Szczegóły publikacji
Opis bibliograficzny
Modelling the hot metal desulfurization process using artificial intelligence methods — Modelowanie procesu odsiarczania surówki żelaza przy użyciu metod sztucznej inteligencji / Angelika PODOLSKA, Jan FALKUS // Archives of Civil Engineering = Archiwum Inżynierii Lądowej / Polish Academy of Sciences. Institute of Fundamental Technological Research. Committee for Civil Engineering ; ISSN 1230-2945. — 2024 — vol. 70 no. 2, s. 255–270. — Bibliogr. s. 269, Abstr., Streszcz.
Autorzy (2)
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 154350 |
|---|---|
| Data dodania do BaDAP | 2024-07-11 |
| Tekst źródłowy | URL |
| DOI | 10.24425/ace.2024.149862 |
| Rok publikacji | 2024 |
| Typ publikacji | artykuł w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Archives of Civil Engineering |
Abstract
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.
Streszczenie
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 > 100 ppm. Wyniki te należy traktować jako dokładne ze względu na metodę określania składu chemicznego (Optyczna spektroskopia emisyjna OES) oraz jej zakres błędu pomiarowego. Szczególnie interesujące jest porównanie wektorów wielkości wejściowych analizowanych grup wytopów. Ze względu na swój charakter wektory wejściowe zostały podzielone na dwie grupy – parametry stanu oraz parametry sterujące. Do grupy parametrów stanu należeć będą wszystkie te wielkości, które są stałe i nie ma możliwości ich zmiany bez udziału parametrów sterujących (skład chemiczny surówki wielkopiecowej, temperatura czy masa surówki). Parametry sterujące natomiast są to wszystkie wielkości, dla których istnieje realna możliwość ich regulacji – będą to parametry technologiczne stacji odsiarczania takie jak zużycie reagentów, ciśnienie azotu transportującego reagenty czy średni przepływ materiałów do procesu. W trakcie uczenia sieci neuronowych na podstawie globalnej analizy wrażliwości zauważono, iż pewne parametry wejściowe nie biorą udziału w drugim i kolejnym uczeniu. Oznacza to, że dla sieci neuronowych nie wnoszą one istotnych informacji i finalnie nie wpływają na predykcję wektora wyjściowego. Takimi parametrami są wiek kadzi zalewowej, temperatura surówki przed procesem odsiarczania, przepływ wapna, masa magnezu w zbiorniku przed rozpoczęciem procesu oraz czas pomiędzy nalaniem surówki do kadzi zalewowej a rozpoczęciem odsiarczania. Istnieję również takie parametry, które występują w każdym cyklu uczenia sieci neuronowych, co oznaczać będzie korelację pomiędzy tymi parametrami a parametrem wyjściowym i ich realny wpływ na predykcję. Do takich parametrów należą zawartość siarki przed procesem odsiarczania, zużycie magnezu w procesie, jego średni przepływ w trakcie procesu odsiarczania oraz ciśnienie zbiornika wapna. Jest to istotna informacja z punktu widzenia technologii prowadzenia procesu odsiarczania, ponieważ dzięki niej istnieje podstawa do zmiany parametrów procesu, a w konsekwencji polepszenie jakości procesu odsiarczania. Przeprowadzone badania i uzyskane wyniki pozwalają na sformułowanie kilku istotnych wniosków. Do opisu problemu predykcji zmiany zawartości siarki podczas procesu odsiarczania surówki wystarcza sieć neuronowa typu MLP z jedną warstwą ukrytą. Przyjęcie bardziej złożonej struktury sieci prowadziłoby prawdopodobnie do utraty zdolności generalizowania problemu. Przeprowadzona analiza wrażliwości zmiennych wejściowych wskazuje, że najistotniejszymi parametrami opisującymi proces odsiarczania surówki są: zawartość siarki przed procesem odsiarczania [ppm], zużycie magnezu w procesie [kg] średni przepływ magnezu w trakcie procesu odsiarczania [kg/min] oraz ciśnienie zbiornika wapna [kPa]. Uwzględniając podział parametrów wejściowych na parametry stanu i parametry sterujące oraz uwzględniając wykonaną globalną analizę wrażliwości, można przyjąć, że w przypadku opisywanego stanowiska do odsiarczania surówki żelaza parametry sterujące zostały właściwie zidentyfikowane. W celu poprawy jakości predykcji zbudowanego modelu ważnym kierunkiem będzie pozyskanie nowych zmiennych wejściowych opisujących proces.
