METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________
APLIKACE METOD UMĚLÉ INTELIGENCE PŘI PREDIKCI CHEMICKÉHO SLOŽENÍ RAFINAČNÍCH STRUSEK APPLICATION OF ARTIFICIAL INTELLIGENCE METHODS FOR PREDICTION OF CHEMICAL COMPOSITION OF REFINING SLAG Zora Jančíkováa Jan Meleckýb Pavel Šveca a
VŠB-TU Ostrava, Tř.17.listopadu 15, 708 33 Ostrava - Poruba, ČR,
[email protected],
[email protected] b ArcelorMittal Ostrava a.s., Vratimovská 689, 707 02 Ostrava - Kunčice, ČR,
[email protected]
Abstrakt Příspěvek se zabývá problematikou aplikace umělých neuronových sítí pro predikci chemického složení rafinačních strusek s cílem optimalizovat výrobní proces a zlepšit ekonomiku výroby. První část příspěvku obsahuje hodnocení chemických parametrů vybraných typů pánvových strusek, které vznikají při mimopecním zpracování ocelí ve společnosti ArcelorMittal a.s. Hlavní pozornost je zaměřena na metalurgické parametry zkušebních taveb a jejich porovnání s běžnou technologií. Teoretické výpočty umožní ušetřit část metalurgického vápna a ředicích přísad na bázi Al2O3. Využití neuronových sítí je výhodné všude tam, kde je třeba postihnout složité vzájemné vztahy mezi procesními daty. Přesnější výsledky predikcí různých metalurgických parametrů s využitím neuronových sítí jsou důsledkem toho, že aplikace neuronových sítí umožňuje nalezení vazeb mezi parametry procesu, které při použití běžných metod nelze vysledovat pro jejich vzájemné interakce, značné množství údajů, dynamiku a z toho plynoucí časovou náročnost. Contribution deals with application of artificial neural networks for prediction of chemical composition of refining slag with aim to optimize production process and to improve production economics. The first part of the paper contains the evaluation of chemical parameters of the selected kinds of ladle slag that are formed during the ladle processing of steel at the ArcelorMittal Ostrava Company. Main interest is paid to metallurgical parameters of test heats and their comparison with the common technology. The theoretical calculations will enable to save part of metallurgical lime and Al2O3 flux additions. Exploitation of neural networks is advantageous, if it is necessary to express complex mutual relations among sensor-based data. More accurate results of predictions of different metallurgical parameters with exploitation of neural networks follow on the fact that application of neural networks enables assignment of relations among process parameters which are not possible to be traced using common methods due to their mutual interactions, considerable amount of data, dynamics and thus following time demands. 1. ÚVOD Rafinační strusky mají rozhodující význam pro mimopecní zpracování oceli. Čistota oceli a obsah síry ve vyráběné oceli závisí především na chemickém složení rafinačních strusek, jejich množství a na kinetice promísení strusky s kovem. Důležitým faktorem je samozřejmě doba zpracování oceli. 1
METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________ Rafinační strusky jsou bazické a redukčního charakteru a hlavními složkami jsou následující oxidy: CaO, Al2O3, SiO2 a MgO. Jelikož obsahy MgO pocházejí vesměs z vyzdívek odlévacích pánví (pokud nejsou používána dolomitická vápna), odvisí tyto zejména od opotřebení vyzdívek, přičemž se pohybují v rafinačních struskách převážně v rozmezí 7 až 10 hm. %. Chemická složení strusek mají zásadní vliv na teploty likvidu, a tudíž na rychlost jejich tvorby a tekutost. Toto je zřejmé z ternárního diagramu CaO-Al2O3-SiO2 – viz obr. č. 1.
Obr. 1. Ternární diagram CaO-Al2O3-SiO2 Fig. 1. System CaO-Al2O3-SiO2 V průběhu zpracování oceli na pánvové peci v Ocelárně společnosti ArcelorMittal Ostrava a.s. jsou přidávány základní dvě struskotvorné přísady, a sice vápenné brikety a ředicí přísada na bázi Al2O3 (Alcaten). Tímto způsobem je prováděna úprava chemického složení, případně množství rafinační strusky. Obsahy SiO2 ve strusce jsou závislé hlavně na složení oceli a vnosech z jednotlivých dezoxidačních, legujících a struskotvorných přísad [1]. Doposud jsou množství struskotvorných přísad přidávány na základě chemického složení tzv. příjezdových strusek na pánvovou pec, resp. znalosti složení strusek odebraných po odpichu z odlévací pánve. Tyto jsou ovšem často heterogenní, což mnohdy vede ke zkreslenému rozhodnutí o množstvích přidávaných struskotvorných přísad. Pro posouzení optimálních přídavků uvedených přísad byly u konečných (odjezdových) strusek z pánvové pece stanovovány obsahy tzv. „volného“ vápna a porovnávány měrné spotřeby vápenných briket na shodné poklesy síry v rafinované oceli za srovnatelných podmínek a u stejných značek oceli. Rozbor ukázal, že poměrně dost taveb má určitý podíl nezreagovaného (volného) vápna, což svědčí o nadbytečném množství přisazovaného vápna. Rovněž odchylky v měrných spotřebách vápna na odstranění 0,001 hm. % síry z oceli ukázaly, že existují rezervy v odhadovaných množstvích, zejména struskotvorných přísad. Za tímto účelem bylo rozhodnuto posoudit možnosti aplikace neuronových sítí pro predikci chemického složení rafinačních strusek, což by ve svém důsledku vedlo k úspoře struskotvorných přísad a počtu analytických stanovení.
2
METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________ 2. UMĚLÉ NEURONOVÉ SÍTĚ Neuronové sítě jsou vhodné pro aproximaci vztahů mezi různými procesními daty, zejména pak mezi daty nestrukturovanými s vysokým stupněm nelinearity a daty nepřesnými a neúplnými. Jsou schopny modelovat chování systémů s velmi složitou vnitřní strukturou a s poměrně komplikovanými vnějšími projevy, kdy analytický popis je značně složitý, případně vůbec neexistuje. Nabízejí zajímavý alternativní přístup vůči klasickým způsobům vyhodnocování statistických dat (jako je např. regresní analýza), jsou schopny modelovat i závislosti, které se regresními postupy velice obtížně řeší, a jsou zároveň schopny postihnout mnohem složitější vztahy než tyto metody. Jsou vhodné pro modelování chování složitých soustav zvláště proto, že jejich typickou vlastností je schopnost vlastního učení na naměřených datech a schopnost zevšeobecňování. Dovedou zachytit a vhodným způsobem vyjádřit obecné vlastnosti dat a vztahů mezi nimi a naopak potlačit vazby, které se vyskytují sporadicky nebo nejsou dostatečně spolehlivé a pevné. Nevýhodou neuronových sítí je, že zpravidla nelze předem odhadnout velikost chyby, která je silně závislá na parametrech sítě a na kvalitě dat v trénovací množině. Návrh struktury a parametrů neuronové sítě vyžaduje určitou zkušenost. Rovněž při optimalizaci navržené sítě hrají důležitou roli zkušenost, intuice a experimentování. Pro všechny typy predikcí se v podstatě hodí neuronové sítě, které jsou univerzálními aproximátory funkcí, tedy zejména sítě, využívající pro své učení algoritmus zpětného šíření (Back-propagation). Tento algoritmus je vhodný pro učení vícevrstvých sítí s dopředným (feedforward) šířením, které jsou tvořeny minimálně třemi vrstvami neuronů: vstupní, výstupní a alespoň jednou skrytou vrstvou (obr. 2). Mezi dvěma sousedními vrstvami se pak nachází tzv. úplné propojení neuronů, tedy každý neuron nižší vrstvy je spojen se všemi neurony vrstvy vyšší. Učení se v neuronové síti realizuje nastavováním vah synapsí wij mezi neurony. U sítě s algoritmem Back-propagation probíhá učení metodou „učení s učitelem“, kdy se neuronová síť učí srovnáním aktuální hodnoty výstupu neuronové sítě s žádanou hodnotou. Postupným nastavováním vah synapsí se algoritmus snaží dosáhnout minimálního rozdílu mezi žádanou hodnotou a hodnotou na výstupu neuronové sítě.
Obr. 2. Topologie vícevrstvé neuronové sítě s dopředným šířením Fig. 2. Topology of multilayer feedforward neural network Míru nepřesnosti mezi predikovanou hodnotou výstupu neuronové sítě a skutečnou hodnotou výstupu objektu vyjadřuje predikční chyba. V technických aplikacích se chyba převážně vyjadřuje následujícími vztahy [2]: vztah pro výpočet chyby RMS (Root Mean Squared) - nekompenzuje použité jednotky:
3
METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________ i = n −1
2 ∑ ( y i − oi )
RMS =
i =0
(1)
n −1
vztah pro výpočet relativní chyby REL_RMS - kompenzuje použité jednotky: i = n −1
2 ∑ ( y i − oi )
REL_RMS =
i =0 i = n −1
∑ ( yi )
(2) 2
i =0
kde - n je počet vzorů trénovací nebo testovací množiny yi - jsou predikované hodnoty výstupu neuronové sítě oi - jsou skutečné hodnoty výstupu objektu
3. PREDIKCE CHEMICKÉHO SLOŽENÍ RAFINAČNÍCH STRUSEK Před samotným návrhem neuronové sítě pro predikci chemického složení rafinačních strusek bylo nutné provést úpravu dat pro učení sítě. Jako vstupní data byly použity údaje o složení strusek z první zkoušky pánvové pece a množství přidávaných dezoxidačních, legujících a struskotvorných přísad. Výstupní data představovala složení strusky z poslední zkoušky na pánvové peci. Tato data byla následně upravena do tvaru vhodného pro aplikaci neuronové sítě. Celá databáze byla rozdělena na data, na kterých se bude síť učit a na data, na kterých se bude následně ověřovat přesnost predikce, tedy schopnost generalizace neuronové sítě (obr. 3).
Obr. 3. Upravená data pro trénování sítě Fig. 3. Treated data for network training
4
METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________
Obr. 4. Okno s parametry vytvořených neuronových sítí Fig. 4. Window with results of created neural networks Na základě takto upravených dat bylo postupně navrženo deset umělých neuronových sítí. Neuronové sítě byly vytvořeny v programovém prostředku STATISTICA – Neural Networks. Tento systém umožňuje mimo jiné vytvoření skupiny rozdílných neuronových sítí, výběr nejvhodnější sítě s nejlepším výkonem, obsahuje výkonné vyšetřovací a analytické techniky umožňující volbu vhodných vstupních proměnných pro analýzu vyšetřovaných dat (algoritmy pro výběr vlastností vstupů). Dále umožňuje získat souhrnné popisné statistiky, provádět citlivostní analýzu a vytvářet odezvové grafy. Před učením neuronové sítě si program automaticky rozdělí data do tří skupin na „trénovací množinu“, „validační množinu“ a „testovací množinu“. Parametry těchto skupin pak určují, zda se síť dobře naučila, není-li přeučená a jestli je její chyba na testovacích datech minimální. Nejdůležitějším parametrem je testovací chyba sítě, která by měla být co nejmenší. Okno s parametry vytvořených neuronových sítí v systému STATISTICA - Neural Networks je znázorněno na (obr 4). Z deseti navržených sítí, byly vybrány dvě s nejmenší chybou a největším výkonem. Algoritmy neuronových sítí byly vygenerovány v jazyku C++. Tento kód byl vhodně upraven a implementován do připraveného programu, pro zadávání a zpracování dat neuronovou sítí (obr. 5). Program byl vytvořen v C++ Builder, který vytváří aplikace spustitelné pod systémem Windows. Do tohoto programu se dá jednoduše implementovat vygenerovaná neuronová síť s následným ověřením její funkčnosti. Testovací data se do vytvořeného programu vkládají z Excelu. Ukazatelem, zda dává neuronová síť správné výsledky, je rozdíl mezi predikovanými a naměřenými hodnotami výstupních proměnných. Analýza výsledků sítí ukazuje, že u oxidů MgO, CaO, SiO2 a Al2O3 (dále jen dominantní prvky) je chyba nižší než u FeO, P2O5, MnO, Cr2O3, Fe2O3, S (dále jen zbylé prvky). Dominantní prvky jsou o dva a až tři řády numericky větší než zbylé prvky. Při odhadu se prvky mezi sebou ovlivňují a síť vykazuje u zbylých prvků poměrně velkou chybu. U dominantních prvků je chyba v některých případech malá a v některých případech velká. Pro náš případ je hlavní, aby byla u dominantních prvků chyba co nejmenší, protože se z těchto prvků dále vykresluje ternární diagram (obr. 6), který určuje teplotu likvidu strusek v závislosti na chemizmu strusky.
5
METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________
Obr. 5. Predikce konečného chemického složení strusky a výpočet chyby Fig. 5. Prediction of chemical composition of slag and error calculation
Obr. 6. Ternární diagram Fig. 6. Ternary diagram Dalším krokem se jeví pokus zmenšit chybu zbylých prvků a zmírnit chybu dominantních prvků sítě. Byly vytvořeny dvě neuronové sítě. Jedna pro skupinu prvků dominantních a druhá pro zbylé prvky. Výsledky ukazují, že tato volba přináší daleko menší chyby u zbylých prvků. U dominantních prvků se chyba také mírně snížila.
6
METAL 2008 13. –15. 5. 2008, Hradec nad Moravicí ___________________________________________________________________________
Obr. 7. Predikce konečného chemického složení strusky a výpočet chyby Fig. 7. Prediction of chemical composition of slag and error calculation 4. ZÁVĚR Byl vytvořen funkční model predikce konečného chemického složení rafinačních strusek, které vznikají při mimopecním zpracování ocelí, který umožňuje předpovídat složení strusek s dostatečně malou chybou. Předpokládá se pokračovat dále v řešení této problematiky trénováním neuronové sítě na datech jiných značek oceli s cílem vytvořit univerzální model predikce chemického složení rafinačních strusek různých značek oceli, což by ve svém důsledku vedlo k úspoře struskotvorných přísad a počtu analytických stanovení. Uvedené výsledky a dosavadní zkušenosti s aplikacemi neuronových sítí v metalurgickém výzkumu ukazují, že jejich použití v této oblasti je velmi perspektivní. Neuronové sítě se jeví jako nejlepší známá aproximace vztahů mezi různými procesními daty zejména v případech, kdy modelujeme reálné systémy, které se vyznačují vysokým stupněm nelinearity, značnou složitostí a obtížností formálního matematického popisu. Přesnější výsledky predikcí různých metalurgických parametrů s využitím neuronových sítí jsou důsledkem toho, že aplikace neuronových sítí umožňuje nalezení vazeb mezi parametry procesu, které při použití běžných metod nelze vysledovat pro jejich vzájemné interakce, značné množství a dynamiku a z toho plynoucí časovou náročnost. LITERATURA [1] MELECKÝ, J., DOBROVSKÝ, L´., DUDEK, R. Posouzení syntetických strusek a jejich provozní využití ve společnosti Mittal Steel Ostrava a.s. In Sborník z konference Iron and steelmaking, Malenovice, XV. mezinárodní vědecká konference, 2005. s. 140 – 144. ISBN 80-248-0947-8 [2] JANČÍKOVÁ, Z. Umělé neuronové sítě v materiálovém inženýrství. Monografie, GEP ARTS Ostrava, 2006. ISBN 80-248-1174-X [3] HEGER, M., FRANZ, J. DAVID J. Numeric Function Approximation with Utilization of Artificial Intelligence Elements, In 4 th International Carpatian Control Conference 2003, Košice, 2003, s. 695. – 698. ISBN 80-7099-509-2
7