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.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.