Prédiction de la teneur finale en phosphore de l'acier dans le four à arc électrique (EAF) par l'application de réseaux de neurones artificiels

Azzaz, Riadh (2024). Prédiction de la teneur finale en phosphore de l'acier dans le four à arc électrique (EAF) par l'application de réseaux de neurones artificiels. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (8MB) | Prévisualisation

Résumé

Le four à arc électrique (EAF) basé sur la ferraille suscite un intérêt croissant dans la sidérurgie, car il réduit considérablement les émissions environnementales en recyclant l'acier, minimisant ainsi le besoin d'extraction de matières premières et les émissions de gaz à effet de serre associées aux procédés de sidérurgie traditionnels. Cependant, il présente des défis scientifiques et techniques, notamment dans la gestion des impuretés telles que le phosphore. Ce travail de recherche visait à développer un modèle prédictif robuste basé sur des techniques d'apprentissage automatique ou d'apprentissage profond pour estimer la teneur en phosphore de l'acier en fonction des paramètres du processus d'entrée à la fin du processus EAF. Plusieurs modèles ont été testés, et les réseaux de neurones artificiels (ANN) ont été sélectionnés pour leur haute précision dans la prédiction de la teneur en phosphore.

Tout d'abord, des données ont été collectées sur des paramètres clés tels que la composition chimique et le poids de la ferraille, la quantité de chaux ajoutée comme agent de flux, et le volume d'oxygène injecté. Les données ont été fournies par le partenaire industriel du projet, FinklSteel (Sorel Forge). Une fois collectées, les données ont été organisées et prétraitées pour être utilisées dans le développement du modèle. Plusieurs modèles d'apprentissage automatique ont été évalués, mais le modèle de réseau de neurones artificiels s'est avéré être le plus approprié pour le problème étudié. Ce modèle a été optimisé en ajustant divers hyperparamètres pour maximiser ses performances. La performance du modèle a été évaluée à l'aide de plusieurs métriques, y compris la MSE (0,00016), la RMSE (0,0049), et les coefficients de corrélation et de détermination R et R² (99% chacun).

L'un des défis des modèles de ANN est leur nature de "boîte noire", ce qui rend difficile l'interprétation de leurs prédictions. Pour surmonter cette limitation, des calculs thermodynamiques ont été appliqués pour mieux comprendre et interpréter les phénomènes physiques et chimiques de la déphosphoration. Ces calculs ont été effectués à l'aide du logiciel thermodynamique FactSage version 8.3, permettant de rendre plus compréhensible la relation entre les variables d'entrée et les résultats de déphosphoration. Les résultats démontrent que les ANN peuvent fournir des prédictions très précises, aidant à l'optimisation des opérations industrielles de déphosphoration. Cette étude contribue à l'avancement de l'élimination efficace du phosphore dans les EAF, améliorant la durabilité des processus de recyclage de l'acier.

Titre traduit

Prediction of the final phosphorus content in steel in the electric arc furnace (EAF) using artificial neural networks

Résumé traduit

The scrap-based electric arc furnace (EAF) is of increasing interest in steelmaking as it significantly reduces environmental emissions by recycling steel, thereby minimizing the need for raw material extraction and lowering greenhouse gas emissions associated with traditional steelmaking processes. However, it faces scientific and technical challenges, particularly in managing impurities such as phosphorus. This research work aimed to develop a robust predictive model based on machine learning or deep learning techniques to estimate the phosphorus content of steel as a function of input process parameters at the end of the EAF process. Several models were tested, and an artificial neural network (ANN) was selected for its high prediction accuracy of phosphorus content. First, data were collected on key parameters such as the chemical composition and weight of the scrap, the amount of lime added as fluxing agent, and the volume of oxygen injected. The data were provided by the industrial partner of the project FinklSteel (Sorel Forge). Once collected, the data were organized and preprocessed for use in model development. Several machine learning models were evaluated, but the artificial neural network model proved to be the most suitable for the problem studied. This model was optimized by adjusting various hyperparameters to maximize its performance. The model's performance was evaluated using several metrics, including MSE (0.00016), RMSE (0.0049), and correlation and determination coefficients R and R² (99% each). The results demonstrate that ANNs can provide highly accurate predictions, aiding in the optimization of industrial dephosphorization operations. However, one of the challenges of ANN models is their "black box" nature, making it difficult to interpret their predictions. To overcome this limitation, thermodynamic calculations were applied to better understand and interpret the physical and chemical phenomena of dephosphorization. These calculations were performed using the thermodynamic software FactSage version 8.3 and its optimized databases, allowing the relationship between input variables and dephosphorization outcomes to be more comprehensible. The comparison between the FactSage calculations and the correlations obtained in this study elucidated the net effect of each input parameter on the thermodynamics and kinetics of the dephosphorization process. This study contributes to the advancement of efficient phosphorus removal in EAF, enhancing the sustainability of steel recycling processes.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie mécanique". Comprend des références bibliographiques (pages 117-123).
Mots-clés libres:	production d'acier, four à arc électrique, déphosphoration, apprentissage automatique, réseaux de neurones artificiels, FactSage, calculs thermochimiques
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Moosavi, Elmira
Codirecteur:	Codirecteur Jahazi, Mohammad
Programme:	Maîtrise en ingénierie > Génie mécanique
Date de dépôt:	20 févr. 2025 15:23
Dernière modification:	20 févr. 2025 15:23
URI:	https://espace.etsmtl.ca/id/eprint/3538

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt