Abstract

Sulphur is considered one of the main impurities in steel. Hot metal desulphurisation serves as the main unit process for sulphur removal in the production of steel. The main objective of this thesis is to identify the relevant phenomena and attributes needed to construct a mathematical model suitable for online use. The study also includes a detailed literature review on the modelling of hot metal desulphurisation, which considers a categorisation of the existing models for the process, but also outlines the main uncertainties in the process that may decrease the prediction performance of the existing models. In this study, model-based process identification techniques are studied. More specifically, the objective is to study different techniques, both to explain the variance and to predict the end content of sulphur in the process. To do this, a modelling framework exploiting data-driven and mechanistic modelling techniques is proposed. The model identification procedure is divided into variable construction, variable selection, model structure selection, and model parameter identification steps. The model identification procedure considers both manual and automatic model identification techniques. The thesis focuses on grey box and black box model structures. In automatic model identification, the focus is on evolutionary search strategies, particularly genetic algorithms. The results of this study show that in the case of lime-based hot metal desulphurisation, the major factors inducing variance in the end content of sulphur are related to the properties of the reagent, i.e. to the rate of the transitory contact reaction. If the particle size distribution is known a priori or can be assumed constant, the prediction accuracy of the models can be improved considerably. In addition, the parameterisation of the reaction models improves the prediction performance. It was also found that physically meaningful descriptions for the uncertain phenomena may help to constrain the search of parameters. In addition, in-depth phenomena-based analysis and automatic model identification strategies may assist in model selection.

Tiivistelmä

Rikki on keskeisimpiä raakarautaan liuenneita epäpuhtauksia. Hiiliteräksen valmistusketjussa raakaraudan rikinpoisto on prosessi, jossa rikki pääasiallisesti poistetaan. Tämän työn tavoitteena on tunnistaa prosessin kannalta merkityksellisiä ilmiöitä ja tekijöitä, joita tarvitaan on-line käyttöön soveltuvien matemaattisten mallien luomiseen. Työ sisältää myös yksityiskohtaisen kirjallisuusselvityksen, jonka tavoitteena on kategorisoida kirjallisuudessa esitetyt mallit, mutta myös tarkastella mallien suorituskykyyn liittyviä epävarmuustekijöitä prosessin näkökulmasta. Menetelmällisesti työ perustuu prosessin mallipohjaiseen analyysiin ja mallien valintaan. Tarkempana tavoitteena on tarkastella systemaattisia tapoja selittää prosessin loppurikkipitoisuuden vaihtelua, mutta myös ennustaa loppupitoisuutta luotettavasti saatavilla olevan aineiston perusteella. Tätä varten tehtiin mallinnuskehys, joka hyödyntää sekä täysin datapohjaisia, mutta myös mekanistisiin ilmiöihin pohjautuvia dataa hyödyntäviä malleja. Mallin vallinta jaotellaan ennustemuuttujien rakenteluun, ennustemuuttujien valintaan, mallin rakenteen valintaan sekä malliparametrien estimointiin. Valinnassa käytetään sekä automaattisia, että asiantuntijatietoon perustuvia tekniikoita. Mallit ovat rakenteellisesti joko harmaa- tai mustalaatikko filosofiaan pohjautuvia. Automaattisessa mallien valinnassa tarkastellaan eniten erityisesti geneettisten algoritmien toimintaa. Tämän työn tulokset näyttävät, että reagenssin ominaisuuksilla kuten partikkelikokojakaumalla sekä kaasua injektoivien lisäaineiden määrällä on vaikutus rikkipitoisuuden vaihteluun erityisesti partikkelien ja rautasulan välillä tapahtuvan reaktion nopeuden näkökulmasta. Yleisesti mallien suorituskykyä voidaan parantaa, kun partikkelikokojakauman vaihtelu tunnetaan, tai sen voidaan otaksua olevan vakio. Malliparametrien optimointia helpottavat fysikaaliset reunaehdot ja prosessituntemus. Automaattisten mallin valintatekniikoiden käyttäminen voi auttaa mallintajaa tarkoituksenmukaisen mallin valinnassa, mutta asiantuntijatiedon merkitystä mallinnuksessa ei voi kuitenkaan korostaa liikaa.