Modeling of temperature change of liquid steel in BOF by neural network

การสร้างแบบจำลองการเปลี่ยนแปลงอุณหภูมิน้ำเหล็กใน BOF โดยใช้นิวรอลเน็ตเวิร์ก

Name: Kitisak Ngamjaruskochakorn

LCSH: Neural networks (Computer science)

LCSH: Temperature control

LCSH: Back propagation (Artificial intelligence)

LCSH: Iron

LCSH: Steel

Abstract: To model temperature change of the liquid steel in BOF's process during tapping and adding some additives using neural network. Extent of influences of the network parameters and process variables are studeid. The actual measured data from a steel plant are used as a reference. The study shows that the neural network is capable of predicting the change of the liquid steel temperature during BOF operation and transferring of the liquid steel to the ladles. The forecast temperatures agree with the measured values. It was found that the optimized architecture of the neural network consists of 11 inputs, 4 hidden neurons and 1 output with learning rate and momentum of 0.01 and 0.5 respectively. The discrepancies of the forecast model toe the real values were found to be +- 7 ํC. A model based on thermodynamic and heat balance was also developed and was found to correlate well with the forecast from the neural network. Both models illustrate linear dependency of the temperature on the metallurgical and process parameters. The main factor which causes the temperature drop of liquid steel is tapping time while the steel weight least affects the temperature drop.

Abstract: ศึกษาหารูปแบบจำลองการเปลี่ยนแปลงอุณหภูมิน้ำเหล็กใน BOF ช่วงระหว่างเทน้ำเหล็กจากเตาลงถังรับน้ำเหล็ก และเติมสารเพิ่มคุณภาพต่างๆ โดยใช้นิวรอลเน็ตเวิร์ก นอกจากนี้จะศึกษาถึงผลของพารามิเตอร์ต่างๆ ในตัวนิวรอลเน็ตเวิร์กเอง และพารามิเตอร์ต่างๆ ในขบวนการผลิตที่มีผลต่อการเปลี่ยนแปลงอุณหภูมิน้ำเหล็กด้วย งานวิจัยนี้ใช้ข้อมูลจากการปฏิบัติงานจริง ของโรงงานผลิตเหล็กแห่งหนึ่งในประเทศเยอรมัน นิวรอลเน็ตเวิร์กสามารถสร้างรูปแบบการจำลอง การเปลี่ยนแปลงอุณหภูมิน้ำเหล็กใน BOF ได้เป็นอย่างดี รูปแบบจำลองนี้มีความผิดพลาดในการทำนายอุณหภูมิน้ำเหล็กเพียง 7ํC นิวรอลเน็ตเวิร์กจำนวนหลายโครงสร้างถูกใช้ทดลอง เพื่อเรียนรู้แบบจำลองนี้ โครงสร้างของนิวรอลเวิร์กที่เหมาะสมกับแบบจำลองนี้ประกอบด้วย [11, 4, 1] ค่าอัตราการเรียนรู้ (learning rate) และโมเมนตัม (momentum) เท่ากับ 0.01 และ 0.5 ตามลำดับ นอกจากนี้แล้วนิวรอลเน็ตเวิร์กยังสามารถใช้หาผลกระทบของพารามิเตอร์ ในขบวนการผลิตแต่ละตัวต่อการเปลี่ยนแปลงอุณหภูมิน้ำเหล็ก ได้สอดคล้องกับการคำนวณทางอุณหพลศาสตร์อีกด้วย ซึ่งลักษณะความสัมพันธ์ของพารามิเตอร์แต่ละตัว กับการเปลี่ยนแปลงอุณหภูมิน้ำเหล็กนั้น มีลักษณะเป็นเส้นตรง ปัจจัยในขบวนการผลิตที่มีผลต่อ การเปลี่ยนแปลงอุณหภูมิน้ำเหล็กมากที่สุดคือ เวลาที่ใช้ในการเทน้ำเหล็กจากเตา BOF ลงถังรับน้ำเหล็ก ส่วนปัจจัยในขบวนการผลิตที่มีผลต่อ การเปลี่ยนแปลงอุณหภูมิน้ำเหล็กน้อยที่สุด คือ ปริมาณน้ำเหล็กในเตา

Chulalongkorn University. Office of Academic Resources

Address: BANGKOK

Email: cuir@car.chula.ac.th

Name: Chatchai Somsiri

Role: advisor

Name: Ittipon Diewwanit

Role: co-advisor

Created: 1997

Modified: 2560-08-09

Issued: 2017-07-05

วิทยานิพนธ์/Thesis

application/pdf

ISBN: 9746376705

eng

DegreeName: Master of Engineering

Level: Master's Degree

Descipline: Metallurgical Engineering

Grantor: Chulalongkorn University

©copyrights Chulalongkorn University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	Kitisak_Ng_front.pdf	448.84 KB	1	2018-06-08 23:21:58
2	Kitisak_Ng_ch1.pdf	238.03 KB	2	2018-09-17 13:40:12
3	Kitisak_Ng_ch2.pdf	1.16 MB	1	2018-06-08 23:22:00
4	Kitisak_Ng_ch3.pdf	541.66 KB	3	2019-10-14 13:09:15
5	Kitisak_Ng_ch4.pdf	564.8 KB	1	2018-06-08 23:22:03
6	Kitisak_Ng_ch5.pdf	186.52 KB	1	2018-06-08 23:22:03
7	Kitisak_Ng_back.pdf	512.71 KB	1	2018-06-08 23:22:04

ใช้เวลา

0.058052 วินาที