Neural network-based prediction of additives in the steel refinement process

• Autorzy: Wieczorek T. , Kordos M.

Warianty tytułu

PL

Predykcja dodatków stopowych w procesie rafinacji stali z wykorzystaniem sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

To make fine adjustments to the steel composition alloy additions are added to the crude steel to adjust composition for the grade of steel being manufactured. The prediction of hot metal composition is a crucial factor in the economy of ladle furnace operation. Usually it is made by calculations based on the equilibrium of chemical reactions in molten steel. In the paper the problem of prediction of alloy additions has been solved using Artificial Neural Nets (ANN’s) and the SVM algorithm. A brief state of the art review of the application of computational intelligence (CI) in secondary steelmaking has been made. The prediction system used by authors has been introduced. Problems with data preparation have been presented. Details of the neural network prediction and other approaches to the prediction problem, i.e. Support Vector Regression Module and Multivariate Linear Regression have been introduced. Experimental results and the final conclusions and recommendations have been presented.

PL

Dla uzyskania żądanego składu chemicznego stali wprowadzane są do niej w procesie produkcji dodatki stopowe. Precyzyjne przewidywanie końcowego składu chemicznego produkowanej stali jest niezwykle ważne dla ekonomicznego prowadzenia procesu w piecu kadziowym. Zwykle obliczenia są prowadzone w oparciu teorię procesów chemicznych zachodzących w ciekłej stali w warunkach równowagi. W pracy problem przewidywania masy dodatków stopowych koniecznych do uzyskania żądanego składu został rozwiązany przy użyciu sztucznych sieci neuronowych i algorytmu maszyny wektorów podpierających (SVM). Opisano opracowany model inteligentny obliczania dodatków. Przedstawiono zbudowane moduły tego systemu: sieci neuronowe, SVM, regresję liniową wielu zmiennych. Omówiono zagadnienia preprocesingu danych do uczenia modułów inteligentnych. Przedstawiono uzyskane wyniki, wnioski wyciągnięte z badań oraz efekty uzyskane w rzeczywistych warunkach przemysłowych.

Słowa kluczowe

EN

steel refining; neural networks; computational intelligence; SVM; prediction

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2010
• Tom: Vol. 10, No. 1
• Strony: 16--24
• Opis fizyczny: Bibliogr. 24 poz., rys.

Twórcy

autor

Wieczorek T.

autor

Kordos M.

• Department of Management and Computer Science, Faculty of Material Engineering and Metallurgy, The Silesian University of Technology, Krasinskiego 8, 40-019 Katowice, Poland,

Bibliografia

• Bhadeshia, H., 1999, Neural Networks in Materials Science,ISIJ Int., 10, 966-979.
• Bishop, C, 1996, Neural Networks for Pattern Recognition, Oxford University Press, Oxford. Engh, T.A., 1992, Principles of metal refining, Oxford Univ. Press, Oxford.
• Eskander G. S., 2008, Round Trip Time Prediction Using the Symbolic Function Network Approach, Available from: http://arxiv.org/ftp/arxiv/papers/0806/0806.3646.pdf (last accessed 1.12.2009).
• Ghosh, A, 2001, Secondary steelmaking, CRC Press Boca Raton, New York.
• Jams, S.-L., 2001, Current status and future trends in the automation of mineral and metal processing, Control Engineering Practice, 9, 1021-1035.
• Kodos, M., Duch, W., 2008, Variable Step Search Algorithm for Feedforward Networks, Neurocomputing, 71, 13-15, 2470-2480.
• Li, M., Zhou, Z., Shi, L., 2004, The Neural Network Decoupling Control Based on The Internal Model Control, Proceedings of the 5th World Congress on Intelligent Control and Automation, Hangzhou, P.R. China.
• Li, S., Gao, X., Chai, Т., 1997, Fuzzy control and its application in Ar stirring system, Proc. of Td Asian Control Conf. Seul., 3,711-714.
• Meireles, M., Almeida, P., Simoes, M., 2003, A Comprehensive Review for Industrial Applicability of Artificial Neural Networks, IEEE Transactions on Industrial Electronics, 50, 3, 585-601.
• Peter, J., Peaslee, K., Robertson, D., Thomas, В., 2005, Experimental Study of Kinetic Processes during the Steel Treatment at Two LMF's, Conference Proceedings of AISTech, 1 &2, 959-973.
• Roy, R., Collantes, L., Berdou, J., Whittaker H., Madill, J., 1999,     Fuzzy Process Modeling for Secondary Steelmaking, Proc. of 18,h International Conference of the North American Fuzzy Information Processing Society, New York, 1, 864-868.
• Setiono, R.,Thong, J., 2004, An approach to generate rules from neural networks for regression problems, European Journal of Operational Research, 155, 1,239-250.
• Siemens A.G.,2005, SIMELT NEC - neural network based energy control efficiency, Industrial solution and services, Siemens Press, 1-8.
• Smoła A, J., Scholkopf В., 1998, A Tutorial on Support Vector Regression, Available from:
• http://www.svms.org/regression/SmSc98.pdf (last accessed 1.12.2009).
• Staib, W.E., 1993, The Intelligent Arc Furnace, Steel Technology Int., 2, 103-107.
• Van Gorp, J.,1999, Steel Plant Modeling and Analysis Using a Neural Network, ANNIE, Intelligent Engineering Systems Through Artificial Neural Networks, 9, 739-744.
• Wieczorek, Т.,Mączka, К., Świtała, P., 2007, Automatyczne tworzenie baz wiedzy z wykorzystaniem drzew decyzyjnych, Bazy danych - nowe technologie. Bezpieczeństwo wybrane technologie i zastosowania, eds, Kozielski S., Małysiak В., Kasprowski P., Mrozek D., WKiŁ Warszawa, 385-392.
• Wieczorek, Т.,2006, Intelligent control of the electric-arc steelmaking process using artificial neural networks, Computer Methods in Material Science, 6, 1, 9-14.
• Wieczorek,Т.,Blachnik, M., Mączka, К., 2008, Building a model for time reduction of steel scrap meltdown in the electric arc furnace (EAF). General strategy with a comparison of feature selection methods, Lecture Notes in Artificial Intelligence, 5097, 1149-1159.
• Wieczorek, Т., Pilarczyk, M., 2008, Classification of steel scrap in the EAF process using image analysis methods, Archives of Metallurgy and Materials, 53, 2, 613-618.
• Wieczorek, Т.,Świtała, P., 2008, Wykorzystanie algorytmu CART do automatycznego tworzenia bazy wiedzy systemu ekspertowego, Bazy danych, rozwój metod i technologii. Architektura, metody formalne i zaawansowana analiza danych, eds, Kozielski S., Małysiak В., Kasprowski P., Mrozek D., WKiŁ Warszawa, 439-450.
• Wong, В. К.,Lai, V. S., Lam, J., 2000, A bibliography of neural network business applications research, Computers & Operations Research, 27, 1045-1076.
• Yanguang S.,Daixian W., Yan Т., Shi Т., Fang Y., Wang S., 2000,     An Intelligent Ladle Furnace Control System, Proceedings of the 3th World Congress on Intelligent Control and Automation, Hefei P.R. China, 1, 330-334.