


گروه رسانهای پردازش – بهینهسازی کیفی ورودی قراضه در کورههای قوسالکتریکی (EAF) با اتکا بر مدلهای ترکیبی بر پایه هوش مصنوعی، تحولی در فرآیندهای متالورژیکی ایجاد کرده است. این رویکرد با ادغام مدلهای مبتنیبر داده و مدلهای اصول اولیه، امکان شبیهسازی دقیقتر ترکیب شیمیایی قراضه، بهرهدهی فلزی و نیاز انرژی را فراهم میکند و محدودیتهای مدلهای سنتی را پشت سر میگذارد.
روششناسی و توسعه مدل
قبل از تشریح منفرد مدلها و توسعه آنها، اصول مدلسازی ترکیبی (هیبریدی) به اختصار توضیح داده میشود.
طبق گفته Kurz و همکاران، مدلهای ترکیبی اول مدلهای مبتنیبر اصول رابا مدلهای مبتنیبر داده در یک معماری مشترک ترکیب و از کیفیتهای مدل ارتقا یافته مانند استواری و توضیحپذیری پشتیبانی میکنند. مدلسازی مبتنیبر داده با استفاده از روشهای آماری و یادگیری ماشین، روندها در دادهها را تحلیل و مدلسازی میکند. شبکههای عصبی، درختهای تصمیمگیری، مدلهای رگرسیون و سایر الگوریتمهای مبتنیبر داده چند نمونه اندک هستند. بدون دانش صریح ازفرآیندهای فیزیکی اساسی، مدلهای مبتنی بر داده با یادگیری از الگوها و روابط موجود در دادههای موجود، پیشبینیها یا قضاوتهایی را ایجاد میکنند.
“مدلهای اصول اولیه” مبتنیبر اصول و قوانین بنیادی هستند که فیزیک یا دینامیک اساسی یک سیستم را توصیف میکنند. آنها مبتنیبر دانش نظری هستند و اغلب شامل معادلات ریاضی میشوند که نشان میدهند متغیرهای مختلف چگونه با یکدیگر ارتباط دارند. قوانین فیزیک، شیمی یا مهندسی نمونههایی ازمفاهیم علمی هستند که پایه و اساس مدلهای اصول اولیه را تشکیل میدهند. مدل ترکیبی نقاط قوت هر دو رویکرد را جمع میکند. مدل ترکیبی بهدنبال بهبود دقت و تابآوری با ترکیب مدلهای مبتنیبر داده استکه میتواند الگوهای پیچیده و نکات دقیق و ظریفیرا که در دادههای دنیای واقعی مشاهده میشود، با مدلهای اصول اولیه که چارچوب نظری محکمی ارائه میدهد و به تلفیق دانش حوزه کمک میکند، مجسم کند. این تلفیق بهویژه هنگام کار با سیستمهای پیچیده که در آنها رویکرد صرفاً مبتنیبر داده یا اصول اولیه ممکن است دارای محدودیتهایی باشد، مفید است.

برای بهینهسازی جامع ورودی قراضه به فرآیند EAF، سه مدل مورد نیاز است:
بهینهسازی توسط مدل بهینهسازی مواد خام با استفاده از یک الگوریتم بهینهسازی کلنگر انجام میشود که تمام واحدهای فرآوری متالورژیکی (EAF، کوره پاتیلی (LF)، گاززدایی در خلاء (VD)/ کربنزدایی با اکسیژن در خلاء (VOD)، اکسیژنزدایی با اکسیژن و آرگون (AOD) و…)، تمام متغیرهای فرآیندی مربوطه (ترکیب شیمیایی ذوب و سرباره، انرژی شیمیایی و الکتریکی، انتشار CO۲،واکنشهای متالورژیکی و…)، شرایط و محدودیتهای مرزی، دادههای ورودی وخروجی مورد نظر را درنظر میگیرد. با ترکیب این رویکرد با هزینهمواد، انرژی و CO۲، مدل بهینهسازی مواد خام کارآمدترین ترکیب مواد خام را تعیین میکند. از آنجا که قبلاً شرح مفصلی از این مدل به همراه مثالهای کاربردی منتشر شده است و تمرکز این مقاله بر تعیین خواص قراضه است، این قسمت از مدل ترکیبی به تفصیل مورد بحث قرار نخواهد گرفت.
بهمنظور درک بهتر نیازبهمدلسازی ترکیبی برایتعیین مهمترین خواص قراضه،مشکل اساسی بهصورت شماتیک درشکل (۲) نشان داده شده استو میتوان آن را بهصورت زیر توضیح داد: به زبان ساده، تنها یک معادله وجود دارد، اما متغیرهای ناشناخته زیادی وجود دارند، زیرا انواع مختلف قراضه (S1، S2، و…) در EAF شارژ میشوند. حتی اگر فقط از یک نوع قراضه استفاده شود،تنها در صورتی میتوانآنالیز شیمیایی قراضه را بر اساس ترکیبشیمیایی اندازهگیریشدهمذاب تعیین کرد کهکمیت اکسیدشده مشخص باشد. از آنجا که چندنوع مختلف قراضه استفاده میشود،یک راهحل ریاضی منحصربهفرد برایمشکل غیرممکن است.بههمین دلیل و از آنجا که واکنشهای متالورژیکی تقریباً همیشه رخ میدهند و تأثیر قابلتوجهی بر موازنه جرم دارند، یک رویکرد ترکیبی از مدلهای مبتنیبر داده و مدلهای بنیادی بهترین انتخاب است.

بنابراین، یک مدل تعیین ویژگی قراضه مبتنیبر داده (مدل مشخصه مواد خام) ایجاد شده است که ترکیب شیمیایی، بهرهدهی فلزی و انرژی ویژه خاص قراضه را بر اساس ترکیب شیمیایی اندازهگیریشده حوضچه مذاب و اطلاعات مربوط به نوع قراضه شارژشده و جرم آن محاسبه میکند.مدل مبتنیبر داده با یک مدل متالورژیکیبسط داده میشود تاتلفات ناشی از واکنشهایاکسیداسیون(بهرهدهی شیمیایی) را درنظر بگیرد.این مدل متالورژیکیتعداد عناصر اکسیدشده وانرژی ورودی آنها (انرژی شیمیایی) را براساس میزان اکسیژن تزریقشده محاسبه میکند. این رویکرد مدل میتواند نه تنها برای تعیین آنالیز شیمیایی قراضه، بلکه همچنینانرژی الکتریکی ویژه مورد نیاز برایذوب قراضه مورد استفاده قرار گیرد. علاوه بر این، با درنظر گرفتن واکنشهایاکسیداسیون شیمیایی، میتوان بین بهرهدهی شیمیایی و فیزیکی تمایز قائل شد.
رویکرد ارائهشده در اینجابهطور قابلتوجهیبا مدلهای مبتنیبردادههای مرسومکه معمولاً فقط بر اساس دادههای تاریخی کار میکنند و بنابراین نمیتوانند بهمزایای ذکرشده قبلی دست یابند، متفاوت است.