Temperature Control Optimization in a Steel-Making Continuous Casting Process Using a Multimodal Deep Learning Approach

ژورنال: steel research international

سال چاپ: ۲۰۱۹

خلاصه:

هدف این پژوهش، بهینه‌سازی کنترل دما در فرآیند ریخته‌گری پیوسته فولاد با استفاده از رویکردی ترکیبی مبتنی بر یادگیری عمیق چندوجهی (Multimodal Deep Learning) است. در این مطالعه، یک مدل ترکیبی شامل شبکه عصبی کانولوشنی (CNN) برای داده‌های تصویری حاصل از شبیه‌سازی و شبکه عصبی عمیق (DNN) برای متغیرهای فرآیندی (مانند دمای اولیه، ابعاد فولاد، و میزان کربن) توسعه داده شد. داده‌های ورودی از شبیه‌سازی‌های نرم‌افزار CON1D به‌دست آمد که رفتار حرارتی ناحیه خنک‌کاری ثانویه را مدل‌سازی می‌کند. مدل ترکیبی CNN–DNN توانست دمای نواحی خنک‌کاری مختلف را با دقت بالا پیش‌بینی کند و نسبت به مدل‌های پیشین مانند GoogLeNet–ANN و شبکه‌های عصبی سنتی عملکرد بهتری نشان داد.

نتایج آزمایش‌ها نشان داد که مدل پیشنهادی با دقت ۹۷٪ توانست نواحی دمایی فرآیند خنک‌کاری را پیش‌بینی کرده و زمان محاسباتی را کاهش دهد. این مدل همچنین مشکل کنترلرهای سنتی PID را که در مواجهه با تغییرات ناگهانی سرعت ریخته‌گری ناکارآمد هستند، برطرف کرد. از دیدگاه صنعتی، این روش می‌تواند در فرآیندهای فولادسازی واقعی برای کنترل دقیق دما، بهبود کیفیت سطحی فولاد، و کاهش هزینه‌های انرژی و توقف تولید مورد استفاده قرار گیرد. در نتیجه، پژوهش تأکید می‌کند که استفاده از یادگیری عمیق چندوجهی می‌تواند جایگزین مؤثری برای روش‌های کلاسیک کنترل فرآیند در صنایع فولاد باشد.

دانلود فایل