Data-driven modeling for online predictions in steelmaking

Principal supervisor: Assoc. Prof. Björn Glaser, KTH

Co-supervisor: Docent Dr. Andrey Karasev, KTH

Chair at the defense: Prof. Mikael Ersson, KTH

Opponent: Prof. Qifeng Shu, University of Oulu, Finland 

Members of the grading committee         

Dr. Dmitrij Ladutkin, Saarstahl AG, Tyskland

Assoc. Prof. Valentina Colla, Scuola Superiore Sant'Anna, Italien

Prof. Dr. Stefan Sandfeld, Jülich Forschungszentrum, Tyskland

Substitute: Assoc. Prof. Stefan Schönecker, Materialvetenskap, KTH

Abstract

I den här studien utvecklades och undersöktes innovativa datadrivna processmodeller för en integreradanvändning inom stålindustrin. Målet var att underlätta för operatörer i stålverken att bestämmakalciumtillsatser i flytande stål, samt att ge indikationer om gjutbarheten hos stålsorter som är känsligaför ingensättning i de gjutrör (SEN) som leder stålet till kokillen. De utvecklade processmodellernaimplementerades i en verklig industriell miljö utan att förändra den befintliga IT-infrastrukturen istålverket i syfte att visa användningsområden för övervakad maskininlärning (ML) och djupinlärning(DL) av integrerad bevakning och förutsägelser. Anpassningen av dessa datadrivna modeller iproduktionen hjälpte ståltillverkarna att hantera det kritiska problemet med att minimera kostsammaproduktionsstopp orsakade av SEN-igensättning. Kalciumtillsättning under sekundär ståltillverkningär en väl vedertaget metod för att omvandla icke-metalliska inklusioner (NMIs) i fasta oxider tillglobulär-formade flytande oxider. Detta förfaringssätt hjälper till att undvika att SEN-röret täpps igen.Därför följer operatörerna i stålverket de standard operative procedurer (SOP) som föreskriveranvändningen av bestämd mängd av Ca-tillsatser för specifika stålsorter. Dessa SOP utgör en baslinjeför produktionen, men de tar inte hänsyn till ståltillverkningsprocessens dynamiska karaktär eller denvarierande kemin hos NMIs för varje ‘värme’ som produceras. För att ta itu med denna kunskapsbristutforskades i denna studie effekten av att variera Ca-tillsatser, utöver de standardiserade SOPriktlinjerna,på omvandlingen och beteendet hos NMIs i låglegerade stålsorter genom att utveckla dendatadrivna processmodellen ‘ClogCalc’. Syftet var att etablera en mer tillförlitlig och responsiv metodför kalciumbehandling, vilket potentiellt leder till mer effektiv kontroll för att förhindra SENigensättning.Resultaten efter implementeringen av ‘ClogCalc’-modellen har betydande konsekvenseri att reducera SEN-igensättning med upp till 30%.

Att känna igen gjutbarheten hos stål genom att övervaka tillståndet hos SEN är också väsentligt för enoavbruten gjutning. Med denna information före gjutning kan operatörer vidta förebyggande åtgärdermot möjliga igensättningshändelser, vilket minskar oplanerade driftstopp. Som svar på de allvarligakonsekvenserna av SEN-igensättning introducerades ett nytt tillvägagångssätt för att förutsegjutbarheten hos stål genom att utveckla modellen ‘Checkcast’. ANFIS (från engelska ‘AdaptiveNeuro-Fuzzy Inference System’) och nätverk med LSTM (‘Long Short-Term Memory’) användes sombasalgoritmer för denna modell. Utdata från denna processmodell hjälpte till att förutse händelsen avigensättning genom att analysera både det tidigare tillståndet hos SEN och förändringarna i stålkeminunder transporten av stålskänken från raffinering till gjutningsprocessen. Medan den primära fokusen idenna studie var att utveckla datadrivna processmodeller, gjordes även ansträngningar för att studerade grundläggande principerna som styr SEN-igensättning och förloppet av icke-metalliskakontaminationer (NMIs) i de olika stålsorterna. Laboratorieexperiment utfördes på flytande stålproverfrån stålverk. Det parametriska vätskefönstret härleddes genom systematiska termodynamiska analysermed hjälp av FactSage-programvaran. För att förstå agglomerations- och vätningsegenskaperna vidgränssnitten mellan NMI och stålsmältan, beräknades materialens gränsytegenskaper med hjälp av en ab-initio-metod.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-354824