Optimization of the tempering heat treatment cycle of large size forgings

Mirzaei, Sajad (2025). Optimization of the tempering heat treatment cycle of large size forgings. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (7MB) | Prévisualisation

Résumé

The heat treatment of large steel forgings plays a crucial role in achieving the desired mechanical properties essential for various industrial applications, including aerospace, automotive, and heavy machinery. The tempering process, a key stage in heat treatment, significantly influences material performance by modifying microstructures to enhance toughness, hardness, and wear resistance. However, maintaining uniform temperature distribution within large-scale industrial electric furnaces remains a critical challenge due to complex thermal interactions, large temperature gradients, and energy inefficiencies. Traditional empirical approaches for optimizing the heat treatment process are often inadequate, as they fail to account for the intricate interplay between furnace design, loading configurations, and process parameters. In recent years, computational fluid dynamics (CFD) and machine learning (ML) have emerged as powerful tools for analyzing and optimizing industrial heat treatment processes. Despite their potential, existing research primarily focuses on small-scale systems or gas-fired furnaces, leaving industrial-scale electric furnaces underexplored. Addressing these gaps, this study integrates experimental measurements, CFD simulations, multi-objective optimization, and ML-based predictive modeling to enhance temperature uniformity, reduce processing times, and improve energy efficiency in industrial electric heat treatment furnaces. By systematically evaluating stacking patterns, heating element layouts, and predictive loading strategies, this research provides a comprehensive framework for improving process control and achieving consistent mechanical properties in large steel components.

A transient three-dimensional CFD model was developed to simulate the thermal and flow characteristics within a 112 m³ car-bottom industrial electric furnace. The furnace, located at Finkl Steel (Sorel, Quebec), was equipped with multiple electrical heating elements and axial fans to ensure forced convection, and its thermal behavior was analyzed under various loading configurations. The CAD geometry of the furnace and forging blocks in different scenarios were designed using CATIA V5 to ensure high-fidelity representation of industrial conditions. To validate the model, experimental temperature measurements were obtained from industrial forging blocks using embedded thermocouples strategically placed at critical surface positions. These measurements captured real-time thermal gradients, allowing direct comparison with simulation results. ANSYS® (versions 2022 and 2023) was employed for CFD simulations and meshing, while JMatPro® was employed to determine the temperature-dependent mechanical properties of the forging material, ensuring accurate thermophysical inputs for CFD simulations. The CFD analysis revealed significant temperature non-uniformities of up to 300 K in conventional stacking patterns, particularly in multi-block arrangements where airflow obstructions and inadequate radiative exchange contributed to localized overheating and underheating. The integration of CFD simulations with real-time industrial data provided the foundation for optimizing furnace loading strategies and heating element placements. For visualization and post-processing of simulation results, Tecplot 360 EX was utilized to interpret temperature fields and flow characteristics effectively.

Multi-objective optimization techniques were employed to refine the furnace operating parameters, focusing on minimizing temperature differentials while maintaining processing efficiency. A genetic algorithm (GA) and Pareto-based optimization framework were implemented to explore the impact of heating element layout on overall temperature uniformity. MATLAB 2021 was used to implement the optimization routines, enabling efficient execution of genetic algorithms and Pareto searches. The surrogate modeling approach, using polynomial regression, enabled rapid evaluation of various design configurations without requiring full CFD simulations for each iteration. Results demonstrated that optimized heating element layouts could reduce surface temperature variations by 8%, while improved stacking configurations reduced core-to-surface temperature differentials by 35%. These findings emphasize the importance of systematic furnace design improvements in achieving uniform heating across large-scale steel forgings.

To further enhance operational efficiency, a machine learning predictive model was developed using an extensive dataset of over 1,100 industrial tempering logs. Python 3.1 was employed to develop and train a predictive model, utilizing robust preprocessing techniques, including feature engineering, transformation methods, and hyperparameter tuning. The XGBoost regressor was trained to predict optimal loading cycles based on key operational variables, including forging dimensions, material composition, and furnace thermal history. By analyzing historical process data, the model provided real-time recommendations for loading configurations, significantly reducing reliance on empirical heuristics and manual scheduling. The ML model achieved an R² of 0.78–0.89, demonstrating its effectiveness in accurately predicting optimal loading parameters while reducing energy consumption and processing time. The integration of ML-based predictive analytics into furnace operations enhances adaptability, allowing operators to optimize throughput without requiring extensive trial-anderror adjustments.

The findings of this research underscore the potential of combining experimental validation, high-fidelity CFD modeling, multi-objective optimization, and data-driven machine learning to improve the efficiency of industrial electric heat treatment furnaces. The validated CFD framework serves as a powerful tool for scenario analysis, enabling precise evaluations of different furnace configurations and loading strategies. Meanwhile, the ML model enhances real-time decision-making by providing rapid, data-driven insights into optimal furnace operations. The integration of these methodologies establishes a holistic approach to improving heat treatment processes, offering a scalable and computationally efficient solution for industrial applications.

Future research directions include extending machine learning frameworks to predict final mechanical properties based on thermal history, further refining CFD turbulence and radiation models to improve simulation accuracy, and exploring real-time adaptive optimization techniques for dynamically adjusting furnace operating conditions. By leveraging the synergy between physics-based modeling and data-driven analytics, this research contributes to the advancement of predictive and prescriptive control strategies in metallurgical heat treatment, facilitating energy-efficient, high-quality production in industrial settings.

Titre traduit

Optimisation du cycle de traitement thermique de revenue des pièces forgées de grande taille

Résumé traduit

Le traitement thermique des grandes pièces forgées en acier joue un rôle essentiel dans l'obtention des propriétés mécaniques requises pour diverses applications industrielles, notamment dans les secteurs de l’aérospatiale, de l’automobile et des machines lourdes. Le revenu, une étape clé du traitement thermique, influence considérablement les performances des matériaux en modifiant leur microstructure afin d'améliorer leur résilience, leur dureté et leur résistance à l'usure. Cependant, garantir une répartition uniforme de la température au sein des fours industriels électriques de grande taille constitue un défi majeur en raison des interactions thermiques complexes, des gradients de température importants et des inefficacités énergétiques. Les approches empiriques traditionnelles visant à optimiser le processus de traitement thermique s'avèrent souvent insuffisantes, car elles ne prennent pas en compte l’interaction complexe entre la conception du four, les configurations de chargement et les paramètres de traitement. Ces dernières années, la dynamique des fluides numérique (CFD) et l’apprentissage automatique (ML) se sont imposés comme des outils puissants pour l’analyse et l’optimisation des processus industriels de traitement thermique. Malgré leur potentiel, la recherche existante s'est principalement concentrée sur des systèmes de petite échelle ou des fours à gaz, laissant les fours électriques industriels sous-explorés. Afin de combler ces lacunes, cette étude intègre des mesures expérimentales, des simulations CFD, une optimisation multi-objectifs et une modélisation prédictive basée sur l’apprentissage automatique afin d'améliorer l’uniformité des températures, de réduire les temps de traitement et d’optimiser l’efficacité énergétique des fours industriels électriques de traitement thermique. En évaluant de manière systématique les configurations d'empilement, l'agencement des éléments chauffants et les stratégies de chargement prédictives, cette recherche propose un cadre méthodologique complet pour améliorer le contrôle du processus et garantir des propriétés mécaniques homogènes dans les composants en acier de grande taille.

Un modèle CFD tridimensionnel transitoire a été développé pour simuler les caractéristiques thermiques et aérodynamiques d'un four industriel électrique à sole mobile de 112 m³. Ce four, situé chez Finkl Steel (Sorel, Québec), est équipé de plusieurs éléments chauffants électriques et de ventilateurs axiaux pour assurer une convection forcée, et son comportement thermique a été analysé sous différentes configurations de chargement. La géométrie CAO du four et des pièces forgées dans divers scénarios a été conçue à l'aide de CATIA V5 afin de garantir une représentation fidèle des conditions industrielles. Pour valider le modèle, des mesures de température ont été effectuées sur des blocs de forge industriels à l'aide de thermocouples embarqués stratégiquement placés sur des positions critiques de surface. Ces mesures ont permis de capturer les gradients thermiques en temps réel et de les comparer directement aux résultats de simulation. ANSYS® (versions 2022 et 2023) a été utilisé pour les simulations CFD et le maillage, tandis que JMatPro ® a permis de déterminer les propriétés mécaniques dépendantes de la température du matériau forgé, garantissant ainsi des entrées thermophysiques précises pour les simulations numériques. L’analyse CFD a révélé des nonuniformités de température significatives, atteignant 300 K dans les configurations d’empilement conventionnelles, notamment dans les arrangements multi-blocs où des obstructions du flux d'air et un échange radiatif insuffisant ont entraîné des zones de surchauffe et de sous-chauffe localisées. L’intégration des simulations CFD aux données industrielles en temps réel a servi de base à l’optimisation des stratégies de chargement du four et de la disposition des éléments chauffants. Pour la visualisation et le post-traitement des résultats de simulation, Tecplot 360 EX a été employé pour analyser efficacement les champs de température et les caractéristiques de l’écoulement.

Des techniques d’optimisation multi-objectifs ont été mises en oeuvre afin d'affiner les paramètres de fonctionnement du four, en se concentrant sur la réduction des écarts de température tout en maintenant l'efficacité du processus. Un algorithme génétique (GA) et une approche d'optimisation basée sur la méthode Pareto ont été appliqués afin d'examiner l'impact de l’agencement des éléments chauffants sur l’uniformité thermique globale. MATLAB 2021 a été utilisé pour implémenter les routines d’optimisation, permettant une exécution efficace des algorithmes génétiques et des recherches de Pareto. L’approche de modélisation par substitution, utilisant une régression polynomiale, a permis une évaluation rapide de différentes configurations de conception sans nécessiter une exécution complète des simulations CFD à chaque itération. Les résultats ont démontré que des dispositions optimisées des éléments chauffants pouvaient réduire les variations de température de surface de 8 %, tandis que des configurations de chargement améliorées permettaient de diminuer les écarts de température coeur-surface de 35 %. Ces résultats soulignent l'importance des améliorations systématiques de la conception des fours pour garantir un chauffage homogène des pièces forgées en acier de grande dimension.

Afin d’améliorer davantage l’efficacité opérationnelle, un modèle prédictif basé sur l’apprentissage automatique a été développé en exploitant un ensemble de données industrielles de plus de 1 100 cycles de revenu. Python 3.1 a été utilisé pour développer et entraîner ce modèle, en appliquant des techniques avancées de prétraitement des données, y compris l'ingénierie des caractéristiques, les transformations et l’ajustement des hyperparamètres. L’outil d’analyse de régression XGBoost a été utilisé afin de prédire les cycles de chargement optimaux en fonction de variables opérationnelles clés, notamment les dimensions des pièces forgées, leur composition matérielle et l'historique thermique du four. En analysant les données de processus historiques, le modèle a fourni des recommandations en temps réel pour les configurations de chargement, réduisant ainsi significativement la dépendance aux heuristiques empiriques et à la planification manuelle. Le modèle d’apprentissage automatique a atteint un coefficient de détermination R² compris entre 0,78 et 0,89, démontrant son efficacité dans la prédiction précise des paramètres optimaux de chargement, tout en réduisant la consommation d’énergie et le temps de traitement. L’intégration de l’analyse prédictive basée sur l’IA dans les opérations du four renforce l’adaptabilité, permettant aux opérateurs d’optimiser le débit de production sans nécessiter d’ajustements par essais et erreurs.

Les résultats de cette recherche soulignent le potentiel de la combinaison des validations expérimentales, de la modélisation CFD haute-fidélité, de l'optimisation multi-objectifs et de l'apprentissage automatique pour améliorer l’efficacité des fours industriels électriques de traitement thermique. Le cadre CFD validé constitue un outil puissant d’analyse de scénarios, permettant une évaluation précise de différentes configurations de four et stratégies de chargement. Parallèlement, le modèle d’apprentissage automatique améliore la prise de décision en temps réel en fournissant des informations rapides et basées sur les données pour optimiser les opérations du four. L'intégration de ces méthodologies établit une approche globale et évolutive visant à optimiser les processus de traitement thermique, en offrant une solution efficace et adaptée aux applications industrielles.

Les perspectives de recherche futures incluent l’extension des modèles d’apprentissage automatique pour prédire les propriétés mécaniques finales en fonction de l’historique thermique, le perfectionnement des modèles de turbulence et de radiation en CFD afin d'améliorer la précision des simulations, ainsi que l'exploration de techniques d'optimisation adaptative en temps réel pour ajuster dynamiquement les conditions de fonctionnement du four. En exploitant la synergie entre la modélisation physique et l’analyse de données, cette recherche contribue à l’avancement des stratégies de contrôle prédictif et prescriptif dans le domaine du traitement thermique métallurgique, favorisant une production industrielle à la fois écoénergétique et de haute qualité.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillement for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 185-197).
Mots-clés libres:	traitement thermique, grandes pièces forgées en acier, fours électriques, éléments chauffants, chargement du four, simulation cfd, apprentissage automatique, optimisation multi-objectifs, algorithme génétique, modélisation par substitution, uniformité thermique
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Jahazi, Mohammad
Codirecteur:	Codirecteur Bazdidi-Tehrani, Farzad
Programme:	Doctorat en génie > Génie
Date de dépôt:	24 sept. 2025 17:18
Dernière modification:	24 sept. 2025 17:18
URI:	https://espace.etsmtl.ca/id/eprint/3722

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt