il., tab.

Twórcy

autor

Podolska Angelika

• AGH University of Krakow, Faculty of Metals Engineering and Industrial Computer Science, Krakow, Poland

• https://orcid.org/0000-0001-6207-0440

autor

Falkus Jan

• AGH University of Krakow, Faculty Metals Engineering and Industrial Computer Science, Krakow, Poland

• https://orcid.org/0000-0003-2451-9678

Bibliografia

• [1] F. Schrama, G. Hattum, and B. Berg, “The leading hot metal desulfurization methods: a comparison between Kr, Mmi and co-injection”, in ABM Week 2015 - 46th Steelmaking Seminar, Proceedings of the Seminar on Steelmaking, Casting and Non-Ferrous Metallurgy, 17-21 August 2015. Rio de Janeiro, Brazil, 2015, pp. 323-332, doi: 10.5151/1982-9345-26624.
• [2] B. Zou, M. Chibawe, B. Hu, and Y. Deng, “A comparative analysis of artificial neural network predictive and multiple linear regression models for ground settlement during tunnel construction”, Archives of Civil Engineering, vol. 69, no. 2, pp. 503-515, 2023, doi: 10.24425/ace.2023.145281.
• [3] W. Cardoso and R. Felice, “Prediction of sulfur in the hot metal based on data mining and artificial neural”, in Proceedings of the 11th International Conference on Data Science, Technology and Applications Networks DATA 2022. Lisbon, Portugal, 2022, pp. 400-407, doi: 10.5220/0000163700003269.
• [4] T. Vuolio, “Model-based identification and analysis of hot metal desulphurization”, PhD thesis, University of Oulu, Finland, 2021.
• [5] V.V. Visuri, T. Vuolio, T. Haas, and T. Fabritius, “A review of modeling hot metal desulfurization”, Steel Research International, vol. 91, no. 4, 2020, doi: 10.1002/srin.201900454.
• [6] F. Schrama, “Desulphurization in 21st century iron- and steelmaking”, PhD thesis, Delft University of Technology, Holland, 2021.
• [7] L. Holappaa and O. Wijkb, “Inclusion engineering”, in Treatise on process metallurgy, vol. 3, S. Seetharaman, Ed. Amsterdam: Elsevier Ltd, 2014, pp. 347-372.
• [8] M. Holtzer, “Usuwanie siarki w procesie stalowniczym”, in Procesy metalurgiczne i odlewnicze stopów żelaza. Podstawy fizykochemiczne. Warszawa: Wydawnictwo Naukowe PWN, 2013, pp. 435-440.
• [9] E. Moosavi-Khoonsari, M.A. Van Ende, and I.H. Jung, “Kinetic simulation of hot metal pretreatment: desulfurization using powder injection”, Metallurgical and Materials Transactions B, vol. 53, no. 2, pp. 981-998, 2022, doi: 10.1007/s11663-022-02437-1.
• [10] H. Sun, Y.C. Liu, and M.J. Lu, “Thermodynamic and kinetic analysis of nitrogenization in desulfurization of hot metal by magnesium injection”, ISIJ International, vol. 49, no. 6, pp. 771-776, 2009, doi: 10.2355/isijinternational.49.771.
• [11] S.N. Biljan, “Problems and approaches for solutions in modern injection technologies”, presented at the 13th International Symposium for Desulfurization of Hot Metal and Steel, Almamet GmbH, 1-4 October 2014 Montecatini Terme, Italy, pp. 51-55.