Till innehåll på sidan

Applied Machine Learning in Steel Process Engineering

Using Supervised Machine Learning Models to Predict the Electrical Energy Consumption of Electric Arc Furnaces

Tid: Fr 2021-03-26 kl 14.00

Plats: https://kth-se.zoom.us/webinar/register/WN_vQ1hIQTJS5CctDfgkTnlzg, Stockholm (English)

Ämnesområde: Teknisk materialvetenskap Metallurgisk processvetenskap

Respondent: Leo Carlsson , Processer

Opponent: Professor Henrik Saxen, Åbo Akademi, Institutionen för Värmeteknik

Handledare: Professor Pär Jönsson, Processer; Doktor Peter Samuelsson, ; Assistant Professor Mikael Vejdemo-Johansson, Department of Mathematics CUNY College of Staten Island

Abstract

Stålindustrin är i ständigt behov av att förbättra sina produktionsprocesser. Detta beror dels på ökad konkurrens och dels på miljöhänsyn. En vanligt förekommande metod för att förbättra dessa processer är genom modellering. Modeller representerar verkligheten och kan därmed användas för att undersöka effekten av nya processer och strategier utan kostsamma interventioner. Under de senaste åren har maskininlärning (ML) framhävts som en lovande modelleringsmetod för stålindustrin. Detta har delvis drivits på av Industri 4.0, som lyfter fram ML som en av sina nyckelteknologier. Dessa modeller är dock ofta svåra att tolka, vilket gör det opraktiskt att validera om modellen representerar verkligheten. Detta kan leda till brist på förtroende för ML-modeller som modelleringsverktyg inom stålindustrin. Målet med denna studie är att undersöka om ML modeller är praktiskt användbart inom stålprocessteknik. För att besvara denna forskningsfråga har förbrukningen av elektrisk energi (EE) för ljusbågsugnen valts som inriktning. Processen valdes på grund av dess omfattande användning inom stålindustrin och på grund av svårigheten att exakt modellera EE-förbrukningen med hjälp av metallurgi och termodynamik. I den aktuella litteraturen används vanligtvis linjära statistiska modeller även om EE-konsumtionen är icke-linjärt beroende av flera viktiga processvariabler. Dessutom undersöker inte studierna i litteraturen korrelationerna mellan invariablerna eller försöker hitta den mest optimala modellen med avseende på modellkomplexitet, prediktiv prestanda, stabilitet och generaliserbarhet. Dessutom saknas en konsekvent rapportering av prediktiva prestandamätvärden och tolkning av icke-transparenta modeller. Dessa brister motiverade utvecklingen av en metodik för att skapa ML modeller och en metodik för att utvärdera ML modeller. De båda metodikerna eliminerar dessa brister genom att beakta både de processmetallurgiska aspekterna samt de utmaningar som ML modelleringen medför. Genom användadet av de två metoderna kunde flera viktiga slutsatser dras från de modeller som skapades baserat på data från två olika ljusbågsugnar. I motsats till vad man tidigare trott är en hög modellkomplexitet, styrd av ett förhöjt antal invariabler och modellkoefficienter, inte nödjvändigt för att uppnå bäst prediktiv prestanda på testdata. Detta bekräftades både av det omfattande antalet skapade modeller och av jämförelsen mellan de utvalda modellerna och de modeller som rapporterats i litteraturen. För att förbättra modellernas prediktiva prestanda bör fokus istället läggas på datakvalitetsförbättringar. Kompetens från experter inom både processmetallurgi och den specifika processer som studeras måste användas när man utvecklar praktiskt användbara ML-modeller. Expertenas kompetens stödjer både valet av invariabler och tolkningen av effekterna invariablerna har på på EE-förbrukningen i förhållande till etablerade fysikaliska lagar och erfarenheter om den specifika ljusbågsugn som studerats. Dessutom resulterade en datarensning utförd av en expert på en av de två studerade ljusbågsugnarna i den bäst presterande modellen. Skrotsmältningsprocessen i ljusbågsugnen är komplicerad och därför utmanande att modellera med fysikalisk modellering. Med hjälp av ML-modellering visades det att en skrotkategorisering baserad på skrotets yta-till-volymsförhållande skapade ML-modeller med högst prediktiv prestanda. Detta stämmer väl med de fenomen som styr smältningen av skrot och som är proportionellt mot skrotets yta-till-volymsförhållande; temperaturgradienter, legeringsämnesgradienter, omrörningshastighet och frysningseffekten. Flera olika praktiska användningsfall har exemplifierats i denna avhandling eftersom modellutvärderingsmetoden påvisade de verkliga effekterna av varje invariabel på EE-förbrukningen. Det mest framträdande exemplet var effekten av olika skrotkategorier på EE-konsumtionen. Tre av dessa skrotkategorier tolkades korrekt av ML modellen enligt stålverkets processingenjörer. För att kunna dra specifika slutsatser krävs dock en mycket högre prediktiv prestanda hos modellerna. Detta kan bara förverkligas efter betydande förbättringar av datakvaliteten. I sin tur kan detta endast genomföras av utvecklarna på det stålverk som ligger till grund för det data som användes för att skapa modellerna. Slutligen är den utvecklade metoden inte begränsad till den inriktning som används i detta arbete. Metoden kan användas för att utveckla ML-modeller för andra processer inom stålindustrin. Detta är värdefullt för stålindustrins utveckling av Industri 4.0.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-290952