Prédiction de la teneur finale en phosphore de l'acier dans le four à arc électrique (EAF) par l'application de réseaux de neurones artificiels

Résumé

Le four à arc électrique (EAF) basé sur la ferraille suscite un intérêt croissant dans la sidérurgie, car il réduit considérablement les émissions environnementales en recyclant l'acier, minimisant ainsi le besoin d'extraction de matières premières et les émissions de gaz à effet de serre associées aux procédés de sidérurgie traditionnels. Cependant, il présente des défis scientifiques et techniques, notamment dans la gestion des impuretés telles que le phosphore. Ce travail de recherche visait à développer un modèle prédictif robuste basé sur des techniques d'apprentissage automatique ou d'apprentissage profond pour estimer la teneur en phosphore de l'acier en fonction des paramètres du processus d'entrée à la fin du processus EAF. Plusieurs modèles ont été testés, et les réseaux de neurones artificiels (ANN) ont été sélectionnés pour leur haute précision dans la prédiction de la teneur en phosphore. Tout d'abord, des données ont été collectées sur des paramètres clés tels que la composition chimique et le poids de la ferraille, la quantité de chaux ajoutée comme agent de flux, et le volume d'oxygène injecté. Les données ont été fournies par le partenaire industriel du projet, FinklSteel (Sorel Forge). Une fois collectées, les données ont été organisées et prétraitées pour être utilisées dans le développement du modèle. Plusieurs modèles d'apprentissage automatique ont été évalués, mais le modèle de réseau de neurones artificiels s'est avéré être le plus approprié pour le problème étudié. Ce modèle a été optimisé en ajustant divers hyperparamètres pour maximiser ses performances. La performance du modèle a été évaluée à l'aide de plusieurs métriques, y compris la MSE (0,00016), la RMSE (0,0049), et les coefficients de corrélation et de détermination R et R² (99% chacun). L'un des défis des modèles de ANN est leur nature de "boîte noire", ce qui rend difficile l'interprétation de leurs prédictions. Pour surmonter cette limitation, des calculs thermodynamiques ont été appliqués pour mieux comprendre et interpréter les phénomènes physiques et chimiques de la déphosphoration. Ces calculs ont été effectués à l'aide du logiciel thermodynamique FactSage version 8.3, permettant de rendre plus compréhensible la relation entre les variables d'entrée et les résultats de déphosphoration. Les résultats démontrent que les ANN peuvent fournir des prédictions très précises, aidant à l'optimisation des opérations industrielles de déphosphoration. Cette étude contribue à l'avancement de l'élimination efficace du phosphore dans les EAF, améliorant la durabilité des processus de recyclage de l'acier.

Date	17 août 2024
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Elmira Moosavi (Directeur(-trice)) & Mohammad Jahazi (Codirecteur(-trice))