Modelos basados en inteligencia artificial para la estimación de contenido en azufre en acería de horno de arco eléctrico

Resumen

Tesis: “Modelos basados en inteligencia artificial para la estimación de contenido en azufre en acería de horno de arco eléctrico”. Resumen: El proceso de producción de acero mediante la utilización de un horno de arco eléctrico (Electric Arc Furnace, EAF) se ha convertido en uno de los principales métodos de producción de acero a nivel mundial, debido, en parte, a que este proceso utiliza principalmente chatarra, siendo los recursos naturales de metal cada vez más escasos y caros. El azufre, un elemento no metálico presente en la mayoría de las materias primas que se cargan en el EAF, es altamente nocivo para la calidad óptima del producto final, ya que, aunque beneficia la maquinabilidad, afecta a la ductilidad, tenacidad, conformabilidad, soldabilidad y resistencia a la corrosión del acero. Generalmente, el contenido de azufre residual permitido en el acero no supera las 50 ppm, mientras que las aplicaciones más exigentes –tuberías, aceros resistentes a la corrosión (Hydrogen Induced Cracking, HIC), etc.- requieren aceros con contenidos de azufre por debajo de 10 ppm (0.001%S), a fin de obtener la combinación requerida de resistencia, ductilidad, conformabilidad y soldabilidad. Por el contrario, en aquellas aplicaciones que requieran una mayor maquinabilidad, se requiere un contenido en azufre más elevado. El principal objetivo que se pretende alcanzar con esta tesis doctoral, a modo de aportación, es la extracción de conocimiento útil, mediante aplicación de técnicas de minería de datos, con aplicación en la metalurgia del acero en horno de arco eléctrico. Más específicamente, a partir de la base de datos de históricos del proceso de producción de acero en horno de arco eléctrico, se pretende evaluar los niveles de azufre a lo largo del proceso. A diferencia de trabajos de investigación anteriores, la presente tesis abarca todo el proceso productivo, es decir metalurgia primaria en el EAF y metalurgia secundaria en el denominado horno de afino (Ladle Furnace, LF). Además la mayor parte de la bibliografía existente se fundamenta en el estudio de modelos cinéticos basados en procesos termodinámicos y reacciones químicas que ocurren dentro de cada fase. El presente trabajo pretende la aplicación de diversas técnicas de inteligencia artificial para modelar el proceso de fabricación de acero y obtener un sistema de predicción del contenido de azufre en cada colada. De forma que esta información pueda ser utilizada para controlar e intervenir en el proceso. El estudio se ha realizado en tres fases distintas del proceso: 1) metalurgia primaria en el EAF; 2) fase inicial de la metalurgia secundaria en el LF, hasta la primera medida de composición química del acero; y 3) fase final de la metalurgia secundaria en el LF, que supone fin del proceso de fabricación del acero. En todas ellas se ha utilizado la misma metodología y técnicas de minería de datos. En primer lugar se ha realizado un tratamiento preliminar de los datos en los que se eliminan espurios y medidas anómalas, a continuación se analiza el conjunto de datos con técnicas descriptivas como el análisis PCA, proyección Sammon o el análisis clúster. Estos análisis, así como el conocimiento del proceso, han permitido seleccionar distintos grupos de variables y segmentar los datos para implementar un conjunto de modelos con cada una de las técnicas utilizadas: redes neuronales, máquinas de vector soporte, arboles de decisión y random forests. Además de buscar la mejor configuración para cada una de las técnicas y modelos, se utilizan técnicas de optimización de modelos como algoritmos genéticos y de agregación de modelos. Los resultados obtenidos aunque lejos de obtener predicciones precisas, debido a la gran variabilidad de los datos, han mejorado los encontrados en la bibliografía, obteniéndose además información de gran valor acerca de las técnicas más adecuadas en cada una de las fases analizadas. Como cabía esperar, los árboles de decisión son los que peores resultados ofrecen, si bien pueden resultar útiles en la identificación de variables que más pueden influir en los niveles de contenido de azufre en el acero. Por otro lado, las máquinas de vectores soporte y los random forest son las técnicas que presentan un mejor comportamiento en este tipo de problemas, caracterizados por una elevada incertidumbre.