Modelowanie procesu odsiarczania surówki żelaza przy użyciu metod sztucznej inteligencji

Abstrakt

Budowa i weryfikacja modeli procesu odsiarczania surówki żelaza opartych o sztuczną inteligencję dostarcza bardzo wiele interesujących wyników, które mogą być wykorzystane zarówno w obszarze związanym ze sterowaniem jak i do celów teoretycznej analizy procesu. Wniosek dotyczący analizy teoretycznej w odniesieniu do modeli wykorzystujących sztuczne sieci neuronowe może wydawać się zbyt optymistyczny, bowiem powszechnie uważa się, że modele typu black box nie wzbogacają naszej wiedzy o procesie. W omawianym przypadku mamy jednak do czynienia z sytuacją, w której jednym z kluczowych pytań badawczych jest odpowiedź jak duży wpływ na proces mają czynniki statyczne, a jaki dynamiczne. Przy tak sformułowanym problemie, analiza warstwy wejściowej sieci neuronowej połączona z analizą istotności poszczególnych wielkości wejściowych, umożliwia co najmniej ocenę jakościową. W przeprowadzonych badaniach, dokładność modeli dedykowanych wymienionym w tablicy 3 grupom wytopów jest bardzo zadowalająca. Przewyższa ona dokładność dotychczasowych rozwiązań i może być podstawą do modernizacji istniejącego systemu sterowania. Średni błąd prognozy wyrażony za pomocą wartości błędu bezwzględnego to wynik rzędu 15 ppm dla wytopów o zawartości siarki 100ppm. Wyniki te należy traktować jako dokładne ze względu na metodę określania składu chemicznego (Optyczna spektroskopia emisyjna OES) oraz jej zakres błędu pomiarowego.