Flag Counter
AKILLI SİSTEMLER VE UYGULAMALARI DERGİSİ
JOURNAL OF INTELLIGENT SYSTEMS WITH APPLICATIONS
J. Intell. Syst. Appl.
E-ISSN: 2667-6893
Creative Commons License This work is licensed under a Creative Commons Attribution 4.0 International License.

Process Analysis in Production of Desired Quality Steel in Ladle Furnaces in Iron and Steel Industry

Demir Çelik Endüstrisinde Pota Fırınlarında İstenilen Kalitede Çelik Üretiminde Proses Analizi

How to cite: Özdeş G, Kutlu Y. Process analysis in production of desired quality steel in ladle furnaces in iron and steel industry. Akıllı Sistemler ve Uygulamaları Dergisi (Journal of Intelligent Systems with Applications) 2020; 3(2): 118-121. DOI: 10.54856/jiswa.202012131

Full Text: PDF, in English.

Total number of downloads: 425

Title: Process Analysis in Production of Desired Quality Steel in Ladle Furnaces in Iron and Steel Industry

Abstract: Iron production in the iron and steel industry is a process that starts with the melting of scrap in electric arc furnaces or iron ore in basic oxygen furnaces. The proportions of the alloys in the liquid steel obtained from the liquid steel obtained by melting scrap are of great importance in order to produce the desired quality iron. In steel production, it is necessary to reduce the carbon rate to the desired level, to reduce the proportions of manganese, silicon and other chemicals to the values prescribed in the prescription, and to remove sulfur from liquid steel as much as possible. Therefore, alloys are added (FeSiMnPOTP, AltelPOTP, GrnKrbnPOTP, FeMnOrtCPOTP, KirecPOTP, FeSiPOTP, AlPOTP, FlşptPOTP etc.). Each alloy added has a chemical that acts. For example; If it is desired to change the aluminum ratio of liquid steel, AltelPOTP alloy is added. In the analysis results, it is observed that the aluminum ratios have changed. The liquid steel transferred to the ladle furnace is analyzed at certain intervals and the addition of chemical alloys continues until the required ratios are obtained. Chemical alloys added to liquid steel should not be less or more than they should be, in terms of both material and quality standards. Because the mentioned alloys are serious cost items when purchased in dollars and spread over a long term. For this reason, the rates should be adjusted very accurately. All these metallurgical processes are complex, multivariate systems. Looking at the examinations made, it is seen that while the alloys to be added to the liquid steel in the ladle furnace are rehearsed for an average of 4 times in a casting, this process is repeated at least 2 and at most 6 times. Taking samples from the liquid steel in the ladle furnace, sending the sample for chemical analysis, obtaining the result of chemical analysis and repeating these processes if the desired quality standards are not obtained, the average time is 45 minutes. These periods cause serious waste of time. For this reason, the time of the next casting has to be started later than the planned time. This causes delay in the subsequent processes (pouring liquid steel into molds in continuous casting, forming in the rolling mill, passing through quality tests, etc.). Today, with the advancement of technology, the use of artificial intelligence in the iron and steel industry will be a mandatory approach to minimize the number of proofs and minimize the loss of material and temporal labor.

Keywords: Crucible furnace; liquid steel; artificial intelligence


Başlık: Demir Çelik Endüstrisinde Pota Fırınlarında İstenilen Kalitede Çelik Üretiminde Proses Analizi

Özet: Demir çelik sektöründe demir üretimi hurdanın elektrikli ark ocaklarında veya demir cevherinin bazik oksijen fırınlarında eritilmesi ile başlayan bir süreçtir. Hurdanın eritilmesi ile elde edilen sıvı çelikten istenilen kalitede demir üretebilmek için elde edilen sıvı çeliğin içinde bulunan alaşımların oranları büyük önem arz etmektedir. Çelik üretiminde, karbon oranını istenilen düzeye indirmek, mangan ve silisyum ve diğer kimyasalların oranlarını reçetede öngörülen değerlere düşürmek ve kükürdü mümkün olduğunca sıvı çelikten uzaklaştırmak gerekmektedir. Pota ocağına aktarılan sıvı çelik belirli aralıklarla analiz edilerek olması gereken oranlar elde edilene kadar kimyasal alaşımların ilavesi devam eder. Sıvı çeliğe ilave edilen kimyasal alaşımların hem maddi açıdan hem de kalite standartlarına uygun olması açısından eklendiği oranlar olması gerekenden eksik yada fazla olmaması gerekmektedir. Çünkü bahsedilen alaşımlar dolar ile alınan ve uzun vadeye yayıldığında ciddi maliyet kalemleridir. O nedenle oranların çok doğru bir şekilde ayarlanması gerekmektedir.Tüm bu metalurjik süreçler karmaşık, çok değişkenli sistemlerdir. Yapılan incelemelere bakıldığında pota ocağındaki sıvı çeliğe eklenecek olan alaşımların (FeSiMnPOTP, AltelPOTP, GrnKrbnPOTP, FeMnOrtCPOTP, KirecPOTP, FeSiPOTP, AlPOTP, FlşptPOTP vb.) olması gereken kalite standartlarına uygun hale gelmesi için bir dökümde ortalama 4 defa prova yapılır iken bu işlemin en az 2 ve en fazla 6 defa tekrarlandığı görülmektedir. Pota ocağındaki sıvı çelikten numune alınması, alınan numunenin kimyasal analize gönderilmesi, kimyasal analiz sonucunun gelmesi ve istenilen kalite standartlarına uygun oranlar elde edilmedi ise bu süreçlerin tekrarlanması ortalama 45dk’yı bulabilmektir. Bu süreler ciddi zaman kaybına neden olmaktadır. Bu nedenle bir sonraki dökümün zamanı planlanan süreden daha geç başlanmak zorunda kalınmaktadır. Buda daha sonraki proseslerin (sıvı çeliğin sürekli dökümlerde kalıplara dökülmesi, haddehanede şekillendirilmesi, kalte testlerinden geçmesi vb.) gecikmesine neden olmaktadır. Günümüzde teknolojinin ilerlemesi ile birlikte yapay zekanın demir çelik sektöründe de kullanılması prova sayılarını en aza indirerek maddi ve zamansal iş gücü kaybını en aza indirmek zorunlu bir yaklaşım olacaktır.

Anahtar kelimeler: Pota ocağı; sıvı çelik; yapay zeka


Bibliography:
  • Bagheripoor M, Bisadi H. Application of artificial neural networks for the prediction of roll force and roll torque in hot strip rolling process. Applied Mathematical Modelling 2013; 37(7): 4593–4607.
  • Lee D, Lee Y. Application of neural-network for improving accuracy of roll-force model in hot-rolling mill. Control Engineering Practice 2002; 10: 473–478.
  • Li S, Chen Q, Huang GB. Dynamic temperature modeling of continuous annealing furnace using GGAP-RBF neural network. Neurocomputing 2006; 69: 523–536.
  • Gao C, Ge Q, Jian L. Rule extraction from fuzzy-based blast furnace SVM multiclassifier for decision-making. IEEE Transactions on Fuzzy Systems 2014; 22(3): 586–596.
  • Nath NK, Mitra K. Mathematical modeling and optimization of two-layer sintering process for sinter quality and fuel efficiency using genetic algorithm. Materials and Manufacturing Processes 2005; 20(3): 335–349.
  • Lu XJ, Li HX, Yuan X. PSO-based intelligent integration of design and control for one kind of curing process. Journal of Process Control 2010; 20(10): 1116–1125.