Return to search

Aplicação de redes neurais para o ajuste operacional do periodo final de sopro de um processo de aciaria a oxigenio

Orientadores : Ana Maria Frattini Fileti, Andre Pitasse da Cunha / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica / Made available in DSpace on 2018-08-03T22:11:37Z (GMT). No. of bitstreams: 1
Pacianotto_TatianaAparecida_M.pdf: 3017381 bytes, checksum: 6635c29a407fd5a666599633333bed56 (MD5)
Previous issue date: 2003 / Resumo: O presente trabalho apresenta a aplicação de redes neurais artificiais ao processo de produção de aço líquido com o objetivo de elaborar dois modelos: rede direta, para predição de temperatura e porcentagem de carbono ao final do processo, e rede inversa, para ajuste operacional das quantidades de oxigênio para o término do sopro e de minério de ferro a ser adicionado no período final da batelada. Neste processo, o metal a 1400°C é convertido ao aço a aproximadamente 1650°C pela oxidação exotérmica de carbono, manganês, fósforo, silício e enxofre dissolvidos no ferro. Oxigênio é soprado no conversor LD usado na etapa de refino do aço através de uma lança e nenhuma fonte de calor externa é requeri da. Este processo é transiente, altamente complexo e sofre freqüentes oscilações na composição da matéria-prima. No processo de refino da Cia. Siderúrgica Nacional (CSN-Volta Redonda/RJ), as quantidades das matérias-primas e de oxigênio para iniciar o sopro em um conversor LD são definidas através de um modelo estático, em que os cálculos são realizados com informações prévias ao início da batelada. Em um ponto pré-determinado do sopro de oxigênio, medidas de temperatura e de porcentagem de carbono são obtidas usando uma sub-lança. O tempo entre o ponto de amostragem e o final do processo é conhecido como o período de final de sopro. Durante este período, um modelo convencional é usado para predizer quanto de oxigênio e de minério de ferro deverá ser adicionado a fim de obter a porcentagem de carbono e a temperatura do aço desejadas no final do sopro. Este último modelo é chamado de modelo dinâmico por ser alimentado com informações obtidas durante o processo e por determinar ações corretivas. O modelo neural direto proposto neste trabalho é composto das seguintes variáveis de entrada: a temperatura e o percentual de carbono medidos através da sub-lança, as quantidades de minério de ferro e de oxigênio determinadas pelo modelo convencional vigente e, opcionalmente, as quantidades de ferro-gusa, sucata e escória alimentadas. As variáveis de saída são as mesmas do modelo dinâmico comercial utilizado atualmente na CSN: a porcentagem de carbono e a temperatura do aço no período de final de sopro. Para a simulação do modelo dinâmico direto foram consideradas 5030 bateladas (filtradas de 15.000 bateladas) para treinamento e 200 bateladas para testes. Este conjunto de dados equivale à cerca de 4 anos de processamento na aciaria da CSN. As melhores topologias encontradas foram 4x9x2 e 4x3x6x2, que alcançaram um acerto simultâneo das duas variáveis de saída de 76,5%. Cunha (2001) obteve um acerto simultâneo de 73,3% com um modelo dinâmico neural treinado com este mesmo banco de dados. O desempenho atingido pelo modelo convencional da CSN encontra-se em tomo de 66%. Com a adição de variáveis de entrada opcionais um maior acerto simultâneo (77%) foi obtido com a arquitetura 7x4x4x2. Através de um banco de dados de operações mais recentes, o melhor acerto simultâneo foi obtido com a topologia 7x5x3x2, a qual foi mantida para a estrutura da rede inversa. Nesta estrutura, as variáveis de saída passam a ser as quantidades manipuláveis de oxigênio e minério de ferro para o final do sopro. A temperatura e a porcentagem de carbono desejadas ao final da batelada passam a compor o vetor de entrada juntamente com as demais variáveis citadas anteriormente. Testes industriais foram realizados com a rede inversa 7x5x3x2 treinada. As medições de temperatura e de porcentagem de carbono ao final de 40 bateladas mostraram que em 82,5% destas bateladas as ações corretivas, indicadas pela rede inversa e implementadas pelo operador, conduziam o processo às especificações desejadas de temperatura e porcentagem de carbono simultaneamente. A especificação de temperatura é atingida em 97,5% das bateladas. Observou-se ainda que a especificação de porcentagem de carbono é mais facilmente alcançada (90,6%) quando situa-se próxima a 0,04% de carbono. Conclui-se, portanto, que os modelos neurais desenvolvidos apresentaram desempenho de predição superior ao modelo dinâmico convencional utilizado atualmente pela CSN e que a rede inversa está apta a fornecer informações corretivas para o ajuste operacional deste processo / Abstract: The present work describes the application of neural networks in the basic oxygen steelmaking process. Two neural models were developed: the prediction model and the inverse model. The first one aims to predict end-blow temperature and carbon percentage. The inverse model was built to provide end-blow corrective actions in oxygen and iron ore additions. In this process, hot metal at about 1400°C is converted to steel at 1650°C by exothermic oxidation of metalloids dissolved in the iron. Oxygen is blown into the LD converter through a lance and no external heat source is required. This process is transient, highly complex and is subject to oscillations in raw material composition. In the refining process of the Cia. Siderúrgica Nacional (CSN-Volta Redonda/RJ), raw material proportions and the oxygen flow rate required to start blowing in the LD converter are defined through a conventional static model (calculations are performed based on feed informations). At a pre-determined point in the blow, temperature and carbon percentage are measured using the sub-lance. The time between the sample point and the end of the process is known as the end-blow period. During this period, a conventional model is used to predict how much oxygen to blow and how much coolant to add in order to achieve the desired end-point temperature and carbon content in liquid steel. This model is called dynamic model since process measurements are employed in its calculations and it determines corrective actions. The end-blow neural model proposed in the present work is composed of the following input variables: carbon (sub-lance), temperature (sub-lance), coolant (iron ore) and oxygen. Informations on amount of cast iron, scrap iron and slag can be optionally inputted. The output variables are end-blow carbon percentage and end-blow temperature. CSN's historical databases (4 years) were used in training procedures. Approximately 15000 records were collected. Records containing spurious data were filtered out and the new database with 5230 vectors were split in two sets, one for training and other for testing. The best architectures obtained were 4x9x2 and 4x3x6x2, that present 76,5% of simultaneous agreement in temperature and carbon percentage. Cunha's neural model (CUNHA, 2001) achieved 73,3% of simultaneous agreements in temperature and carbon outputs against 66% obtained with the conventional dynamic model. Adding the optional variables to the input vector, a hitting-rate (simultaneous agreement) of 77% was achieved through the 7x4x4x2 architecture. A recent data-base was also employed in training procedures. The architecture 7x5x3x2 presented the best result and it was chosen to be the architecture of the inverse model. In this case, the output variables are the oxygen volume and the amount of iron ore to be added in the end-blow period. Set-points of temperature and carbon percentage at the end of the run are joined to the other input variables. The inverse neural model 7x5x3x2 was employed in the industrial investigation. Temperature and carbon percentage measurements at the and of 40 industrial runs presented a 82,5% hitting-rate. It could be observed that temperature set-point was achieved in 97,5% of the cases. Carbon percentage set-point around 0,04% was easily achieved: 90,5% of the cases. 1n conclusion, the performance of the end-blow model predictions has increased substantially and the inverse neural model may be employed to predict oxygen and coolant flow rates without the requirement of a steelmaking expert / Mestrado / Sistemas de Processos Quimicos e Informatica / Mestre em Engenharia Química

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.unicamp.br:REPOSIP/267483
Date31 October 2003
CreatorsPacianotto, Tatiana Aparecida
ContributorsUNIVERSIDADE ESTADUAL DE CAMPINAS, Fileti, Ana Maria Frattini, 1965-, Pacianotto, Tatiana Aparecida, Geromel, José Cláudio, D'Angelo, José Vicente Hallak
Publisher[s.n.], Universidade Estadual de Campinas. Faculdade de Engenharia Quimica
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Format80fl. : il., application/pdf
Sourcereponame:Repositório Institucional da Unicamp, instname:Universidade Estadual de Campinas, instacron:UNICAMP
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0032 seconds