ترجمه: محمدحسین نشاطی

ماهنامه پردازش – صنعت فولادیکی از انرژی‌برترین بخش‌ها است، زیرا به منابع زیادی نیاز دارد و مقدار قابل‌توجهی محصولات جانبی که اثرات زیست‌محیطی ناچیزی ندارند تولید می‌کند. بنابراین، چالش اصلی کارخانه‌های فولادسازی، بهبود پایداری و کاهش ردپای کربن فرآیند تولید و در عین حال اطمینان از کیفیت مورد نیاز محصولات نهایی است. در این زمینه، استفاده مجدد و بازیافت محصولات جانبی می‌تواند نقش کلیدی در جلوگیری از دفن زباله و هدررفتن محصولات با ارزش، کاهش بهره‌برداری از مواد خام اصلی، کاهش انتشار CO_۲ و حمایت از اجرای مفهوم اقتصاد چرخه‌ای ایفا کند. به‌طور خاص، یکی از محصولات جانبی اصلی سرباره است که می‌تواند به‌عنوان منبع بالقوه با ارزش مواد خام ثانویه مصرف شود که به کاهش قابل توجه استفاده از منابع طبیعی و هزینه‌های مرتبط منتج می‌شود.

این مقاله در ارتباط با بخشی از کار توسعه‌یافته در پروژه‌ای با تامین بودجه اتحادیه اروپا با عنوان “بهینه‌سازیاستفاده مجدد و بازیافت سربارهدر فولادسازی الکتریکیدر عملکرد متالورژیکی بهینه از طریق دستگاه‌های شناسایی آنلاین و سیستم پشتیبانی تصمیم‌گیری هوشمند iSlag” است. تمرکز اصلی این پروژه، ارزش‌افزایی سرباره‌های تولیدشده در مسیر فولادسازی الکتریکی، با تعیین شیوه‌های مناسب، بررسی مسیرهای بازیافت جدید و ترویج راه‌حل‌های هم‌زیستی صنعتی است.

در این مقاله،انطباق و بهبود یکمدل شبیه‌سازی ® Aspen Plusقبلاً توسعه‌یافته برایبدست‌آوردن یک پیش‌بینیدقیق ازویژگی‌های سرباره ارائه شده ‌است. به‌طور خاص، مدل مقدار و ترکیب سرباره‌های تولیدشده در فرآیندهای فولادسازی اولیه و ثانویه را تخمین می‌زند و امکان شبیه‌سازی سناریوهای مختلف از جمله شرایط معمول و غیرمعمول را فراهم می‌کند، برای مثال، شرایط عملیاتی فرآیند، ترکیبات مواد خام، خانواده‌های فولادی که باید تولید شوند. علاوه بر ویژگی‌های سرباره، ترکیبات محصول و اثرات زیست‌محیطی و انرژی را می‌توان با این مدل پایش کرد.

در سال‌های اخیر،صنایع انرژی‌بر و مصرف‌کننده شدید منابع درحال نوسازی عمیقی هستند: بازدهی، پایداری، (بازیافت) چرخه‌ای و کاهش اثرات زیست‌محیطی همراه با بهره‌وری و کیفیت محصول به اولویت‌ها تبدیل شده‌اند. صنعت فولاد در این سناریو قرار دارد،زیرا یک بخش انرژی‌بر و مصرف‌کننده شدید منابع است که حجم قابل‌توجهی از محصولات جانبی تولید نموده و به‌میزان قابل‌توجهی در انتشار گازهای گلخانه‌ای سهم دارد. فرآیندهای تولید فولاد انواع مختلفی از محصولات جانبی را تولید می‌کنند که به‌ویژه سرباره‌ها حدود ۹۰ درصد وزنی کل محصولات جانبی آن را تشکیل می‌دهند. بهبود استفاده مجدد و بازیافت سرباره در داخل و خارج از چرخه فولادسازی، یک هدف مهم برای کاهش اثرات زیست‌محیطی و دستیابی به منافع اقتصادی است. علاوه بر این، هم‌راستا با مفهوم اقتصاد چرخه‌ای (CE) است که یک اولویت مطلق برای کل صنعت اروپا است.

     از انواع مختلف سرباره‌های فولادسازی (سرباره کوره بلند، سرباره کوره بازی اکسیژنی، سرباره کوره قوس الکتریکی و سرباره کوره پاتیلی) می‌توان در بخش‌های مختلفی بسته به ویژگی‌های آنها استفاده کرد. سرباره‌ها در بخش ساخت‌وساز به کار می‌روند، برای مثال، در تولید آجرهای نفوذپذیر سازگار با محیط‌زیست (Liu et al., 2020)، به‌عنوان سنگدانه در بتن (Dong et al., 2021)، یا در مخلوط گرم آسفالت جاده‌سازی (Kumar and Varma, 2021). سایر کاربردهای بالقوه سرباره در ارتباط با پالایش فاضلاب شهری، مانند حذف فسفر است (Roychand et al., 2020). یک نمای کلی خوب از چند کاربرد برای بازیافت سرباره و استفاده مجدد توسط “Fisher and Barron (2019)” ارائه شده است.

     به‌منظور ارزیابیامکان‌سنجی بازیافت سرباره به اقتصادی‌ترین نحوه و دوستدار محیط‌زیست، پایش مستمر و آگاهی از ترکیب شیمیایی و میزان تولید آن ضروری است. به‌طورکلی، کارخانه‌های فولادسازی عمدتاً بر پایش کیفیت فولاد در مرحله تولید مذاب تمرکز می‌کنند، درحالی‌که مشخصه‌های سرباره‌های مایع و جامد کمتر منظم است.

     روش متداول تعیین مشخصه سرباره براساس آنالیزهای نقطه‌ای و ناپیوسته است کهبرای فراهم آوردن امکان بهینه‌سازی مدیریتسرباره برای افزایش بازیافت و استفاده مجدد از آن مناسب نیستند. از طرف دیگر، سیستم‌های اندازه‌گیری آنلاین موجود در کورهقوس الکتریکی (EAF) عمدتاً غیرمستقیم بوده و نمی‌توانند اطلاعات مستقیم و دقیقی در مورد ترکیب سرباره ارائه دهند. Pauna  و همکاران (۲۰۱۹) طیف‌سنجی انتشار نوری (OES) را با ارزیابی تشخیصی پلاسمایی آنلاین ترکیب سرباره را ارائه می‌کنند. یک تکنولوژیدر دست توسعه از اندازه‌گیری‌های هدایت الکتریکی/امپدانس برای ارزیابی آنلاین سریع خواص شیمیایی سرباره مذاب استفاده می‌کند. علاوه بر این، سرباره را می‌توان از طریق تکنیک‌های مبتنی بر دوربین همراه با نرم‌افزار پردازش تصویری ویژه پایش کرد. در این موضوع،Patra  و همکاران (۲۰۱۹) روش مبتنی بر دوربین‌های مادون قرمز را برای شناسایی حضور سرباره در جریان تخلیه ارائه می‌کنند. در نهایت، طیف‌سنجی تجزیه با کمک لیزر (LIBS) نیز برای آنالیز سرباره مورد توجه قرار گرفته است (Wang et al., 2016). چنانکه توسطHarada  و همکاران (۲۰۱۳) گزارش گردیده، برای پیش‌بینی مقدار و ترکیب سرباره، مدل‌های موازنه دینامیکی سرباره توسعه داده شده است، اما چالش برانگیزترین کار، دستیابی به داده‌های قابل‌اعتماد برای استفاده در مدل‌ها است. تکنیک‌های دیگری که در زمینه فولادسازی EAF مورد توجه قرار گرفته‌اند، مدل‌های مبتنی بر داده، رویکردهای پایش و کنترل مبتنی بر روش‌های هوش مصنوعی هستند که توسطHay  و همکاران (۲۰۱۹) گزارش گردیده که اجرای چند مدل را برای تخمین ترکیبات حمام مذاب و سرباره توصیف می‌کند.

     مدل ارائه‌شده در این مقاله بر تولید فولاد از مسیر کوره قوس الکتریکی (EAF) متمرکز است وبا شروع از یک مدلفلوشیت مبتنی بر®Aspen Plus قبلی با هدف تخمین انرژی و اثرات زیست‌محیطی فولادسازی با EAF توسعه یافته است. از داده‌های ارائه‌شده توسط یک کارخانه اروپایی تولید فولاد برای توسعه، تنظیم و اعتبارسنجی مدل استفاده شد.تازگی و قابلیت آن در امکان بدست آوردن یکپیش‌بینی دقیق ازمقدار و ترکیبسرباره‌های EAF و کوره پاتیلی (LF) با بهره‌برداری از داده‌های ورودی است که کاملا معلوم و معمولاً در این فرآیند در دسترس هستند.این مدل عملکردهای مدلقبلی را با فعال کردن شبیه‌سازی‌هایمتمرکز براثرات بر روی سرباره‌های شرایط فرآیندی مختلف و حتی غیرمعمول برای پشتیبانی از آنالیز و طبقه‌بندی مسیرهای بازیافت بالقوهبهبود می‌بخشد.

     تحقیق فعلی در پروژه “iSlag” با بودجه اتحادیه اروپا توسعه یافته است، که هدف آن بکارگیری مشترک سیستم‌های جدیدتعیین سریع مشخصه سرباره و ابزارهای مدل‌سازی پیشرفته برای استفاده مجدد و بازیافت بهینه سرباره برای کاهش اثرات زیست‌محیطیفولادسازی با EAF و هزینه‌های دفع سرباره و به حداکثر رساندن درآمد حاصل از استفاده از سرباره است. به‌طور خاص، در این پروژه، یک سیستم پشتیبانی تصمیم هوشمند (DSS) توسعه خواهد یافت که از شیوه‌های عملیاتی و مدیریتی برای بهحداکثر رساندناستفاده مجدد از سرباره و تقویت اجرای مفهوم CE در کار روزانه کارخانه‌های فولادسازی الکتریکیپشتیبانی می‌کند.

 مدل فلوشیت مسیر فولادسازی با EAF

مدل فلوشیت درنظر گرفته‌شده با استفاده از نرم‌افزار Aspen Plus^® V11 توسعه یافته است و از بهبود عمیق و انطباق یک مدل شبیه‌سازی قبلیکه در طول پروژه RFCS با عنوان”ارزیابی اثرات زیست‌محیطی و مدیریت موثر منابع در فولادسازی با EAF- EIRES” (Matino et al., 2016) توسعه یافته است، نشات می‌گیرد. اولین نسخه از مدل بخشی از یک ابزار ارزیابی یکپارچهشامل پالایش آب و گازهای خروجی بود که کل فرآیند فولادسازی EAF را در نوعی دوقلوی دیجیتال بازتولید می‌کند. هدف ابزار کلی EIRES ارزیابی تأثیر زیست‌محیطی فرآیند EAF برای مطالعه احتمالات برای افزایش پایداری آن بود (Matino et al., 2016).این مدل امکان آنالیز رفتار فرآیندرا در سناریوهای رایج و غیرمعمولو ارزیابی اولیه اثر و امکان تغییرات احتمالی در چرخه تولید یا شیوه‌های استاندارد را فراهم می‌کند (Matino et al., 2018).هدف اصلی مدل به روز شده پیش‌بینی دقیقمقدار و ترکیب سرباره‌های EAF و LF بر اساسشرایط عملیاتی و فولاد تولید شده است.علاوه بر این،این مدل با درنظرگرفتن طیف گسترده‌تریاز پدیده‌ها با توجه به نسخه اول آن،امکان پایش بر مقدارو ترکیبات فلز مذاب را فراهممی‌کند واثرات انرژی(یعنی انرژی الکتریکی مورد استفاده در EAF و LF) را تخمین می‌زند. سه مرحله برای توسعه مدل دنبال شده است:

• تجزیه‌و‌تحلیل فرآیند تولید صنعتی واقعی مورد نظر و کسب دانش.
• جمع‌آوری داده‌ها، تجزیه‌و‌تحلیل،خوشه‌بندی، و کسب اطلاعات ناپیدا و یا مفید از مطالب منتشرشده.
• انطباق، تنظیم و پالایش مدل با توجه به مشخصات و الزامات کارخانه.

     این مدل برای بازتولید تمام مراحل مختلف و پدیده‌های دخیل در فرآیند تولید مورد نظر انطباق داده شده است. بخش‌های اصلی مدل عبارتند از:

• شارژ و ذوب EAF؛
• در EAF، سرباره‌سازی و تخلیه؛
• افزودنی‌ها قبل از متالورژی ثانویه و انتقال پاتیل؛
• عملیات LF؛
• پالایش گاززدایی در خلاء (VD) و مراحل پایانی متالورژی ثانویه؛
• دریافت فولاد در تاندیش و شروع ریخته‌گری پیوسته.

     انطباق مدل با افزایشمواد شیمیایی،برهم‌کنش‌ها وواکنش‌های لحاظ‌شده آغاز شد. سپس،جریان‌های ورودی (یعنی قراضه، فروآلیاژها و افزودنی‌های دیگر) از نظر انواع و ترکیبات با درنظر گرفتن داده‌های صنعتی به‌روزرسانی شدند.بنابراین، فلوشیت مدلبخش به بخش ارتقا یافت. هر بخش مجموع اثرات را از لحاظ جریان‌ها و موازنه‌های جرم و انرژی و تعادل‌ها و دگرگونی‌های شیمیایی و فیزیکی در‌نظر می‌گیرد. علاوه بر این، هر “واحد فرآیند” (برای مثال، EAF، LF، VD) با ترکیبی از واحدهای فرعی مختلف برای بازتولید پدیده‌های مختلف دخیل (مانند ذوب کردن، اکسیداسیون، تخلیه، پالایش، گاززدایی و…) ارائه می‌شود.ورودی‌های هر واحد، پارامترهای فرآیندی شناخته‌شده‌ای هستند، از جمله جریان‌های شارژ و شرایط فرآیند همانند جرم، حجم شارژها، تزریق‌ها، فروآلیاژها یا افزودنی‌های دیگر، دما و فشار. همه آنها قبل از شروع تولید یک ذوب (یا شبیه‌سازی) در دسترس هستند. همان‌طورکه در بالا گزارش شد، اولین قسمت فلوشیت مربوط به “شارژ و ذوب EAF” است که در آن شارژ سبد باقراضه جامدو خوراک جامد دیگر (مانند آهک دولومیتی) با مخلوط کردن در یک مرحله، مجموعه‌ای از جریان‌های ورودی ساده می‌شود (معمولا سبدهای بیشتری به‌ترتیب شارژ می‌شوند). شارژ با استفاده از منابع مختلف انرژی، مانند انرژی الکتریکی، احتراق گاز طبیعی، انرژی شیمیایی ناشی از افزودن بالقوه کک و واکنش‌های گرمازا (مانند اکسیداسیون) ذوب می‌شود. دمای مورد انتظار هنگام تخلیه (تنظیم‌شده توسط بهره‌بردار) با محاسبه انرژی الکتریکی مورد نیاز تامین می‌شود که حاصل موازنه انرژی با درنظر گرفتنتمام جریان‌های انرژی ذکرشده و هم‌چنین تلفات انرژی است.

     پس از ذوب کردن،”افزودن مواد به EAF، سرباره‌سازی و تخلیه” شبیه‌سازی می‌شود.شکل (۱) بخش مربوط به مدل فلوشیت را نشان می‌دهد که یکی از بخش‌های اصلی مدل است که به‌روزرسانی آن برای بهبود دقت شبیه‌سازی سرباره EAF اساسی بود. کربن (به‌طور کلی مورد استفاده برای تشکیل سرباره پفکی)، مواد سرباره‌ساز و عوامل اکسیژن‌زدا تامین می‌شوند. تعداد قابل‌توجهی از واکنش‌ها (بیشتر از نسخه اول مدل) در این بخش برای شبیه‌سازی تشکیل سرباره، از جمله پفکی‌سازی با واکنش کربن‌زدایی،اکسیژن‌زدایی و متعاقب آن گوگردزدایی حمام گنجانده شده است. ماهیت گرمازا و گرماگیر واکنش‌ها برای کمک به توازن انرژی درنظر گرفته می‌شود. سپس، جداسازی سرباره و دود از حمام مذاب شامل تلفات انرژی مربوطه شبیه‌سازی می‌شود؛ این مرحله باجداسازی فلز مذاب از سرباره EAF و با تخمینورود نهایی سرباره به پایان می‌رسد.

     قبل از متالورژی ثانویه،افزودنی‌های واردشده درطی تخلیه،تلفات حرارتی مربوطه (برای مثال برای ذوب کردن آن‌ها) و خنک‌سازی حمام ذوب برای انتقال پاتیل درنظر گرفته می‌شوند.

     هدف متالورژی ثانویه دستیابی به ترکیب و دمای مطلوب فولاد است. فرآیندهای اکسیژن‌زدایی، گوگردزدایی و پالایش فولاد و سرباره همراه با افزودن گازهای بی‌اثر مورد استفاده عموماً برای اهداف همزنی یا برای بهبود گاززدایی حمام فولاد، شبیه‌سازی می‌شوند. برای اهداف مدل‌سازی و با درنظر گرفتن داده‌های موجود، فرآیندهای LF در یک مرحله در مدل گنجانده شده‌اند (شکل۲)، گرچه به‌طور کلی LF توسط VD و مراحل LF نهایی دنبال می‌شود.کنترل محتوای نیتروژن و کاهش هیدروژنو گوگرد درفولاد درVD از طریق یک “واحد آنی” و یک “بلوک محاسبه‌کننده” ویژه شامل یک تابع در مطالب منتشره شبیه‌سازی می‌شود که حذف N_۲ و H_۲ را با Ar تزریق‌شده مرتبط می‌کند (Mapelli and Nicodemi, 2011). در نهایت سرباره از فولاد مذاب جدا می‌شود. در غیر این صورت از فرآیند واقعی که در آن سرباره LF بر روی فولادی شناور می‌ماند که از کف پاتیل تخلیه می‌شود، در مدل، جداسازی سرباره LF در مراحل مختلفی انجام می‌شود و سپس سهم همه آنها در سرباره لحاظ (ترکیب) می‌شود. پس از جدا شدن از سرباره LF، فولاد برای ریخته‌گری پیوسته به درون تاندیش جریان می‌یابد. این مدل تلفات انرژی قبل از انجماد فولاد را محاسبه می‌کند.

نتایج مربوط به اعتبارسنجی و آزمون‌های مدل

تنظیم مدل برای بدست آوردندقت مناسب با استفاده از چند پارامتر داخلی، عوامل تنظیمی، جریان‌های تنظیمی و بلوک‌های واحد ویژه انجام شد. نمونه‌ای از جریان تنظیمی، تخمین مقدار ورودی هوای مزاحم برای شبیه‌سازی عدم‌درزبندی محکم EAF و LF و ورود هوا در طی شارژ کردن یا در طی انتقال پاتیل است. این جنبه برای اطمینان از یکنواختی نتایج مدل (برای مثال مقدار و ترکیب فولاد تخلیه‌شده و سرباره تشکیل‌شده) با داده‌های فراهم‌شده بسیار مهم است. برای اطمینان از استحکام مدل،تنظیم و اعتبارسنجی برای۸ خانواده فولاد انجام شد که تمام گریدهای فولادی تولیدشده توسط کارخانه‌های فولادی درنظر گرفته شده را گروه‌بندی می‌کنند. در ابتدا، “ذوب متوسط” خانواده مورد نظر شبیه‌سازی شد و نتایج شبیه‌سازی با داده‌های میانگین واقعی مقایسه گردید.مدل زمانی معتبر تلقی می‌شود که تفاوت بین داده‌های شبیه‌سازی‌شده و واقعی برای کاربرد مدل مورد انتظار قابل قبول باشد، به این معنی که فرآیندها و موازنه‌های واقعی به‌خوبی بازتولید می‌شوند. پس از آن، هر مدل خانواده معتبر تلقی‌شده با شبیه‌سازی چند ذوب منفرد تولید تصادفی از همان خانواده فولاد مورد آزمایش قرار گرفت و انحرافات مربوط به داده‌های واقعی ارزیابی شد. با توجه به استفاده نهایی مدل برای بهبود دانش ودر نتیجه مدیریت سرباره،در هر دو مرحله اعتبارسنجی و آزمایشتوجه ویژه‌ای به دقتمدل در شبیه‌سازیمقدار و ترکیب سرباره شده است.

     نتایج اعتبارسنجی و آزمایشمربوط به یکی از خانواده‌های شبیه‌سازی‌شده در شکل (۳) گزارش شده است. به‌ویژه، این شکل ترکیب و مقدار واقعی و شبیه‌سازی‌شده سرباره‌های EAF و LF تولیدشده را برای اعتبارسنجی مدل و شبیه‌سازی یک ذوب آزمایشی مقایسه می‌کند.این مدل از نظر محاسبه مقدار و ترکیب سرباره‌های تولیدشده نتایج خوبی ارائه می‌دهد. در مورد مقدار سرباره LF، چنانکه در هیستوگرام‌های گزارش‌شده در شکل‌های (۳a و ۳b) آمده است، از داده‌های صنعتی تنها یک محدوده از مقدار سرباره LF تولیدشده مشخص گردیده است. بنابراین، مقایسه این مقادیر نمی‌تواند خیلی دقیق باشد؛ اما، مقادیر شبیه‌سازی‌شده به همان محدوده‌های واقعی تعلق دارند.

     در طی اعتبارسنجی و آزمایش‌ها،تفاوت اصلی بین مقادیر واقعی و شبیه‌سازی‌شده با غلظت ترکیبات جزئی در سرباره‌ها (“سایر موارد” در شکل‌ها) نشان داده می‌شود. این ترکیبات در آنالیزهای صنعتی به درستی مشخص نشده‌اند، درحالی‌که در شبیه‌سازی خانواده گزارش‌شده عمدتاً با اکسیدهای نیکل و مولیبدن مطابقت دارند. نتایج مشابهی برای سایر خانواده‌های فولادی بدست آمد.

     تفاوت بین مقادیر واقعی و نتایج شبیه‌سازی می‌تواند به ترکیب متغیر قراضه و مشکلات مرتبط با خصوصیات آنها مربوط باشد. برای بهبود دقت شبیه‌سازی، می‌توان به‌طور مکرر ترکیب قراضه را به‌‌روزرسانی کرد. علاوه بر این، دانشاطلاعات ناپیدا، مانند محتویات ترکیبات جزئی در سرباره یا مقدار دقیق سرباره‌های LF تولیدشده، می‌تواند دقت مدل را بیشتر بهبود بخشد، زیرا با کاهش تعداد مفروضات، امکان بررسی کامل موازنه جرم را فراهم می‌کند.

نتیجه‌گیری

یک مدل مبتنی بر فلوشیت که مقدار و ترکیب شیمیایی سرباره‌های تولیدشده در طی فولادسازی بر پایه EAF را تخمین می‌زند، توصیف می‌شودکه به‌عنوان ورودی‌های فرآیند و متغیرهای محصول و پارامترهایی که معمولاً در عملکرد استاندارد قابل‌دسترس هستند، استفاده می‌کند. رفتار مدل کاملاً قوی است و نتایج شبیه‌سازی به‌خوبی با داده‌های واقعی تولید مطابقت دارد. دقت بخش‌های مختلف مدلعمیقاً با کمیت و کیفیت داده‌هایی که برای سفارشی‌سازی، پیکربندی و اعتبارسنجی آن استفاده می‌شوند، مرتبط است. مدل توسعه‌یافته برای تحقیقاتی که بهبود ارزش‌افزایی سرباره را هدف قرار می‌دهند بسیار مفید است. در آینده،این مدل برایتحقیقات آفلاین استفاده خواهد شد ومبنایی برایتوسعه مدل‌های جعبه سیاهمبتنی برهوش مصنوعی خواهد بود تادر یک DSS ادغام شوندکه از مدیریت بهینه وبهبود بازیافتو استفاده مجدد سربارهپشتیبانی ‌کند.