JP6732066B2 - 取鍋内の空気溜まりを割り出すためのシステムおよび方法 - Google Patents

取鍋内の空気溜まりを割り出すためのシステムおよび方法 Download PDF

Info

Publication number
JP6732066B2
JP6732066B2 JP2019031719A JP2019031719A JP6732066B2 JP 6732066 B2 JP6732066 B2 JP 6732066B2 JP 2019031719 A JP2019031719 A JP 2019031719A JP 2019031719 A JP2019031719 A JP 2019031719A JP 6732066 B2 JP6732066 B2 JP 6732066B2
Authority
JP
Japan
Prior art keywords
ladle
parameters
air
steel
shape
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2019031719A
Other languages
English (en)
Other versions
JP2019160305A (ja
Inventor
ウメシュ・シン
アマレンドラ・クマール・シン
Original Assignee
タタ・コンサルタンシー・サーヴィシズ・リミテッド
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by タタ・コンサルタンシー・サーヴィシズ・リミテッド filed Critical タタ・コンサルタンシー・サーヴィシズ・リミテッド
Publication of JP2019160305A publication Critical patent/JP2019160305A/ja
Application granted granted Critical
Publication of JP6732066B2 publication Critical patent/JP6732066B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D11/00—Continuous casting of metals, i.e. casting in indefinite lengths
    • B22D11/16—Controlling or regulating processes or operations
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
    • C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Organic Chemistry (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Treatment Of Steel In Its Molten State (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

関連出願の相互参照および優先権
本特許出願は、2018年3月9日に出願されたインド特許出願第201821008855号の優先権を主張する。
本開示は、一般に、取鍋精練法に関し、より詳細には、取鍋内の空気溜まりを割り出すためのシステムおよび方法に関する。
二次製鋼段における様々な精錬工程は、取鍋炉内で行われる。精錬工程中、取鍋内の窒素、水素、および酸素の出鋼工程からのピックアップは、出鋼中の気泡溜まりに依存する。既存の方法により、全経験的相関(gross empirical correlation)によって、出鋼中の空気溜まりからの窒素、水素、および酸素のピックアップが計算される。とは言うものの、これらの経験的関係では、それらが水モデル実験に基づくとき、これらの現象を捉えることができない。既存の別の方法では、高温シミュレーションモデルを使用して、空気溜まりが推定される。しかしながら、これらのシミュレーションモデルには、莫大な時間と資源を要する場合がある。
次に、本開示のいくつかの実施形態の簡略化された概要を提示して、実施形態の基本的な理解を提供する。この概要は、実施形態の広範な概説ではない。それは、実施形態の重要/重大な要素を特定すること、または実施形態の範囲を示すことを意図するものではない。その唯一の目的は、以下に提示されるより詳細な説明に対する導入部として簡略化された形でいくつかの実施形態を提示することである。
前述に鑑みて、本明細書における一実施形態は、取鍋内の空気溜まりを割り出すための方法およびシステムを提供する。1つの態様では、プロセッサ実装方法は、取鍋に関連する形状パラメータ(geometrical parameter)を取得するステップであって、形状パラメータが、取鍋の上面および底面の直径、取鍋高さ、プラグの数、プラグの位置、ならびにプラグの直径を含む、ステップと、出鋼の取鍋加工パラメータ(ladle process parameter)を取り込むステップであって、取鍋加工パラメータが、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ、流入する鋼中のキャリーオーバースラグ(carry over slag)の割合、および出鋼の持続時間を含む、ステップと、取鍋加工パラメータおよび形状パラメータを使用して入力データを作成するステップと、作成された入力データを使用して多相計算流体力学(multi-phase computational fluid dynamics)を実行して、シミュレーション結果を取得するステップと、シミュレーションされた結果から、空気/鋼界面面積および空気溜まり量である出力データを計算するステップと、入力データおよび対応する出力データから訓練データを作成するステップと、取得した訓練データを使用して、人工ニューラルネットワーク(artificial neural network: ANN)モデルを訓練するステップと、訓練されたANNモデルを使用して、新規形状パラメータ、および取鍋加工パラメータの取鍋内の空気溜まり量および空気/鋼界面面積を割り出すステップとを含む。
別の態様では、取鍋内の空気溜まりを割り出すためのシステムが提供される。このシステムは、1つまたは複数のメモリと、1つまたは複数のハードウェアプロセッサとを含み、1つまたは複数のメモリは、1つまたは複数のハードウェアプロセッサに連結され、1つまたは複数のハードウェアプロセッサは、1つまたは複数のメモリに記憶されているプログラミングされた命令を実行するように構成され、この命令は、取鍋に関連する形状パラメータを取得するステップであって、形状パラメータが、取鍋の上面および底面の直径、取鍋高さ、プラグの数、プラグの位置、ならびにプラグの直径を含む、ステップと、出鋼の取鍋加工パラメータを取り込むステップであって、取鍋加工パラメータが、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ、流入する鋼中のキャリーオーバースラグの割合、および出鋼の持続時間を含む、ステップと、取鍋加工パラメータおよび形状パラメータを使用して入力データを作成するステップと、作成された入力データを使用して多相計算流体力学を実行して、シミュレーション結果を取得するステップと、シミュレーションされた結果から、空気/鋼界面面積および空気溜まり量である出力データを計算するステップと、入力データおよび対応する出力データから訓練データを作成するステップと、取得した訓練データを使用して、人工ニューラルネットワーク(ANN)モデルを訓練するステップと、訓練された人工ニューラルネットワークモデルを使用して、新規形状パラメータ、および取鍋加工パラメータの取鍋内の空気溜まり量および空気/鋼界面面積を割り出すステップとを行う。
さらなる別の態様では、取鍋内の空気溜まりを割り出すための方法を実行するようにコンピュータプログラムを具現化した非一時的コンピュータ可読媒体が提供される。この方法は、取鍋に関連する形状パラメータを取得するステップであって、形状パラメータが、取鍋の上面および底面の直径、取鍋高さ、プラグの数、プラグの位置、ならびにプラグの直径を含む、ステップと、出鋼の取鍋加工パラメータを取り込むステップであって、取鍋加工パラメータが、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ、流入する鋼中のキャリーオーバースラグの割合、および出鋼の持続時間を含む、ステップと、取鍋加工パラメータおよび形状パラメータを使用して入力データを作成するステップと、作成された入力データを使用して多相計算流体力学を実行して、シミュレーション結果を取得するステップと、シミュレーションされた結果から、空気/鋼界面面積および空気溜まり量である出力データを計算するステップと、入力データおよび対応する出力データから訓練データを作成するステップと、取得した訓練データを使用して、人工ニューラルネットワーク(ANN)モデルを訓練するステップと、訓練されたANNモデルを使用して、新規形状パラメータ、および取鍋加工パラメータの取鍋内の空気溜まり量および空気/鋼界面面積を割り出すステップとを含む。
本明細書におけるいずれのブロック略図も、本主題の原理を具現化する例示的システムの概念図を表していることは、当業者なら認識すべきである。同様に、いずれのフローチャート、フロー略図、状態遷移図、および疑似コードなどが、様々な方法を表し、これらの様々な方法は、コンピュータ可読媒体において実質的に表され、コンピューティング装置またはプロセッサによって、そのようなコンピューティング装置またはプロセッサが明示的に示されているか否かに関わらずそのように実行され得ることが理解される。
詳細な説明について、添付の図を参照して説明する。図においては、参照番号の最左桁により、参照番号が最初に登場した図が識別される。同様の特徴およびモジュールを参照するのに図面全体を通じて同じ番号を使用する。
一例示的実施形態による、取鍋内の空気溜まりを割り出すためのシステムを示すブロック図である。 一例示的実施形態による、取鍋形状を示す概略図である。 一例示的実施形態による、出鋼工程を示す概略図である。 一実施形態による出鋼の計算流体力学(computational fluid dynamics: CFD)モデルを示す詳細図である。 一例示的実施形態による、取鍋の計算格子を示す図である。 一例示的実施形態による、空気溜まりを推定するための人工ニューラルネットワークの詳細図である。 一例示的実施形態による、出鋼時間に伴う空気溜まりを示す出鋼工程の鋼体積分率輪郭を示す図である。 一例示的実施形態による、異なる出鋼速度についての鋼/空気界面面積のCFD結果を示すグラフである。 一例示的実施形態による、異なる入り口直径についての鋼/空気界面面積のCFD結果を示すグラフである。 一例示的実施形態による、ベースケース(速度が1トン/sおよび入り口直径が1メートル)と比較した影響指標を示すグラフである。 一例示的実施形態による、取鍋内の空気溜まりを割り出すための方法を示すフロー略図である。
本明細書におけるいずれのブロック略図も、本主題の原理を具現化する例示的システムおよび装置の概念図を表していることは、当業者なら認識すべきである。同様に、いずれのフローチャートおよびフロー略図などが、様々な方法を表し、これらの様々な方法は、コンピュータ可読媒体において実質的に表され、コンピュータまたはプロセッサによって、そのようなコンピュータまたはプロセッサが明示的に示されているか否かに関わらずそのように実行され得ることが理解されよう。
本明細書における実施形態ならびにそれらの様々な特徴および有利な詳細について、非限定的実施形態を参照してより完全に説明し、これらの非限定的実施形態について、添付の図面に例示し、次の説明で詳述する。本明細書において使用される諸例は、本明細書における実施形態が実施され得るやり方を理解しやすくし、さらには、当業者が本明細書における実施形態を実施できるようにすることを単に意図するものにすぎない。したがって、諸例は、本明細書における実施形態の範囲を限定するものと解釈すべきではない。
取鍋内の空気溜まりを割り出すための技法が開示される。これにより、これらのパラメータを計算流体力学(CFD)モデリングから探し出すことが非常に時間も資源もかかるので、取鍋内の溶鋼が出鋼する間の空気溜まりを迅速かつ正確に割り出すという要件の溝が埋まる。一実施形態では、この技法は、CFDから生成される驚くべきデータを利用して、取鍋のパージ工程に対する人工ニューラルネットワーク(ANN)を構築して、驚くべきデータを迅速に予測し、次いで、これを利用して、この驚くべきデータから窒素、酸素、および水素ピックアップを予測する。たとえば、CFDモデリングは、訓練データを生成するのに使用され、この訓練データは、ニューラルネットワークモデルを訓練するのに使用され、次いで、訓練されたモデルは、出力変数を推定するのに使用される。ニューラルネットワークのセットアップは、ニューラルネットワークを異なる数の隠れ層およびノードを用いて動作させて、ニューラルネットワークモデルを訓練することによって推定される。次いで、出力パラメータを必要とする新規の取鍋形状入力パラメータおよび動作入力パラメータを使用して、空気溜まりを予測する。予測された空気溜まりを使用して、窒素、水素、および酸素ピックアップが推定される。
方法およびシステムは、本明細書に記載の特定の実施形態に限定するものではない。加えて、方法およびシステムは、本明細書に記載の他のモジュールおよび方法とは独立して別個に実施され得る。各装置要素/モジュールおよび方法は、他の要素/モジュールおよび他の方法との組合せで使用されてもよい。
取鍋内の空気溜まりを割り出すためのシステムおよび方法は、図1〜図6に関して詳細に説明されている。取鍋内の空気溜まりを割り出すための記載の方法およびシステムの態様は、任意の数の異なるシステム、利用環境、および/または構成で実装され得るが、諸実施形態は、次の例示的なシステムの文脈で説明される。
図1は、一例示的実施形態による、取鍋内の空気溜まりを割り出すためのシステム100のブロック略図を示している。一例示的実施形態では、システム100は、コンピューティング装置内に具現化され得、またはコンピューティング装置と直接、通信している。システム100は、プロセッサ102などの1つまたは複数のハードウェアプロセッサ、メモリ104などの1つまたは複数のメモリ、およびネットワークインターフェースユニット106などのネットワークインターフェースユニットを含み、またはそうでなければこれらと通信している。一実施形態では、プロセッサ102、メモリ104、およびネットワークインターフェースユニット106は、システムバスなどのシステムバス、または同様の機構によって連結され得る。図1は、システム100の例示的な構成要素を示しているが、他の実施形態では、システム100は、より少ない構成要素、追加の構成要素、異なる構成要素、または図1に示されているものとは異なって構成された構成要素を含んでいてもよい。
プロセッサ102は、他の中でもとりわけ、通信に関連する音声機能部および論理機能部を実装する回路機構を含むことができる。たとえば、プロセッサ102には、1つまたは複数のデジタル信号プロセッサ(digital signal processors: DSP)、1つまたは複数のマイクロプロセッサ、1つまたは複数の専用コンピュータチップ、1つまたは複数のフィールドプログラマブルゲートアレイ(FPGA)、1つまたは複数の特定用途向け集積回路(ASIC)、1つまたは複数のコンピュータ、様々なアナログ/デジタル変換器、デジタル/アナログ変換器、および/あるいは他の支援回路を挙げることができるが、これらに限定するものではない。したがって、プロセッサ102はまた、メッセージおよび/またはデータもしくは情報をエンコードする機能を含むことができる。プロセッサ102は、他のものの中でもとりわけ、プロセッサ102の動作を支援するように構成されたクロック、算術論理演算ユニット(arithmetic logic unit: ALU)および論理ゲートを含むことができる。さらには、プロセッサ102は、1つまたは複数のソフトウェアプログラムを実行する機能を含むことができ、このソフトウェアプログラムは、メモリ104に記憶され得、またはそうでなければプロセッサ102にアクセス可能とすることができる。
「プロセッサ」とラベル付けされている任意の機能ブロックを含む、図に示されている様々な要素の機能は、専用のハードウェア、ならびに適切なソフトウェアに関連してソフトウェアを実行することができるハードウェアを使用することにより実現され得る。プロセッサによって実行されると、機能は、単一の専用のプロセッサによって、単一の共有のプロセッサによって、または一部が共有され得る複数の個々のプロセッサによって実行され得る。その上、「プロセッサ」という用語の明示的な使用では、ソフトウェアを実行することができるハードウェアを排他的に示すと解釈すべきでなく、DSPハードウェア、ネットワークプロセッサ、特定用途向け集積回路(ASIC)、FPGA、ソフトウェアを記憶するための読取り専用メモリ(ROM)、ランダムアクセスメモリ(RAM)、および不揮発性ストレージを暗黙的に含めることができるが、これらに限定するものではない。従来のおよび/またはカスタムの他のハードウェアを含めてもよい。
インターフェース106は、種々のソフトウェアインターフェースおよびハードウェアインターフェース、たとえば、キーボード、マウス、外部メモリ、およびプリンタなど、周辺装置のインターフェースを含むことができる。インターフェース106は、ワイヤードのネットワーク、たとえば、ローカルエリアネットワーク(LAN)、ケーブルなど、およびワイヤレスのネットワーク、たとえばワイヤレスLAN(WLAN)、セルラー、または衛星などを含む、広範囲の種々のネットワークならびにプロトコルタイプ内での多通信を容易にすることができる。
メモリ104などの1つまたは複数のメモリは、システムの機能を実装するのにシステムが使用する任意の数の情報片、およびデータを記憶することができる。メモリ104は、たとえば、揮発性メモリおよび/または不揮発性メモリを含むことができる。揮発性メモリの例としては、揮発性ランダムアクセスメモリを挙げることができるが、これに限定するものではない。不揮発性メモリは、追加としてまたは代替として、電気的消去可能プログラマブル読取り専用メモリ(EEPROM)、フラッシュメモリ、またはハードドライブなどを含むことができる。揮発性メモリのいくつかの例としては、ランダムアクセスメモリ、ダイナミックランダムアクセスメモリ、およびスタティックランダムアクセスメモリなどが挙げられるが、これらに限定するものではない。不揮発性メモリのいくつかの例としては、ハードディスク、磁気テープ、光ディスク、プログラマブル読取り専用メモリ、消去可能プログラマブル読取り専用メモリ、電気的消去可能プログラマブル読取り専用メモリ、およびフラッシュメモリなどが挙げられるが、これらに限定するものではない、メモリ104は、情報、データ、アプリケーション、または命令などを記憶して、システム100が様々な例示的実施形態による様々な機能を行うことができるように構成され得る。追加としてまたは代替として、メモリ104は、命令を記憶するように構成され得、この命令は、プロセッサ102によって実行されると、システムに、様々な実施形態で説明される方式で振る舞わせる。メモリ104は、サンプル生成モジュール108、CFDシミュレーションモジュール110、訓練データ抽出モジュール112、ANN訓練/検証モジュール114、予測モジュール116、推定モジュール118、および他のモジュールを含む。モジュール108〜118、および他のモジュールは、特定のタスクを行う、または特定の抽象データタイプを実装するルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。他のモジュールは、システム100のアプリケーションおよび機能を補完するプログラムまたはコード化された命令を含むことができる。
動作に際して、サンプル生成モジュール108は、取鍋の形状パラメータおよび加工パラメータの異なるセットを受け取って、CFDシミュレーションから訓練データを生成するのに必要なサンプルデータを入手する。このサンプルは、形状パラメータおよび加工パラメータの全範囲をカバーするようなやり方で生成される。一例示的実装形態では、サンプル生成モジュール108は、取鍋の形状パラメータ、および業界で使用される形状寸法のそれぞれのそれらの範囲を受け取る。たとえば、形状パラメータには、取鍋の上面および底面の直径、取鍋高さ、プラグ位置、プラグ直径、プラグの数、ならびにテーパ角度など(図2の概略図200に示されている)が含まれる。この実装形態では、サンプル生成モジュール108は、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ(または重量)、流入する鋼中のキャリーオーバースラグの割合、および出鋼の持続時間が含まれる出鋼の加工パラメータを受け取る。たとえば、図3の概略図300は、出鋼工程を示している。
形状パラメータおよび加工パラメータを受け取った後、サンプル生成モジュール108は、異なる加工パラメータおよび形状パラメータに田口実験計画法(design of experiment technique: DOE)を使用してサンプル入力データを作成する。一実施形態では、サンプル生成モジュール108は、入力パラメータの各セットを、加工条件および形状詳細の全範囲を取り込むことができる数のセットに分割する。たとえば、まず、変数の最大と最小の範囲が取られ、次いで、たとえば、田口DOEメソッドを使用して、実験データセットを生成する。キー入力パラメータが、出力に対するその効果に基づいて識別される。たとえば、セットのそれぞれにおけるキーパラメータは、パラメータの極値範囲(extreme range)のそれぞれについてのCFDシミュレーション結果から、影響指標(influence index)を計算することによって識別され、影響指標があらかじめ定義された値よりも大きい1つまたは複数のパラメータが選択される。さらには、1つまたは複数のパラメータの入力データが作成される。キー入力パラメータの識別では、極値範囲変数を使用して、CFDシミュレーションを行い、影響指標が計算される。影響指標がより高いキーパラメータが選択される。影響指標は、パラメータの極値入力についての出力値間の差として定義される。ベースケース(速度が1トン/sおよび入り口直径が1メートル)に比較される影響指標の例が、図7Cのグラフ700Cに示されている。
さらには、CFDシミュレーションモジュール110は、異なる入力パラメータセットを使用して、取鍋の計算格子および境界条件に変換し、次いで、出鋼工程に存在する流体流量条件をシミュレーションして、変換された数値結果を入手する。さらには、訓練データ抽出モジュール112が、CFDシミュレーション結果から、入力セットについての空気/鋼界面面積および空気溜まりのような出力パラメータを抽出する。一例示的実施形態では、CFDシミュレーションモジュール110は、影響指標が高い変数についての生成されたサンプル入力データすべてに関するシミュレーションを実行する。次いで、CFDシミュレーションモジュールは、シミュレーション結果に基づいて出力データ(すなわち、空気溜まりおよび空気/鋼界面面積)を計算する。たとえば、取鍋における鋼内での空気溜まりは、溶鋼が所定の値(たとえば、10%)未満である流体面積を推定することによって計算される。空気/鋼界面面積は、空気の割合が所定の値よりも大きい溶鋼/空気界面面積を推定することによって推定される。たとえば、空気体積分率は、90%よりも大きい。
一例示的実施形態では、(図4AのCFDモデル400Aに示されている)出鋼のCFDモデルを使用して、異なる位相間の物理的現象を取り込むシミュレーション研究を行う。このモデルは、取鍋の仮想形状を作成した後に生成される計算格子ファイル(図4BのCFD格子400Bに示されている)を使用する。次いで、加工変数を使用して、CFDモデリングにおいて必要な境界条件を生成する。たとえば、境界条件には、壁面すべてにおける平滑な壁面境界条件、取鍋入り口における質量流量入り口、上壁面における圧力出口境界、スラグ、鋼、および空気の初期レベルによる初期設定、1873Kでの等温条件が含まれる。このモデルは、流体体積(volume of fluid: VOF)に基づく方法を使用して、空気/鋼と、スラグ/鋼、空気/スラグ、空気/鋼との間の表面張力のような流体相互作用パラメータを用いて取鍋の内部の流体流量を解く。取鍋の空の体積部には、計算の時間ステップごとに空気が充填される。流体の初期高さは、初期スラグ層高さから取られる。収束基準10-4を使用して、収束した結果を得る。CFDモデリングに使用すべき何らかのソルバ条件が存在する。CFDモデルの解により、鋼/空気界面面積および空気溜まりのような出力パラメータに関する情報が与えられる。たとえば、このモデルは、以下の式を使用して連続性をコンピュータ計算する。
さらには、CFDモデルは、次の式を使用して運動量保存をコンピュータ計算する。
さらには、Kイプシロン乱流モデル式は、次を含む。
また、VOFモデル式は、次を含む(この場合、q=l、s、airは、溶鋼、スラグ、および空気にそれぞれ対応する)。
αl+αs+αair=1
ρ=ρair+ρs+ρl
加えて、ANN訓練/検証モジュール114は、CFDモデルからの生成されたデータを使用して、ネットワークを訓練する。一旦、訓練が行われると、入力および出力データのいくつかのセットを使用してANNモデルを検証して、その正確性を確認する。この場合では、訓練されたANNモデルからの予測された結果は、実際のCFD結果と比較される。予測された結果がすべて±5%の範囲内にあるときのみ、ANNモデルは訓練されたと見なされる。一実施形態では、ANNモデルの訓練は、2つの隠れ層、5つの入力層、および1つの出力層から開始する。たとえば、逆伝播アルゴリズム(Backpropagation algorithm)が、ネットワークを訓練する間に使用され、隠れ層の数は、変化する。各隠れ層は、最小3つのノードから開始し、順次、検証結果に基づいて増加/減少する。検証ターゲットが達成される、またはターゲット付近にあるとき、すなわち、予測された結果がCFD結果の±5%の範囲内にあるときはいつでも、ネットワークアーキテクチャは記憶される。こうして、異なるネットワークアーキテクチャが、異なる数の隠れ層について記憶され、次いで比較される。最も精度の高い方式で予測するネットワークは、訓練されたANNモデルとして選択される。次いで、予測モジュール116は、新規の入力データセットについて、出鋼の場合の鋼/空気界面面積および空気溜まりのような出力パラメータを予測する。
空気溜まりを予測するためのANNモデル(図5のANNモデル500に示されている)では、入力変数として、出鋼速度、出鋼入り口面積、初期スラグ高さ、取鍋直径、流入する鋼中のスラグの割合、および初期スラグ層厚さが挙げられる。モデルの各隠れ層では、ネットワークを訓練するのに必要な複数のノードが存在する。訓練中、空気界面面積などの出力変数が使用される。ANNモデルの訓練に使用される訓練アルゴリズムは、逆伝播である。それは、隠れ層におけるノードのそれぞれについて重み(weightage)を生成する。一旦、ANNモデルが訓練されると、新規の入力変数セットが受領されて、それにより、訓練されたモデルは、出力パラメータを推定する。
出鋼時間に伴う空気溜まりを示す出鋼工程の鋼体積分率輪郭を示す一例が、図6の略図600に示されている。図7Aの一例示的グラフ700Aは、異なる出鋼速度についての鋼/空気界面面積のCFD結果を示している。図7Bの一例示的グラフ700Bは、異なる入り口直径についての鋼/空気界面面積のCFD結果を示している。任意の入力パラメータの特定の範囲内の値のうちのいずれかについて、空気/鋼界面面積の値がグラフ700Cに示されているベースケースと比較して±5%から外れているときはいつでも、入力パラメータは、影響パラメータと見なされ、そうでなければ、入力パラメータは無視される。この場合、グラフ700Cでは、黒色線はベースケースであり、灰色線は境界線である。
一例示的実装形態では、n多層パーセプトロン(multi-layer perceptron: MLP)ネットワークが、モデリングにおいて使用される。ネットワークは、ニューロン(ノード)の数がそれぞれ5、5、および1の各入力層、隠れ層、および出力層を有する。入力および出力のデータを取ることによって、入力および出力はすべて、個々に正規化される。各ニューロンは、その重みおよびバイアスを有する。さらには、ネットワークの訓練には、逆伝播(BP)学習アルゴリズムが使用される。BP学習アルゴリズムは、次のステップを含む。
1)ネットワークの中の重みとバイアスとを初期化する。
2)入力を通常の方式で前方伝播する。すなわち、
- すべての出力が、対応する重みと入力ベクトルとの内積のシグモイド閾値を使用してコンピュータ計算される。
- 段nにおけるすべての出力が、段n+1におけるすべての入力に接続される。
3)誤差逆伝播: 誤差をユニット影響レベルに従って各ユニットにそれを割り当てることによって後方伝播する。
4)訓練終了(収束基準)
- 最大反復数に達する。
- 特定のターゲット誤差値に達する。
- 先のエポックにおけるすべての重みが、非常に小さくて何らかの特定の閾値を下回った。
- 先のエポックにおいて誤って分類されたタプルの割合が、何らかの閾値を下回る。
- あらかじめ指定された数のエポックが期限切れである。より精度の高い値を与える分類器(classifier)が、優れた分類器と見なされる。
ニューラルネットワークモデリングの第1のステップは、ネットワークの初期化である。ニューロンに関連する重みとバイアスとのすべてには、反復の開始に向けて何らかの初期値が与えられる。次いで、これらの重みとバイアスは、訓練が進むにつれて修正される。ネットワークの重みおよびバイアスはすべて、乱数値により初期化される。ニューラルネットワークモデリングの第2のステップは、訓練データをネットワークの入力層に渡すことから開始する。入力は、入力ユニットを変化なく通過する。次に、隠れ層および出力層における各ユニットの正味入力および出力がコンピュータ計算される。隠れ層または出力層におけるユニットに対する正味入力は、その入力の線形結合としてコンピュータ計算される。ユニットに対する正味入力は、ユニットに接続される入力をその対応する重みと乗算することによってコンピュータ計算され、次いで、バイアスと加算される。隠れ層または出力層におけるユニットを考慮すると、ユニットjに対する正味入力Ijは、式1で与えられる。
ただし、Wijは、先の層の中のユニットIjからユニットjへの接続の重みであり、先の層θjからのユニットIの出力Oiは、ユニットのバイアスである。バイアスは、ユニットのアクティビティを変化させるように働くという点において閾値として作用する。隠れ層および出力層の中の各ユニットは、その正味入力を取り、次いで、活性化関数を適用する。この関数は、ユニットによって表されるニューロン活性化を象徴する。ロジスティック関数またはシグモイド関数が使用され、ユニットjの出力は式2のようにコンピュータ計算される。この関数は、大きい入力ドメインをより小さい範囲0〜1上にマッピングするので、スカッシング関数とも呼ばれる。
ネットワーク予測を反映するように重みおよびバイアスを更新することによって、誤差は、後方に逆伝播される。出力層の中のユニットjの場合、誤差は、式3によってコンピュータ計算される。
Errj=Oj(1-Oj)(Tj-Oj) (3)
ただし、Ojは、ユニットjの実際の出力であり、Tjは、所与の訓練データセットの知られているターゲット値である。隠れ層ユニットjの誤差をコンピュータ計算するためには、次の層の中のユニットjに接続されているユニットの誤差の重み付き和が考慮される。隠れ層ユニットjの誤差は、式4によって計算される。
ただし、Wjkは、ユニットjからより高い次の層の中のユニットkへの接続の重みであり、Errkは、ユニットkの誤差である。重みおよびバイアスは、伝播された誤差を反映するように更新される。重みは、式5によって計算される重みに従って更新される。
Wij=Wij+(l)ErrjOi (5)
変数lは、学習率であり、定数は、0から1の間の値である。逆伝播は、勾配降下法を使用して、訓練データに適合する重みセットを探すように学習して、平均2乗誤差を最小にする。この学習率は、局所的最小値におけるもたつきを回避する助けとなり、大域的最小値の発見を促進する。バイアスは、式6によって更新される。
θj=θj+(l)Errj (6)
いくつかの実施形態では、推定モジュール118を使用して、驚くべきデータから、空気/鋼界面における脱硫、ならびに窒素、水素、および酸素ピックアップを推定することができる。この場合、化学反応速度式(chemical kinetic equation)が、物理的変数のそれぞれについて解かれる。ANNモデルからの予測されたパラメータを使用して、取鍋内の窒素、水素、および硫黄濃度を予測する。これらの物理的パラメータ予測は、非常に高速で、正確である。そのため、これらの予測により、加工のオンライン制御がしやすくなって、鋼プラントの生産性ならびに鋼の品質をより高めることができる。
図8は、一例示的実施形態による、取鍋内の空気溜まりを割り出すための方法800のフロー略図を示している。方法800は、コンピュータ実行可能命令の概括的文脈で説明され得る。概して、コンピュータ実行可能命令は、特定の機能を実行し、または特定の抽象データタイプを実装するルーチン、プログラム、オブジェクト、コンポーネント、データ構造、手続き、モジュール、機能などを含むことができる。方法800は、通信ネットワークを介してリンクされているリモート処理装置によって機能が実行される分散型コンピューティング環境においても実施可能である。方法800が説明されている順序は、限定と見なすことを意図するものではなく、説明した任意の数の方法ブロックを任意の順序で組み合わせて、方法800または代替の方法を実施してもよい。さらには、方法800は、任意の適切なハードウェア、ソフトウェア、ファームウェア、またはそれらの組合せで実施されてもよい。一実施形態では、フローチャートに示されている方法800は、システム、たとえば図1のシステム100によって実行され得る。
ブロック802では、取鍋に関連する形状パラメータが受領される。たとえば、形状パラメータには、取鍋の上面および底面の直径、取鍋高さ、プラグの数、プラグの位置、ならびにプラグの直径などが挙げられる。ブロック804では、出鋼の取鍋加工パラメータが取り込まれる。たとえば、取鍋加工パラメータには、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ、流入する鋼中のキャリーオーバースラグの割合、および出鋼の持続時間などが挙げられる。ブロック806では、入力データが、取鍋加工パラメータおよび形状パラメータを使用して作成される。一例示的実装形態では、取鍋の形状パラメータおよび加工パラメータは、加工条件および形状詳細の全範囲を取り込む数のセットに分割される。次いで、多相計算流体力学シミュレーションが、各セットに極値範囲を含むパラメータ値について実行される。さらには、セットのそれぞれにおけるキーパラメータが、パラメータ極値範囲のそれぞれについてのCFDシミュレーション結果から、影響指標を計算することによって識別され、あらかじめ定義された値よりも大きい影響指標を含む1つまたは複数のパラメータが選択される。さらには、1つまたは複数のパラメータの入力データが作成される。
ブロック808では、作成された入力データを使用して多相計算流体力学を実行して、シミュレーション結果を取得する。一例示的実装形態では、取鍋の仮想形状が、形状パラメータを使用して作成される。さらには、計算格子が、取鍋の仮想形状を使用して作成される。さらには、計算流体力学のモデリングに必要な境界条件が、取鍋加工パラメータを使用して生成される。加えて、多相計算流体力学シミュレーションは、計算格子、境界条件、およびあらかじめ定義されたソルバ条件を使用して実行される。
ブロック810では、空気/鋼界面面積および空気溜まり量である出力データが、シミュレーションされた結果から計算される。一実施形態では、取鍋における鋼内の空気溜まり量は、溶鋼が所定の値未満である流体面積を推定することによって計算される。さらには、空気/鋼界面面積は、空気が所定の値よりも多い溶鋼/空気界面面積を推定することによって計算される。
ブロック812では、訓練データが、入力データおよび対応する出力データから作成される。ブロック814では、人工ニューラルネットワーク(ANN)モデルが、取得した訓練データを使用して訓練される。ブロック816では、取鍋内の空気溜まり量および空気/鋼界面面積が、訓練されたANNモデルを使用して、新規形状パラメータ、および取鍋加工パラメータについて割り出される。
本明細書では、当業者が実施形態を作成し使用することができるように、本明細書における主題について説明している。主題の実施形態の範囲は、特許請求の範囲によって定義され、当業者なら思い付く他の修正形態を含むことができる。そのような他の修正形態は、それらが、特許請求の範囲の文字通りの文言と異なっていない同様の要素を有している場合、またはそれらが、特許請求の範囲の文字通りの範囲とは実質的に異なっていない等価な要素を含んでいる場合、特許請求の範囲内にあることを意図するものである。
しかしながら、保護の範囲がそのようなプログラム、およびメッセージをその中に有するコンピュータ可読手段に加えて拡張されることを理解すべきであり、そのような非一時的コンピュータ可読ストレージ手段は、プログラムがサーバもしくはモバイル装置または任意の適切なプログラマブル装置上で動作するとき、方法の1つまたは複数のステップを実施するためのプログラムコード手段を含んでいる。ハードウェア装置は、たとえば、サーバもしくはパーソナルコンピュータなどのような任意の種類のコンピュータ、またはそれらの任意の組合せを含む、プログラミング可能な任意の種類の装置であってもよい。装置はまた、たとえば特定用途向け集積回路(ASIC)、フィールドプログラマブルゲートアレイ(FPGA)のようなハードウェア手段、またはハードウェア手段とソフトウェア手段、たとえばASICとFPGAとの組合せとし得る手段、あるいは少なくとも1つのマイクロプロセッサ、およびソフトウェアモジュールが内部に配置されている少なくとも1つのメモリを含んでもよい。したがって、この手段は、ハードウェア手段とソフトウェア手段の両方を含むことができる。本明細書に説明される方法の実施形態は、ハードウェアおよびソフトウェアにおいて実施され得る。装置はまた、ソフトウェア手段を含んでもよい。あるいは、諸実施形態は、たとえば複数のCPUを使用して、異なるハードウェア装置上で実施され得る。
本明細書における実施形態は、ハードウェア要素およびソフトウェア要素を含むことができる。ソフトウェアにおいて実施される実施形態には、ファームウェア、常駐ソフトウェア、マイクロコードなどが挙げられるが、これらに限定するものではない。本明細書において説明される様々なモジュールによって実行される機能は、他のモジュールまたは他のモジュールの組合せにおいて実施され得る。これを説明する目的のために、コンピュータ使用可能またはコンピュータ可読媒体は、命令実行システム、機器、もしく装置によって使用するための、またはこれらのシステム、機器、もしくは装置に関連するプログラムを含む、格納する、伝える、伝播する、あるいは輸送することができる任意の機器とすることができる。
特定の実装形態および実施形態の前述の説明は、本明細書における実装形態および実施形態の一般的性質を完全に明らかにするので、当業者は、現在の知識を用いることによって、概括的概念から逸脱することなくそのような特定の実施形態を様々な用途に容易に修正および/または適合させることが可能であり、そのため、そのような適合形態および修正形態は、開示された実施形態の均等物の意味および範囲内にあることが理解されるべきであり、意図される。本明細書において採用されている表現または用語が、説明を目的とするものであり、限定を目的としていないことを理解されたい。そのため、本明細書の実施形態については、好ましい実施形態に関して説明しているが、本明細書における実施形態が、本明細書において記載の実施形態の趣旨および範囲内で修正を伴って実践可能であることを当業者なら認識するであろう。
前述の説明については、様々な実施形態を参照して提示してきた。本出願が関係する当業者は、記載の構造および動作方法における代替形態ならびに変更形態が、原理、趣旨および範囲から有意に逸脱することなく実施され得ることを認識するであろう。
100 システム
102 プロセッサ
104 メモリ
106 ネットワークインターフェースユニット
108 サンプル生成モジュール
110 CFDシミュレーションモジュール
112 訓練データ抽出モジュール
114 ANN訓練/検証モジュール
116 予測モジュール
118 推定モジュール
200 概略図
300 概略図
400A CFDモデル
400B CFD格子
500 ANNモデル
600 略図
700A グラフ
700B グラフ
700C グラフ
800 方法

Claims (12)

  1. 取鍋に関連する形状パラメータを取得するステップであって、前記形状パラメータが、取鍋の上面および底面の直径、取鍋高さ、プラグの数、前記プラグの位置、ならびに前記プラグの直径を含む、ステップと、
    出鋼の取鍋加工パラメータを取り込むステップであって、前記取鍋加工パラメータが、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ、流入する鋼中のキャリーオーバースラグの割合、および出鋼の持続時間を含む、ステップと、
    前記取鍋加工パラメータおよび前記形状パラメータを使用して入力データを作成するステップと、
    前記作成された入力データを使用して多相計算流体力学(computational fluid dynamics: CFD)を実行して、シミュレーション結果を取得するステップと、
    前記シミュレーション結果から、空気/鋼界面面積および空気溜まり量である出力データを計算するステップと、
    前記入力データおよび対応する前記出力データから訓練データを作成するステップと、
    前記取得した訓練データを使用して、人工ニューラルネットワーク(artificial neural network: ANN)モデルを訓練するステップと、
    前記訓練されたANNモデルを使用して、新規形状パラメータおよび前記取鍋加工パラメータの前記取鍋内の空気溜まり量および空気/鋼界面面積を割り出すステップと
    を含むプロセッサ実装方法。
  2. 前記取鍋加工パラメータおよび前記形状パラメータを使用して入力データを作成するステップが、
    前記形状パラメータおよび前記取鍋加工パラメータを加工条件および形状詳細の全範囲を取り込む数のセットに分割するステップと、
    各セットに範囲を含む前記パラメータの値について多相計算流体力学シミュレーションを実行するステップと、
    前記パラメータの範囲のそれぞれのCFDシミュレーション結果から、影響指標を計算することによって前記セットのそれぞれにおけるキーパラメータを識別し、あらかじめ定義された値よりも大きい影響指標を含む前記パラメータのうちの1つまたは複数を選択するステップと、
    前記パラメータの前記1つまたは複数の入力データを作成するステップと
    を含む、請求項1に記載の方法。
  3. 前記多相計算流体力学シミュレーションを実行するステップが、
    前記形状パラメータを使用して前記取鍋の仮想形状を作成するステップと、
    前記取鍋の前記仮想形状を使用して計算格子を生成するステップと、
    前記取鍋加工パラメータを使用して前記計算流体力学のモデリングに必要な境界条件を生成するステップと、
    前記計算格子、前記境界条件、およびあらかじめ定義されたソルバ条件を使用して、前記多相計算流体力学シミュレーションを実行するステップと
    を含む、請求項2に記載の方法。
  4. 前記シミュレーションされた結果から、前記空気/鋼界面面積および前記空気溜まり量である出力データを計算するステップが、
    溶鋼が所定の値未満である流体面積を推定することによって、前記取鍋における鋼内の前記空気溜まり量を計算するステップと、
    空気の割合が所定の値よりも大きい溶鋼/空気界面面積を推定することによって、前記空気/鋼界面面積を計算するステップと
    を含む、請求項1に記載の方法。
  5. 1つまたは複数のメモリと、
    1つまたは複数のハードウェアプロセッサとを含み、前記1つまたは複数のメモリが、前記1つまたは複数のハードウェアプロセッサに連結され、前記1つまたは複数のハードウェアプロセッサが、前記1つまたは複数のメモリに記憶されているプログラミングされた命令を実行するように構成され、前記命令が、
    取鍋に関連する形状パラメータを取得するステップであって、前記形状パラメータが、取鍋の上面および底面の直径、取鍋高さ、プラグの数、前記プラグの位置、ならびに前記プラグの直径を含む、ステップと、
    出鋼の取鍋加工パラメータを取り込むステップであって、前記取鍋加工パラメータが、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ、および出鋼の持続時間を含む、ステップと、
    前記取鍋加工パラメータおよび前記形状パラメータを使用して入力データを作成するステップと、
    前記作成された入力データを使用して多相計算流体力学を実行して、シミュレーション結果を取得するステップと、
    前記シミュレーション結果から、空気/鋼界面面積および空気溜まり量である出力データを計算するステップと、
    前記入力データおよび対応する前記出力データから訓練データを作成するステップと、
    前記取得した訓練データを使用して、人工ニューラルネットワーク(ANN)モデルを訓練するステップと、
    前記訓練されたANNモデルを使用して、新規形状パラメータ、および前記取鍋加工パラメータの前記取鍋内の空気溜まり量および空気/鋼界面面積を割り出すステップと
    を行う、システム。
  6. 前記1つまたは複数のハードウェアプロセッサが、プログラミングされた命令をさらに実行することができ、前記命令が、
    前記形状パラメータおよび前記取鍋加工パラメータを加工条件および形状詳細の全範囲を取り込む数のセットに分割するステップと、
    各セットに極値範囲を含む前記パラメータの値について多相計算流体力学シミュレーションを実行するステップと、
    前記パラメータの極値範囲のそれぞれのCFDシミュレーション結果から、影響指標を計算することによって前記セットのそれぞれにおけるキーパラメータを識別し、あらかじめ定義された値よりも大きい影響指標を含む前記パラメータを選択するステップと、
    前記キーパラメータの入力データを作成するステップと
    を行う、請求項5に記載のシステム。
  7. 前記1つまたは複数のハードウェアプロセッサが、プログラミングされた命令をさらに実行することができ、前記命令が、
    前記形状パラメータを使用して前記取鍋の仮想形状を作成するステップと、
    前記取鍋の前記仮想形状を使用して計算格子を生成するステップと、
    前記取鍋加工パラメータを使用して前記計算流体力学のモデリングに必要な境界条件を生成するステップと、
    前記計算格子、前記境界条件、およびあらかじめ定義されたソルバ条件を使用して、前記多相計算流体力学シミュレーションを実行するステップと
    を行う、請求項6に記載のシステム。
  8. 前記1つまたは複数のハードウェアプロセッサが、プログラミングされた命令をさらに実行することができ、前記命令が、
    溶鋼が所定の値未満である流体面積を推定することによって、前記取鍋における鋼内の前記空気溜まり量を計算するステップと、
    空気の割合が所定の値よりも大きい溶鋼/空気界面面積を推定することによって、前記空気/鋼界面面積を計算するステップと
    を行う、請求項6に記載のシステム。
  9. 1つまたは複数の命令を含む1つまたは複数の非一時的機械可読情報記憶媒体であって、前記命令は、1つまたは複数のハードウェアプロセッサによって実行されると、前記1つまたは複数のハードウェアプロセッサに、取鍋内の空気溜まりを割り出すための方法を行わせ、前記方法が、
    取鍋に関連する形状パラメータを取得するステップであって、前記形状パラメータが、取鍋の上面および底面の直径、取鍋高さ、プラグの数、前記プラグの位置、ならびに前記プラグの直径を含む、ステップと、
    出鋼の取鍋加工パラメータを取り込むステップであって、前記取鍋加工パラメータが、出鋼速度の範囲、出鋼入り口面積、初期スラグ高さ、流入する鋼中のキャリーオーバースラグの割合、および出鋼の持続時間を含む、ステップと、
    前記取鍋加工パラメータおよび前記形状パラメータを使用して入力データを作成するステップと、
    前記作成された入力データを使用して多相計算流体力学(CFD)を実行して、シミュレーション結果を取得するステップと、
    前記シミュレーションされた結果から、空気/鋼界面面積および空気溜まり量である出力データを計算するステップと、
    前記入力データおよび対応する前記出力データから訓練データを作成するステップと、
    前記取得した訓練データを使用して、人工ニューラルネットワーク(ANN)モデルを訓練するステップと、
    前記訓練されたANNモデルを使用して、新規形状パラメータ、および前記取鍋加工パラメータの前記取鍋内の空気溜まり量および空気/鋼界面面積を割り出すステップと
    を含む、1つまたは複数の非一時的機械可読情報記憶媒体。
  10. 前記形状パラメータおよび前記取鍋加工パラメータを加工条件および形状詳細の全範囲を取り込む数のセットに分割するステップと、
    各セットに範囲を含む前記パラメータの値について多相計算流体力学シミュレーションを実行するステップと、
    前記パラメータの範囲のそれぞれのCFDシミュレーション結果から、影響指標を計算することによって前記セットのそれぞれにおけるキーパラメータを識別し、あらかじめ定義された値よりも大きい影響指標を含む前記パラメータのうちの1つまたは複数を選択するステップと、
    前記パラメータのうちの1つまたは複数の入力データを作成するステップと
    をさらに含む、請求項9に記載の1つまたは複数の非一時的機械可読情報記憶媒体。
  11. 前記形状パラメータを使用して前記取鍋の仮想形状を作成するステップと、
    前記取鍋の前記仮想形状を使用して計算格子を生成するステップと、
    前記取鍋加工パラメータを使用して前記計算流体力学のモデリングに必要な境界条件を生成するステップと、
    前記計算格子、前記境界条件、およびあらかじめ定義されたソルバ条件を使用して、前記多相計算流体力学シミュレーションを実行するステップと
    をさらに含む、請求項10に記載の1つまたは複数の非一時的機械可読情報記憶媒体。
  12. 溶鋼が所定の値未満である流体面積を推定することによって、前記取鍋における鋼内の前記空気溜まり量を計算するステップと、
    空気の割合が所定の値よりも大きい溶鋼/空気界面面積を推定することによって、前記空気/鋼界面面積を計算するステップと
    をさらに含む、請求項9に記載の1つまたは複数の非一時的機械可読情報記憶媒体。
JP2019031719A 2018-03-09 2019-02-25 取鍋内の空気溜まりを割り出すためのシステムおよび方法 Active JP6732066B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN201821008855 2018-03-09
IN201821008855 2018-03-09

Publications (2)

Publication Number Publication Date
JP2019160305A JP2019160305A (ja) 2019-09-19
JP6732066B2 true JP6732066B2 (ja) 2020-07-29

Family

ID=65351894

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019031719A Active JP6732066B2 (ja) 2018-03-09 2019-02-25 取鍋内の空気溜まりを割り出すためのシステムおよび方法

Country Status (4)

Country Link
US (1) US11475180B2 (ja)
EP (1) EP3537317B1 (ja)
JP (1) JP6732066B2 (ja)
CN (1) CN110245372B (ja)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110865753B (zh) * 2019-11-07 2021-01-22 支付宝(杭州)信息技术有限公司 应用消息的通知方法及装置
CN111353656B (zh) * 2020-03-23 2021-05-07 大连理工大学 一种基于生产计划的钢铁企业氧气负荷预测方法
CN111680433B (zh) * 2020-04-29 2023-02-21 中国第一汽车股份有限公司 一种板材厚度的赋值方法、装置、设备及存储介质
CN111998892A (zh) * 2020-07-23 2020-11-27 麦特勒智能科技(张家港)有限公司 一种基于流场和浓度场数值模拟计算的混钢模型系统
CN112364918B (zh) * 2020-11-10 2024-04-02 深圳力维智联技术有限公司 异常识别方法、终端和计算机可读存储介质
US12032359B2 (en) * 2021-02-25 2024-07-09 Tata Consultancy Services Limited Prediction of preheat refractory temperature profile of a ladle furnace
CN113158586A (zh) * 2021-05-26 2021-07-23 华能新能源股份有限公司 结合神经网络算法的风电场数值模拟方法、装置及存储介质
CN113642258B (zh) * 2021-10-14 2022-01-14 成都万江港利科技股份有限公司 一种基于神经网络的cfd模型种类选择方法
TWI839266B (zh) * 2023-07-11 2024-04-11 中國鋼鐵股份有限公司 一種鋼渣接取方法及系統
CN117634340B (zh) * 2023-11-20 2024-05-24 北京科技大学 一种底吹氩钢包脱硫效果的判定方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5161555A (ja) 1974-11-26 1976-05-28 Mitsubishi Gas Chemical Co Nannenseihoriamidojushisoseibutsu
FR2632971B1 (fr) * 1988-06-17 1993-09-03 Vallourec Procede de traitement des aciers liquides par injection de gaz a travers le fond de poche
GB0412105D0 (en) 2004-05-29 2004-06-30 Warner Noel A Recovery of steel from contaminated scrap
UA91416C2 (ru) * 2008-10-13 2010-07-26 Закрите Акціонерне Товариство "Донецьксталь"-Металургійний Завод" способ управления процессом нагрева монолитной огнеупорной футеровки сталеразливочного ковша
JP5328305B2 (ja) 2008-11-13 2013-10-30 株式会社神戸製鋼所 取鍋精錬方法
CN101846971A (zh) 2009-03-23 2010-09-29 上海都峰智能科技有限公司 钢包炉优化方法
CN101633038B (zh) * 2009-05-26 2011-10-12 山西太钢不锈钢股份有限公司 一种降低不锈钢连铸坯表面缺陷的方法
US8945464B2 (en) 2011-05-20 2015-02-03 Air Products And Chemicals, Inc. Heating method and system for controlling air ingress into enclosed spaces
US9740801B2 (en) * 2011-09-03 2017-08-22 Tata Consultancy Services Limited Optimization for cooling
CN102419581A (zh) 2011-10-19 2012-04-18 北京科技大学 一种基于hrcea的特殊钢厂炼钢-连铸生产调度方法
CN102430749B (zh) * 2011-12-31 2013-08-21 大冶特殊钢股份有限公司 椭圆形钢包及其制作方法
EP2664970A1 (de) 2012-05-15 2013-11-20 ABB Research Ltd. Prozessleitsystem und Verfahren
CN102867220B (zh) * 2012-06-25 2016-09-21 攀钢集团研究院有限公司 一种实时预测钢包精炼炉精炼钢水温度的方法
US9996074B2 (en) * 2016-09-21 2018-06-12 International Business Machines Corporation System and predictive modeling method for smelting process control based on multi-source information with heterogeneous relatedness

Also Published As

Publication number Publication date
EP3537317A1 (en) 2019-09-11
CN110245372B (zh) 2022-10-21
CN110245372A (zh) 2019-09-17
US11475180B2 (en) 2022-10-18
US20190278879A1 (en) 2019-09-12
JP2019160305A (ja) 2019-09-19
EP3537317B1 (en) 2022-11-16

Similar Documents

Publication Publication Date Title
JP6732066B2 (ja) 取鍋内の空気溜まりを割り出すためのシステムおよび方法
KR102611938B1 (ko) 신경망을 사용한 통합 회로 플로어 플랜 생성
US11861474B2 (en) Dynamic placement of computation sub-graphs
JP5346701B2 (ja) 学習制御システム及び学習制御方法
TWI622939B (zh) 用於執行類神經網路之類神經網路計算之方法、系統及電腦可讀取媒體
US20190012611A1 (en) Information processing system
JP2020191097A (ja) 強化学習を用いた環境予測
CN110795246A (zh) 资源利用率的预测方法及装置
CN108875776A (zh) 模型训练方法和装置、业务推荐的方法和装置、电子设备
CN110188862B (zh) 用于数据处理的模型超参数的搜索方法、装置、系统
Shi et al. Artificial bee colony Based Bayesian Regularization Artificial Neural Network approach to model transient flammable cloud dispersion in congested area
JP7221062B2 (ja) 流体解析システム、流体解析方法、および流体解析プログラム
CN115545334B (zh) 土地利用类型预测方法、装置、电子设备及存储介质
EP4049771B1 (en) Prediction of preheat refractory temperature profile of a ladle furnace
CN111612274B (zh) 一种基于时空相关性的潮汐水位预报方法
CN117875504A (zh) 溃坝预测及其模型训练方法、装置、电子设备及存储介质
JP2019040365A (ja) 情報処理装置、方法、及びプログラム
Alyoubi et al. Connotation of fuzzy logic system in Underwater communication systems for navy applications with data indulgence route
KR101909383B1 (ko) 압축성 볼츠만 해석 기법의 벽면 경계 조건 모델링 방법
CN111428420B (zh) 海表流流速预测方法、装置、计算机设备和存储介质
Chen et al. Towards profit optimization during online participant selection in compressive mobile crowdsensing
CN114611678A (zh) 训练方法及装置、数据处理方法、电子设备和存储介质
Pan et al. Asynchronous value iteration network
CN112016611A (zh) 生成器网络和策略生成网络的训练方法、装置和电子设备
CN110879530A (zh) 用于对动态模型进行安全的训练的方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190424

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190424

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200527

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200608

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200707

R150 Certificate of patent or registration of utility model

Ref document number: 6732066

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250