KR20240058140A

KR20240058140A - 용철의 불순물 농도의 예측 방법, 용철의 제조 방법, 학습 완료의 기계 학습 모델의 작성 방법 및 용철의 불순물 농도의 예측 장치

Info

Publication number: KR20240058140A
Application number: KR1020247010961A
Authority: KR
Inventors: 요시히로 미와; 와타루 도도; 노부히코 오다
Original assignee: 제이에프이 스틸 가부시키가이샤
Priority date: 2021-10-12
Filing date: 2022-07-21
Publication date: 2024-05-03
Also published as: EP4394051A1; JP7207624B1; CN118056023A; JPWO2023062905A1

Abstract

전기로를 이용한 용철의 정련에 있어서, 트램프 엘리먼트가 되는 용철의 불순물 농도의 예측 정밀도를 향상할 수 있는, 용철의 불순물 농도의 예측 방법을 제공한다. 아크 전기로 설비에 있어서 정련되는 용철의 정련 후의 불순물 농도의 예측 방법으로서, 종류마다 구분되는 복수의 철계 스크랩의 각각의 장입량과, 전 차지에 있어서의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 불순물 농도 예측 모델에 입력하고, 후 차지에 있어서의 용철의 불순물 농도를 출력한다.

Description

용철의 불순물 농도의 예측 방법, 용철의 제조 방법, 학습 완료의 기계 학습 모델의 작성 방법 및 용철의 불순물 농도의 예측 장치

본 발명은, 아크 전기로(electric arc furnace) 설비에 있어서 정련되는 용철(molten iron)의 정련 후의 불순물 농도의 예측 방법, 이 불순물 농도의 예측 방법을 이용한 용철의 제조 방법, 정련 후에 있어서의 용철의 불순물 농도의 예측에 이용하는 학습 완료의 기계 학습 모델의 작성 방법 및 용철의 불순물 농도의 예측 장치에 관한 것이다.

아크 전기로 설비에서는, 철계 스크랩(냉(cold)철원) 등으로 이루어지는 주원료를 아크열로 용해하여 용철을 제조하고 있다. 철계 스크랩의 종류는, 철 스크랩 검수 통일 규격으로 규정되어 있고, 헤비 스크랩, 신단 부스러기(new scrap), 슈레더 등 다종 다양에 걸쳐, 그 스크랩 품질에 따라 가격이 결정된다. 시장에 가장 많이 유통하고 있는 것은 헤비 스크랩(H1∼H4)이고, 시장에서 해체된 철원이 혼재하고 있는 헤비 스크랩에는, 용해 정련으로 제거 곤란한 구리(Cu)나 주석(Sn) 등의 불순물, 소위 트램프 엘리먼트(tramp element)의 혼입 리스크가 있다.

철계 스크랩의 가격은, 이러한 스크랩 품질을 가미하여 결정된다. 예를 들면, 강판을 펀칭했을 때에 발생하는, 소위 신단 부스러기는, 헤비 스크랩과 비교하여 트램프 엘리먼트의 혼입 리스크가 낮고, 또한, 유통량도 한정되기 때문에 고가로 거래된다. 그 때문에, 트램프 엘리먼트의 혼입 리스크를 저감하기 위해 신단 부스러기를 많이 이용하면 제조 비용이 높아진다. 종래, 그 철계 스크랩의 배합 비율은, 얻어지는 용철이 화학 성분 규격을 만족하도록, 실조업 가능한 범위에서, 사람의 과거의 인식 및 상황 판단에 기초하여, 헤비 스크랩과 신단 부스러기와의 배합 비율을 결정하고 있었다.

이러한 배경으로부터, 특허문헌 1에는, 각 스크랩의 배합 비율을 변수로 하고, 당해 각 스크랩의 구입 가격과 사용 가치를 정수로 하여, 상기 변수를 순차 변화시켜 다수회 계산하고, 제강 조업 비용이 가능한 한 작아지는 상기 변수를 구하는 시스템이 개시되어 있다. 특허문헌 1에 의하면, 요구되는 구리 규격을 만족하도록 스크랩 배합 비율을 산출함으로써, 저급 스크랩을 유효 이용하면서 제조 비용의 삭감을 기대할 수 있다고 되어 있다.

일본공개특허공보 평10-168510호

트램프 엘리먼트(특히 구리 규격)가 엄격한 고급강을 제조하는 일본에서는, 국내에서 발생하는 헤비 스크랩과 같은 트램프 엘리먼트의 리스크가 높은 저급 스크랩의 100％ 리사이클은 되어 있지 않다. 그 때문에, 연간 8백만∼9백만톤의 철계 스크랩이 국외로 수출되고 있다. 고로-전로법(blast furnace-converter method)으로 제조되는 용철과 비교하여, 전기로법으로 제조되는 용철은, 에너지 소비량이 적고, CO₂ 배출량도 적다. 이 때문에, 환경 영향의 관점에서도, 국내에서 발생하는 철계 스크랩의 국내에서의 100％ 리사이클을 추진해 가는 것이 요망되고 있다.

이러한 요구에 대하여, 특허문헌 1의 방법은, 제조 비용을 저감시키면서도, 화학 성분 규격을 어느 정도 만족하는 용철을 제조할 수 있기 때문에, 여러 가지의 철계 스크랩의 배합에 사용되고 있고, 나아가서는, 국내에서의 저급 스크랩의 유효 이용에 기여할 수 있다.

그러나, 특허문헌 1과 같이, 각 스크랩의 배합 비율만을 변수로 하는 트램프 엘리먼트의 농도 예측은 정밀도가 낮다. 이러한 낮은 예측 정밀도의 농도에 기초하여 실시되는 철계 스크랩의 배합 계산은 최적화된 것이라고는 할 수 없고, 실제로 제조한 용철에 있어서, 트램프 엘리먼트인 구리 성분 규격의 상한을 초과해 버리는 경우가 빈발한다. 이 때문에, 헤비 스크랩의 사용량을 줄여, 신단 부스러기와 같은 고급 스크랩의 사용량을 증가하지 않을 수 없어, 결과적으로 용철의 제조 비용이 상승해 버린다는 과제가 있었다.

본 발명은, 이러한 종래 기술의 과제를 감안하여 이루어진 것으로서, 그의 목적으로 하는 바는, 전기로를 이용한 용철의 정련에 있어서, 트램프 엘리먼트가 되는 용철의 불순물 농도의 예측 정밀도를 향상할 수 있는 용철의 불순물 농도의 예측 방법 및 용철의 불순물 농도의 예측 장치를 제공하는 것, 또한, 요구되는 화학 성분 규격을 만족하고, 또한, 저급 스크랩의 배합량을 증가시켜 제조 비용을 저감할 수 있는 용철의 제조 방법을 제공하는 것, 나아가서는, 정련 후에 있어서의 용철의 불순물 농도의 예측에 이용하는 학습 완료의 기계 학습 모델의 작성 방법을 제공하는 것이다.

본 발명자들은, 상기 과제를 해결하기 위해 예의 검토를 거듭했다. 그 결과, 각 철계 스크랩의 장입량에 더하여, 전 차지(preceding charge)에 있어서의 용철의 불순물 농도 및 전 차지의 잔탕량(전 차지의 반입 용철량) 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 입력 데이터로 함으로써, 얻어지는 용철의 불순물 농도의 예측 정밀도를 향상할 수 있는 것을 발견했다. 이와 같이 하여 예측되는 후 차지(subsequent charge)의 용철의 불순물 농도에 기초하여 철계 스크랩의 배합을 최적화함으로써, 요구되는 화학 성분 규격을 만족하고, 또한, 저급 스크랩의 배합량을 증가시켜 제조 비용을 저감할 수 있는 것을 발견했다.

본 발명은 상기 인식에 기초하여 이루어진 것으로서, 그의 요지는 이하와 같다.

[1] 아크 전기로 설비에 있어서 정련된 용철의 불순물 농도의 예측 방법으로서, 종류마다 구분되는 복수의 철계 스크랩의 각각의 장입량과, 전 차지에 있어서의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 불순물 농도 예측 모델에 입력하고, 후 차지에 있어서의 용철의 불순물 농도를 출력하는, 용철의 불순물 농도의 예측 방법.

[2] 상기 불순물 농도 예측 모델은, 상기 철계 스크랩의 각각의 장입량과, 상기 전 차지에 있어서의 용철의 불순물 농도, 상기 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 설명 변수로 하고, 후 차지에 있어서의 용철의 불순물 농도를 목적 변수로 하는 중회귀 모델(multiple regression model)인, [1]에 기재된 용철의 불순물 농도의 예측 방법.

[3] 상기 불순물 농도 예측 모델은, 상기 철계 스크랩의 각각의 장입량과, 상기 전 차지에 있어서의 용철의 불순물 농도 및 상기 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 입력 데이터로 하고, 후 차지에 있어서의 용철의 불순물 농도를 출력 데이터로 하는 학습 완료의 기계 학습 모델인, [1]에 기재된 용철의 불순물 농도의 예측 방법.

[4] [1] 내지 [3] 중 어느 것에 기재된 용철의 불순물 농도의 예측 방법을 이용하는 용철의 제조 방법으로서, 상기 철계 스크랩은, 철계 스크랩 전체의 불순물 농도의 평균값보다도 불순물 농도가 높은 저급 스크랩과, 상기 평균값보다도 불순물 농도가 낮은 고급 스크랩을 포함하고, 상기 불순물 농도의 예측 방법으로 예측되는 후 차지에 있어서의 용철의 불순물 농도가, 미리 정해진 용철의 불순물 농도의 목표값이 되도록, 상기 저급 스크랩의 장입량을 결정하는, 용철의 제조 방법.

[5] 아크 전기로 설비에 있어서 정련되는 용철의 정련 후의 불순물 농도의 예측에 이용하는 학습 완료의 기계 학습 모델의 작성 방법으로서, 종류마다 구분되는 복수의 철계 스크랩의 각각의 장입량과, 전 차지에 있어서의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 입력 데이터로 하고, 후 차지에 있어서의 용철의 불순물 농도의 실적값을 출력 데이터로 하는 기계 학습 모델에, 과거의 아크 전기로 설비를 이용한 정련에 있어서의 상기 입력 데이터와 후 차지의 용철에 있어서의 불순물 농도의 실적값을 포함하는 데이터 세트를 입력하여 학습 완료의 기계 학습 모델을 작성하는, 학습 완료의 기계 학습 모델의 작성 방법.

[6] 아크 전기로 설비에 있어서 정련된 용철의 불순물 농도의 예측 장치로서, 종류마다 구분되는 복수의 철계 스크랩의 각각의 장입량과, 전 차지에 있어서의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 불순물 농도 예측 모델에 입력하고, 후 차지에 있어서의 용철의 불순물 농도를 출력하는 불순물 농도 예측부를 갖는, 용철의 불순물 농도의 예측 장치.

[7] 상기 불순물 농도 예측 모델은, 상기 철계 스크랩의 각각의 장입량과, 상기 전 차지에 있어서의 용철의 불순물 농도, 상기 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 설명 변수로 하고, 후 차지에 있어서의 용철의 불순물 농도를 목적 변수로 하는 중회귀 모델인, [6]에 기재된 용철의 불순물 농도의 예측 장치.

[8] 상기 불순물 농도 예측 모델은, 상기 철계 스크랩의 각각의 장입량과, 상기 전 차지에 있어서의 용철의 불순물 농도 및 상기 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 입력 데이터로 하고, 후 차지에 있어서의 용철의 불순물 농도를 출력 데이터로 하는 학습 완료의 기계 학습 모델인, [6]에 기재된 용철의 불순물 농도의 예측 장치.

[9] 상기 철계 스크랩은, 철계 스크랩 전체의 불순물 농도의 평균값보다도 불순물 농도가 높은 저급 스크랩과, 상기 평균값보다도 불순물 농도가 낮은 고급 스크랩을 포함하고, 상기 불순물 농도 예측부는, 출력된 후 차지에 있어서의 용철의 불순물 농도가 미리 정해진 용철의 불순물 농도의 목표값이 되도록, 상기 저급 스크랩의 장입량을 결정하는, [6] 내지 [8] 중 어느 것에 기재된 용철의 불순물 농도의 예측 장치.

본 발명에 따른 용철의 불순물 농도의 예측 방법을 실시함으로써, 아크 전기로 설비에서의 정련 후에 있어서의 용철의 불순물 농도를 높은 정밀도로 예측할 수 있다. 그리고, 당해 방법으로 예측된 용철의 불순물 농도에 기초하여 철계 스크랩 배합을 최적화함으로써, 요구되는 화학 성분 규격을 만족하면서 저급 스크랩의 배합량을 증가시킬 수 있어, 용철의 제조 비용을 저감할 수 있다.

도 1은, 직류식 아크 전기로 설비의 개요를 나타내는 도면이다.
도 2는, 헤비 스크랩의 추정 구리 농도와, 구리 가격의 등락률의 변화를 나타내는 그래프이다.
도 3은, 본 실시 형태에 따른 용철 중의 불순물 농도의 예측 방법을 실시할 수 있는 전기로 제어 장치의 구성의 일 예를 나타내는 개략도이다.
도 4는, 차지 간에 다운타임(downtime)이 있는 경우의, 시계열적인 조업 경과를 나타내는 도면이다.
도 5는, 차지 간에 다운타임이 없는 경우의, 시계열적인 조업 경과를 나타내는 도면이다.

(발명을 실시하기 위한 형태)

이하, 본 발명의 실시 형태에 대해서, 구체적으로 설명한다. 이하의 실시 형태는, 본 발명의 적합한 일 예를 나타내는 것으로서, 이들 예에 따라 하등 한정되는 것은 아니다.

도 1은, 아크 전기로 설비로서 본 실시 형태에서 이용한, 1개의 상부 전극(3)과 로 바닥에 설치되는 로 바닥 전극(4)을 갖는 직류식 아크 전기로 설비(1)의 개요를 나타내는 도면이다. 본 실시 형태에 따른 용철의 제조 방법은, 이하의 순서로 로체(爐體)(2)의 내부에 장입한 철계 스크랩(12)을 용해하여, 용철(13)을 제조한다.

(1) 직류식 아크 전기로 설비(1)의 로체(2)의 내부에 철계 스크랩(12)을 장입한다.

(2) 상부 전극(3)과 로 바닥 전극(4)과의 사이에 직류 전류를 통전하고, 상부 전극(3)과 로 바닥 전극(4)과의 사이 또는 상부 전극(3)과 로체 내의 철계 스크랩(12)과의 사이에 발생하는 아크에 의한 가열(아크 가열)에 의해 철계 스크랩(12)을 용해하여 용철(13)을 제조한다.

(3) 상기 (2)에 대신하여, 산소 취입 랜스(6)로부터의 산소 가스와 탄재(carbonaceous material) 취입 랜스(7)로부터의 탄재와의 산화 반응에 의한 가열 및,/또는, 버너(8)에 의한 가열과의 병용에 의해, 로체(2)의 내부에 장입한 철계 스크랩(12)을 용해하여 용철(13)을 제조한다.

또한, 도 1은, 아크 전기로 설비로서 직류식 아크 전기로 설비(1)를 나타내지만, 아크 전기로 설비로서 3상(phase) 교류식 아크 전기로 설비를 이용해도 좋다. 3상 교류식 아크 전기로 설비에서는, 로 덮개를 관통하는 3개의 전극이 설치되어 있고, 이들 전극의 사이에 교류 전류를 통전하고, 이들 전극 사이에 발생하는 아크에 의해, 로체 내에 장입한 철계 스크랩을 용해한다. 3상 교류식 아크 전기로 설비의 그 외의 구조는, 직류식 아크 전기로 설비(1)와 마찬가지이다.

철계 스크랩(12)의 로체(2)로의 장입 방법은, 상부 전극(3) 및 로 덮개(5)를 퇴피시켜 로체(2)의 상부를 개방으로 한 상태로, 바닥 열림 버킷(bucket)(11)에 소정의 배합 비율로 충전한 철계 스크랩(12)을, 바닥 열림 버킷(11)으로부터 로체(2)의 내부에 장입한다. 이 바닥 열림 버킷(11)을 이용한 철계 스크랩(12)의 장입은, 1차지당 2∼3회로 나누어 실시된다. 로체(2)로의 철계 스크랩(12)의 장입을 1차지당 2∼3회로 나누어 실시하는 이유는, 철계 스크랩(12)의 부피 밀도가 낮고, 1회의 장입으로는 소망하는 소정량의 용철(13)이 얻어지지 않는 것에 의한다.

우선, 1버킷째의 철계 스크랩(12)을 로체(2)의 내부에 장입하고, 장입한 1버킷분의 철계 스크랩(12)을 아크 가열에 의해 용해하고, 그 후, 재차, 철계 스크랩(12)을 로체(2)의 내부에 추가 장입한다. 이 조작을 반복하여, 요구되는 용철량이 되면, 출탕구(9)를 폐쇄하고 있는 출탕용 문(10)을 개방하고, 출탕구(9)로부터 용철(13)을 레이들(도시하지 않음) 등에 출탕시킨다. 그 때, 출탕한 용철(13)을 샘플링하여, 용철(13)의 성분을 분석한다.

본 실시 형태에 따른 용철의 제조 방법에서는, 로체(2)의 내부에서 용해한 용철(13)의 전체량은 출탕하지 않고, 일부의 용철(13)을 로체(2)의 내부에 남기고, 이를 후 차지로 넘기고 있다. 이를 핫 힐 조업(hot heel operation)이라고 한다. 핫 힐 조업에서는, 출탕량과 잔탕량과의 총합을 로 용적이라고 정의하면, 로 용적에 대한 잔탕량의 비율은 50질량％ 정도 이하인 것이 많다. 이와 같이, 로체 내에 50질량％ 정도 이하의 용철(13)을 잔류시킴으로써, 후 차지에 장입되는 철계 스크랩(12)의 용해 효율을 높일 수 있다.

그러나, 잔탕량이 많아지면 질수록, 전 차지의 용철 성분이 후 차지의 용철 성분에 영향을 준다. 특히, 잔탕에 포함되는 불순물은 그대로 후 차지로 넘겨진다. 이 때문에, 잔탕량 및 잔탕의 불순물 농도를 고려하여 철계 스크랩(12)의 배합을 최적화할 필요가 있다.

본 실시 형태에 따른 용철의 제조 방법에서는, 우선, 철계 스크랩(12)의 장입량과 함께 전 차지의 잔탕량, 잔탕의 불순물 농도 및 불순물의 시장 거래 가격 정보를 고려하여, 정련 후의 후 차지의 용철(13)의 트램프 엘리먼트가 되는 불순물의 농도를 예측한다. 그리고, 이 예측값이 용철(13)의 불순물 농도의 목표값이 되도록 철계 스크랩(12)의 배합량을 조정한다.

철계 스크랩(12)은, 그 종류마다 구분되어 관리된다. 아크 전기로 설비의 조업에서는, 복수 종류의 철계 스크랩(12)이 배합되어 이용된다. 또한, 철계 스크랩(12)에는, 아크 전기로 설비에서는 제거 곤란인, 예를 들면, 구리(Cu)와 같은 트램프 엘리먼트가 포함된다. 불순물 농도가 철계 스크랩 전체의 불순물 농도의 평균값보다도 높은 철계 스크랩(12)은 염가의 저급 스크랩이 되고, 불순물 농도가 철계 스크랩 전체의 불순물 농도의 평균값보다도 낮은 철계 스크랩(12)은 고가의 고급 스크랩이 된다. 또한, 트램프 엘리먼트가 되는 불순물 원소로서는, 구리 및 주석(Sn)이 대표적이지만, 아크 전기로 설비에서는 제거 곤란한 니켈(Ni)이나 몰리브덴(Mo) 등도 강종에 따라서는 강 품질을 열화시키는 원소가 된다. 따라서, 니켈(Ni)이나 몰리브덴(Mo) 등도 강종에 따라서는 트램프 엘리먼트가 될 수 있다.

철계 스크랩(12)의 배합량의 조정은, 후 차지의 용철(13)의 예측된 불순물 농도가 목표값에 이를 때까지, 저급 스크랩의 배합량을 증가시킴으로써 실시된다. 이에 따라, 요구되는 화학 성분 규격을 만족하면서, 저급 스크랩의 배합량을 증가시킬 수 있어, 용철(13)의 제조 비용을 저감할 수 있다.

도 2는, 헤비 스크랩의 추정 구리 농도와, 구리 가격의 등락률의 변화를 나타내는 그래프이다. 도 2의 가로축은 연월을 나타내고, 세로 왼쪽축은 헤비 스크랩의 추정 구리 농도(-)를 나타내고, 세로 오른쪽축은 구리 가격의 등락률(％)을 나타낸다. 헤비 스크랩의 추정 구리 농도란, 용철의 구리 농도의 실적값과, 헤비 스크랩 이외의 철계 스크랩의 사용량과 그 추정 구리 농도로부터 헤비 스크랩 구리 농도를 역산하고, 그의 월별 평균을 산출하여 36개월간 평균값으로 규격화한 것이다. 즉, 세로축의 추정 구리 농도 100.0은, 36개월의 평균값인 것을 의미한다. 또한, (-)은 무차원인 것을 의미한다. 구리 가격의 등락률은, 전월부터 당월에 있어서의 구리 가격의 상승률, 하강률을 산출한 것으로서, 구리 가격은 JX 금속 홈페이지 구리 매매 기준가격(建値)를 참조했다.

도 2에 나타내는 바와 같이, 트램프 엘리먼트의 대표가 되는 구리에 대해서, 구리 가격이 전월보다도 내려간 달은 헤비 스크랩의 추정 구리 농도가 상승하고, 반대로 전월보다도 구리 가격이 오른 달은 헤비 스크랩의 추정 구리 농도가 하강하는 경향이 확인되었다. 즉, 헤비 스크랩의 추정 구리 농도와 스크랩 시장에 있어서의 구리 가격에는 부의 상관(negative correlation)이 있는 것을 알 수 있다.

이와 같이, 헤비 스크랩의 추정 구리 농도와 스크랩 시장에 있어서의 구리 가격에는 상관이 있기 때문에, 스크랩 시장에 있어서의 시장 거래 가격 정보를 고려하여 구리 농도를 예측함으로써 구리 농도의 예측 정밀도를 향상할 수 있는 것을 알 수 있다. 또한, 도 2에서는, 구리를 예로 설명했지만, 다른 트램프 엘리먼트에 대해서도 가격이 상승하면, 당해 트램프 엘리먼트를 회수하려고 하기 때문에, 마찬가지의 경향이 있다고 생각된다. 이들의 점에서, 대상으로 하는 불순물(트램프 엘리먼트)의 거래 가격 정보를 고려함으로써 불순물의 성분 농도의 예측 정밀도를 향상할 수 있는 것을 알 수 있다. 또한, 본 실시 형태에서는, 시장 거래 가격 정보로서 가격의 등락률을 이용하여 설명했지만, 이에 한정되지 않고, 시장에 있어서의 가격의 변동을 나타내는 지표이면 어떠한 것을 이용해도 좋고, 거래 가격을 이용해도 좋다.

도 3은, 본 실시 형태에 따른 용철의 불순물 농도의 예측 방법을 실시할 수 있는 전기로 제어 장치(20)의 구성의 일 예를 나타내는 개략도이다. 전기로 제어 장치(20)는, 프로세스 컴퓨터(21)와 불순물 농도 예측 장치(22)를 갖는다.

프로세스 컴퓨터(21)는, 직류식 아크 전기로 설비(1)에 있어서의 조업의 제어나 데이터 처리, 데이터 축적을 행하는 장치이다. 불순물 농도 예측 장치(22)는, 조업 조건(복수의 철계 스크랩의 각각의 장입량, 전 차지에 있어서의 용철의 불순물 농도, 전 차지로부터의 반입 용철량(잔탕량)) 및 불순물의 시장 거래 가격 정보로부터, 후 차지에 있어서의 정련 후의 용철의 불순물 농도의 예측값을 출력한다. 또한, 불순물 농도 예측 장치(22)는, 후 차지에 있어서의 각 철계 스크랩의 배합량을 결정한다.

불순물 농도 예측 장치(22)는, 제어부(30)와, 격납부(40)와, 입력부(50)를 갖는다. 제어부(30)는, 불순물 농도 예측부(31)와, 갱신부(32)를 갖는다. 제어부(30)는, 예를 들면, CPU 등으로서, 격납부(40)에 보존된 프로그램이나 데이터를 이용하여, 불순물 농도 예측부(31) 및 갱신부(32)에 있어서의 소정의 처리를 실행한다.

격납부(40)는, 예를 들면, 갱신 기록 가능한 플래시 메모리, 내장 혹은 데이터 통신 단자로 접속된 하드 디스크, 메모리 카드 등의 정보 기록 매체 및 그의 읽고 쓰기 장치이다. 격납부(40)에는, 불순물 농도 예측부(31) 및 갱신부(32)에 있어서의 소정의 처리를 실현하기 위한 프로그램이나, 당해 프로그램을 실행 중에 사용하는 데이터 등이 미리 격납되어 있다. 불순물의 시장 거래 가격 정보도 미리 격납부(40)에 격납되어 있다. 또한, 격납부(40)에는, 조업 조건을 입력으로 하여 후 차지의 용철의 불순물 농도를 출력하는 학습 완료의 기계 학습 모델(41)과, 데이터 베이스(42)가 격납되어 있다.

데이터 베이스(42)에는, 과거에 실시된 아크 전기로 설비에서의 정련의 조업 조건과, 불순물의 시장 거래 가격 정보와, 용철의 불순물 농도의 실적값을 포함하는 데이터 세트가, 예를 들면, 차지마다 할당되는 일련 번호에 대응지어져 소정수 격납되어 있다. 정련의 조업 조건에는, 철계 스크랩의 각각의 장입량, 전 차지의 용철의 불순물 농도 및 전 차지의 잔탕량이 포함된다.

기계 학습 모델(41)은, 데이터 베이스(42)에 격납되어 있는 데이터 세트를 교사 데이터로서 기계 학습함으로써 학습 완료의 기계 학습 모델이 된다. 본 실시 형태에 따른 기계 학습 모델(41)은, 입력 데이터를, 철계 스크랩의 각각의 장입량과, 전 차지의 용철의 불순물 농도와, 전 차지의 잔탕량과, 불순물의 시장 거래 가격 정보로 하고, 출력 데이터를, 후 차지의 용철의 불순물 농도로 하는 기계 학습 모델이다.

기계 학습 모델(41)로서는, 뉴럴 네트워크나 딥 러닝 등의 공지의 기계 학습 모델을 이용해도 좋다. 데이터 베이스(42)에 격납되어 있는 조업 조건(철계 스크랩의 각각의 장입량, 전 차지의 용철의 불순물 농도 및 전 차지의 잔탕량) 및 불순물의 시장 거래 가격 정보와, 용철의 불순물 농도의 실적값을 1조로 하는 데이터 세트를 교사 데이터로서 기계 학습 모델(41)을 기계 학습시켜, 학습 완료의 기계 학습 모델(41)을 작성하고, 격납부(40)에 격납해 둔다. 또한, 학습 완료의 기계 학습 모델(41)은, 불순물 농도를 예측하는 불순물 농도 예측 모델의 일 예다.

입력부(50)는, 오퍼레이터(60)로부터의 입력을 접수한다. 입력부(50)는 오퍼레이터(60)로부터의 입력을 접수하면 당해 입력값을 불순물 농도 예측부(31)에 출력한다. 오퍼레이터(60)로부터의 입력은, 프로세스 컴퓨터(21)에도 입력된다. 입력부(50)는, 예를 들면, 키보드나 마우스 등의 입력 장치이다.

다음으로, 후 차지의 용철의 불순물 농도의 예측값의 산출 처리에 대해서 설명한다. 후 차지의 용철의 불순물 농도의 예측값의 산출 처리는, 전 차지의 용철의 불순물 농도 및 전 차지의 잔탕량이 확정된 단계에서, 불순물 농도 예측부(31)에 의해 실시된다. 전 차지의 용철의 불순물 농도 및 전 차지의 잔탕량은, 예를 들면, 오퍼레이터(60)가 입력부(50)를 통하여 불순물 농도 예측부(31)에 입력한다. 철계 스크랩의 각각의 장입량은, 프로세스 컴퓨터(21)로부터 불순물 농도 예측부(31)에 입력된다. 불순물의 시장 거래 가격 정보는, 불순물 농도 예측부(31)에 의해 격납부(40)로부터 읽어내진다.

불순물 농도 예측부(31)는, 철계 스크랩의 각각의 장입량, 전 차지의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보를 취득하면, 격납부(40)에 격납되어 있는 학습 완료의 기계 학습 모델(41)을 읽어낸다. 불순물 농도 예측부(31)는, 철계 스크랩의 각각의 장입량, 전 차지의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보를 학습 완료의 기계 학습 모델(41)에 입력하고, 후 차지의 용철의 불순물 농도를 출력시킨다. 이와 같이 하여, 불순물 농도 예측부(31)는, 후 차지의 정련 후의 용철에 있어서의 불순물 농도의 예측값을 산출한다.

다음으로, 철계 스크랩 배합의 최적화 처리에 대해서 설명한다. 불순물 농도 예측부(31)는, 후 차지의 용철의 불순물 농도의 예측값과, 미리 정해진 목표로 하는 불순물 농도를 비교한다. 목표로 하는 불순물 농도는, 프로세스 컴퓨터(21)로부터 불순물 농도 예측부(31)에 입력된다.

목표로 하는 불순물 농도보다도 후 차지의 용철의 불순물 농도의 예측값의 쪽이 낮은 경우에, 불순물 농도 예측부(31)는, 철계 스크랩에 있어서의 저급 스크랩의 배합 비율을 증가시키고, 고급 스크랩의 배합 비율을 감소시킨다. 이 철계 스크랩 배합 비율로 불순물 농도 예측부(31)는, 재차, 후 차지의 용철의 불순물 농도의 예측값을 구한다. 이 조작을 후 차지의 용철의 불순물 농도의 예측값이 목표로 하는 불순물 농도를 초과할 때까지 반복 실시한다. 후 차지의 용철의 불순물 농도의 예측값이 목표로 하는 불순물 농도를 초과한 경우에, 불순물 농도 예측부(31)는, 1개 전의 예측에 이용한 철계 스크랩의 배합 비율을 후 차지의 조업에 이용하는 철계 스크랩의 배합 비율로 한다. 불순물 농도 예측부(31)는, 이와 같이 철계 스크랩 배합의 최적화 처리를 실시하고, 후 차지의 용철의 불순물 농도의 예측값이 미리 정해진 목표로 하는 불순물 농도가 되도록 후 차지의 조업에 이용하는 철계 스크랩의 배합 비율을 정하여, 저급 스크랩의 장입량을 결정한다.

불순물 농도 예측부(31)는, 철계 스크랩의 배합 비율을 프로세스 컴퓨터(21)에 출력한다. 프로세스 컴퓨터(21)는, 철계 스크랩의 배합 비율을 취득하면, 당해 배합 비율이 되는 철계 스크랩이 바닥 열림 버킷(11)에 충전되도록, 각 철계 스크랩의 바닥 열림 버킷(11)으로의 반송량을 제어한다.

예를 들면, 로체(2)로 철계 스크랩을, 바닥 열림 버킷(11)에서 2회 장입(이하, 「2버킷」이라고 기재함)하는 경우, 1버킷째의 철계 스크랩을 로체(2)로 장입하여, 1버킷분의 철계 스크랩을 아크 가열에 의해 용해한 후, 2버킷째의 철계 스크랩을 로체(2)로 장입한다.

우선, 차지 간의 다운타임(빈 시간)이 있는 경우에 대해서, 도 4를 이용하여 시계열적인 조업 경과를 설명한다. 우선, 1차지째(초회 차지)는, 통상대로 2버킷(도 4에서는 버킷을 「B」라고 표기함)의 철계 스크랩을 장입하고, 용해하여 정련을 실시한다. 용해 후, 용철의 일부를 출탕하고, 출탕한 용철을 샘플링하여, 1차지째의 용철의 불순물 농도의 실적값을 구한다.

그 후, 다운타임의 기간에, 각 철계 스크랩의 장입량, 전 차지의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보를 이용하여, 후 차지의 용철의 불순물 농도의 예측값의 산출 처리 및 철계 스크랩 배합의 최적화 처리가 실시되고, 후 차지의 철계 스크랩의 배합이 결정된다. 프로세스 컴퓨터(21)는, 결정된 배합 비율이 되도록, 1버킷째 및 2버킷째로의 각 철계 스크랩의 반송을 제어한다. 이와 같이 하여, 배합량이 최적화된 철계 스크랩이 1버킷째 및 2버킷째로서 로체(2)의 내부에 장입되어 정련이 실시된다.

전 차지의 잔탕량의 실적값은, 이하와 같이 하여 계산으로 구한다.

1차지째의 잔탕량은, 「잔탕량＝철계 스크랩 장입량(장입 시에 계량)×수율(0.925)－출탕량(출탕 시에 계량)」에 의해 산출한다.

2차지째 이후의 잔탕량은, 「잔탕량＝전 차지 잔탕량＋철계 스크랩 장입량(장입 시에 계량)×수율(0.925)－출탕량(출탕 시에 계량)」에 의해 산출한다.

최종 차지의 잔탕량은, 「잔탕량＝전 차지 잔탕량＋철계 스크랩 장입량(장입 시에 계량)×수율(0.925)－출탕량(출탕 시에 계량)」에 의해 산출한다.

또한, 최종 차지에서는, 통상, 로체 내에 용철(13)을 잔탕시킬 일은 없어, 잔탕량은 실질 제로(0)이다. 잔탕량을 실질 제로로 하려면, 로체(2)를 경동 장치(tilting device)(도시하지 않음)에 의해 경사시켜, 로체 내의 용철(13)의 전체량을 출탕구(9)로부터 배출한다. 또한, 로체 내의 슬래그량은, 로체 내에서 슬래그를 포밍(foaming)시켜 열 효율을 높이기 때문에, 전 차지의 반입분, 당해 차지에서의 발생분 및, 조업 중의 배재(排滓)분을 포함하여, 약 10톤 정도가 된다. 로체 내의 슬래그는 로체(2)에 투입된 CaO계 매용제(flux)(주로 생석회)에 의해 형성된다.

한편, 생산성 우선으로서, 차지 간의 다운타임이 없는 경우에 대해서, 도 5를 이용하여 시계열적인 조업 경과를 설명한다. 우선, 1차지째(초회 차지)는, 통상대로 2버킷(도 5에서는 버킷을 「B」라고 표기함)의 철계 스크랩을 장입하고, 용해하여 정련을 실시한다. 1차지째의 용철이 출탕되었다면, 2차지째의 철계 스크랩의 로체(2)로의 장입이 곧바로 행해진다. 1차지째(전 차지)의 용철의 불순물 농도의 분석에 시간을 필요로 하기 때문에, 2차지째(후 차지)의 용철의 불순물 농도의 예측 및 철계 스크랩의 최적화 연산이, 2차지째(후 차지)의 1버킷째의 철계 스크랩의 장입에 제때에 따라가지 못한다. 따라서, 차지 간의 다운타임이 없는 경우의 후 차지의 1버킷째에는, 미리 정해진 배합의 철계 스크랩이 바닥 열림 버킷(11)에 충전된다. 그리고, 2버킷째에, 1버킷째 및 2버킷째의 철계 스크랩의 합계가, 철계 스크랩의 최적화 연산에 의해 정해진 배합이 되도록, 각각의 철계 스크랩의 충전체량이 제어된다.

이와 같이 하여, 차지 간의 다운타임이 없는 경우에 대해서도 철계 스크랩의 최적화 연산 처리에 의해 배합이 정해진 철계 스크랩을 장입할 수 있다. 또한, 복수회 버킷으로 철계 스크랩을 장입할 때의, 각각의 스크랩 배합의 조합, 장입량 등은, 제약 조건하(바닥 열림 버킷의 장입 중량 한계, 철계 스크랩의 부피, 두는 장소 등)에서 임의로 조정해도 좋다.

철계 스크랩 배합의 최적화 연산은, 전술한 바와 같이, 철계 스크랩의 배합 비용이 최소화 또한 요구하는 불순물 농도의 규격 범위 내에 들어가도록, 철계 스크랩의 배합이 연산된다.

또한, 후 차지의 용철의 불순물 농도의 예측 처리 및 철계 스크랩 배합의 최적화 연산은, 반드시 전 차지 용철의 불순물 농도의 실적값과, 전 차지 용철의 잔탕량의 실적값을 이용하여 실시하지 않아도 좋다. 예를 들면, 1일에 계획되어 있는 각 차지의 정련 순서대로 미리 후 차지의 불순물 농도를 예측하고, 각 철계 스크랩의 장입량, 당해 예측된 불순물 농도 및 예정되어 있는 잔탕량을 이용하여 철계 스크랩 배합의 최적화 연산을 실시해도 좋다. 단, 각각의 차지 후라면, 후 차지의 용철의 불순물 농도의 예측 및 스크랩 배합의 최적화 연산이 전 차지의 용철의 불순물 농도의 실적값과, 잔탕량의 실적값을 이용하여 실시할 수 있다. 이에 따라, 보다 높은 정밀도로 후 차지의 용철의 불순물 농도를 예측할 수 있고, 또한, 철계 스크랩 배합의 최적화 연산의 정밀도도 높아지기 때문에, 각각의 차지 후에 용철의 불순물 농도의 예측 처리 및 철계 스크랩 배합의 최적화 연산을 실시하는 것이 바람직하다.

철계 스크랩 배합은 예측 정밀도의 오차 범위에 따라 결정해도 좋다. 예를 들면, 표준 편차로 생각하는 경우, 성분 규격을 중시한다면, 예측값＋2σ가 목표로 하는 불순물 농도에 들어가는 바와 같은 스크랩 배합으로 하면 좋고, 비용을 중시한다면, 보다 염가로 불순물 리스크가 높은 철계 스크랩의 배합 비율을 높여도 좋다. 즉, 이는 불순물 농도의 규격 벗어남 리스크와 비용 메리트와의 트레이드 오프(trade-off)이고, 조업 사상에 기초하여 결정하면 좋다.

철계 스크랩에는 여러 가지 성분, 형상, 크기의 것(예를 들면, 일본철원협회의 「철 스크랩 검수 통일 규격」에 규정되어 있는 것)이 있고, 그의 품질이나 시황에 의해 철계 스크랩의 가격은 변동한다. 이들 철계 스크랩을 적절히 조합하여 배합하고, 로체 내에서 아크 가열에 의해 용해하여, 용철을 제조한다. 물론 제조 비용을 최소로 하려면, 여러 가지 제약 조건 내에서, 염가의 철계 스크랩의 배합 비율을 최대화함으로써 달성된다.

또한, 본 실시 형태에 있어서 용해하는 철계 스크랩에는, 전술한 일본철원협회의 「철 스크랩 검수 통일 규격」에 규정되는 철계 스크랩 이외에, 예를 들면, 직접 환원철, 냉철 등의 철을 주성분으로 하는 것이 포함되어 있어도 좋다. 동일하게, 연속 주조법이나 조괴법으로 주조되는 주편의 비정상부, 강대 등의 강재의 압연에서 생기는 크롭(crop), 용선을 굳힌 선철(銑鐵) 등과 같은 제철소로부터 발생하는 자소(自所) 부스러기(home scrap)가 포함되어 있어도 좋다. 이들의 「철 스크랩 검수 통일 규격」에 규정되는 이외의 철계 스크랩에 대해서는, 필요에 따라서, 다른 철계 스크랩종으로서 구분하여, 그의 부피 밀도를 구한다. 또한, 산화철분을 많이 포함하는 것은, 산화철을 환원하는 분의 에너지를 여분으로 필요로 하지만, 조업 비용 등을 고려하여 적절히 사용하면 좋다.

철계 스크랩의 구분은, 반드시 「철 스크랩 검수 통일 규격」에 기초하지 않아도 좋고, 임의의 기준으로 구분해도 좋다. 요컨대, 조업 실적으로부터 학습시킨 모델을 작성할 수 있으면 좋다.

또한, 로체(2)의 상부 또는 수평부에 연속 설치된 샤프트형의 예열실을 구비한 아크 전기로 설비가 있다. 이러한 설비에서는, 예열실 내에 철계 스크랩을 순차 장입하고, 장입한 철계 스크랩을 로체(2)에서 발생하는 배기 가스로 예열하면서 용해하여 용철을 제조한다. 이러한 설비에 있어서도, 본 실시 형태에 따른 용철의 제조 방법은 통상의 아크 전기로 설비와 마찬가지로 실시 가능하고, 출탕되는 용철의 불순물 농도를 알게 되는대로, 순차 장입하는 철계 스크랩의 배합 비율을 최적화하여, 저급 스크랩의 장입량을 결정하면 좋다.

다음으로, 기계 학습 모델(41)의 갱신에 대해서 설명한다. 본 실시 형태에 따른 용철의 불순물 농도의 예측 방법에 있어서, 학습 완료의 기계 학습 모델(41)은 조업 종업 후에 갱신되어도 좋다. 학습 완료의 기계 학습 모델(41)은, 조업 종료 후에, 종류마다 또는 품위마다 구분되는 복수의 철계 스크랩의 각각의 장입량, 전 차지에 있어서의 용철의 불순물 농도, 전 차지로부터의 반입 용철량(전 차지의 잔탕량), 불순물의 시장 거래 가격 정보 및 후 차지의 용철의 불순물 농도의 실적값에 의해 갱신된다.

조업 종료 후, 프로세스 컴퓨터(21)는, 갱신부(32)에, 철계 스크랩의 각각의 장입량, 전 차지에 있어서의 용철의 불순물 농도, 전 차지의 잔탕량, 불순물의 시장 거래 가격 정보 및 후 차지의 용철의 불순물 농도의 실적값을 출력한다. 갱신부(32)는, 이들의 데이터를 취득하면, 이들의 데이터를 차지마다 할당되는 일련 번호에 대응지어 데이터 베이스(42)에 기록한다.

갱신부(32)는, 데이터를 데이터 베이스(42)에 기록한 후, 데이터 베이스(42)에 격납되어 있는 데이터를 교사 데이터로서 기계 학습 모델(41)에 입력하여 기계 학습시킨다. 이와 같이 하여, 학습 완료의 기계 학습 모델(41)은, 갱신부(32)에 의해 조업 종료 후에 갱신되어도 좋다.

또한, 상기 설명에서는, 불순물 농도 예측부(31)는, 철계 스크랩의 각각의 장입량과, 전 차지에 있어서의 용철의 불순물 농도와, 전 차지의 잔탕량과, 불순물의 시장 거래 가격 정보의 4종의 입력 데이터를 이용하여 후 차지의 용철의 불순물 농도를 예측하는 예를 나타냈지만 이에 한정되지 않는다. 불순물 농도 예측부(31)는, 철계 스크랩의 각각의 장입량과, 전 차지에 있어서의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개의 입력 데이터를 이용하여, 후 차지의 용철의 불순물 농도를 예측해도 좋다. 이에 따라, 철계 스크랩의 각각의 장입량만으로부터 불순물 농도를 예측하는 방법보다도 높은 정밀도로 불순물 농도를 예측할 수 있다.

또한, 전 차지의 잔탕량은 실측값을 이용하지 않고 예정된 잔탕량을 이용하여, 철계 스크랩의 각각의 장입량과, 전 차지에 있어서의 용철의 불순물 농도로부터, 후 차지의 용철의 불순물 농도를 예측해도 좋다. 즉, 전 차지의 용철 구리 농도는 실측값을 이용하지 않고 계산에 의해 구한 구리 농도를 이용하여, 철계 스크랩의 각각의 장입량과, 전 차지에 있어서의 용철의 잔탕량으로부터, 후 차지의 용철의 불순물 농도를 예측해도 좋다. 또한, 이들 이외의 데이터를 병용하여 후 차지의 용철의 불순물 농도를 예측해도 좋다.

또한, 학습 완료의 기계 학습 모델(41)은, 미리 격납부(40)에 격납되어 있지 않아도 좋다. 예를 들면, 기계 학습 모델을 격납부(40)에 미리 격납해 두고, 불순물 농도 예측부(31)가 불순물 농도의 예측값을 출력할 때마다, 데이터 베이스(42)에 격납되어 있는 데이터 세트를 교사 데이터로서 기계 학습함으로써, 학습 완료의 기계 학습 모델을 작성해도 좋다.

또한, 본 실시 형태에서는, 불순물 농도 예측 모델로서 학습 완료의 기계 학습 모델(41)을 이용하는 예를 나타냈지만, 이에 한정되지 않는다. 불순물 농도 예측 모델로서, 중회귀 모델(설명 변수; 철계 스크랩의 각각의 장입량, 전 차지에 있어서의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보, 목적 변수; 후 차지의 용철의 불순물 농도)을 이용해도 좋다. 불순물 농도 예측 모델로서 중회귀 모델을 이용하는 경우, 갱신부(32)는 중회귀 모델의 각 파라미터를 갱신한다.

실시예

도 1에 나타낸 직류식 아크 전기로 설비를 이용하여, 본 발명을 적용하고 철계 스크랩을 용해하여, 용철을 제조하는 시험(본 발명예) 및, 본 발명을 적용하지 않고 철계 스크랩을 용해하여, 용철을 제조하는 시험(비교예)을 실시했다. 이 직류식 아크 전기로 설비의 로체는 로 지름이 약 6.3m, 로 높이가 약 4.1m, 또한, 탄재 취입 랜스, 버너, 수냉식의 산소 취입 랜스가 설치되고, 중심에 1개의 상부 전극을 갖는 직류 타입이다.

표 1에, 본 발명예 및 비교예에 있어서의 직류식 아크 전기로 설비의 조업 조건을 나타내고, 표 2에, 차지마다의 로체 내 철원의 물질 수지(material balance)의 이미지(concept)를 나타낸다. 또한, 표 1에 나타내는 조업 조건 및 표 2에 나타내는 물질 수지의 이미지는, 본 발명예 및 비교예에서 동일하다.

또한, 본 발명예 및 비교예에 있어서, 각 차지의 조업 개시 전에, 부원료로서, 보조 연료인 코크스괴(lump) 및 조재제(slag-forming agent)인 생석회를 부원료 투입 슈트(chute)(도시하지 않음)로부터 로체 내에 장입했다. 탄재 취입 랜스로부터의 분(粉) 코크스의 취입 및 산소 취입 랜스로부터의 산소 가스의 취입은, 용철 및 용융 슬래그가 로체 내에 어느 정도 생성되어 있는 조업 중기에서 조업 말기에 실시했다.

철계 스크랩으로서는, 일본철원협회의 「철 스크랩 검수 통일 규격」에 규정되어 있는 스크랩종으로부터, 일반적인 하기의 2종류의 철계 스크랩을 이용했다.

(ⅰ) 헤비 스크랩;

길로틴 시어(guillotine shear), 가스 용단(gas cutting), 중기(heavy construction machine) 등으로 사이징한 것으로서, 두께, 치수, 단중(unit weight)에 의해 HS, H1∼H4로 구분된다. 본 실시예에서는, 「H2: 두께 3㎜ 이상, 6㎜ 미만, 폭 또는 높이 500㎜ 이하×길이 1200㎜ 이하의 것」을 사용했다.

(ⅱ) 신단 부스러기;

강판 가공 제품을 제조할 때에 발생하는 절단 부스러기 및 펀칭 부스러기이고, 형상, 산화의 정도에 따라, 프레스 A, 프레스 B, 부쉘링(Busheling) A, 부쉘링 B 등으로 구분된다. 본 실시예에서는, 「프레스 A: 3변의 총합이 1800㎜ 이하이고 최대변 800㎜ 이하로서, 표면 처리하고 있지 않는 박강판으로 산화하고 있지 않는 것」 및, 「부쉘링 A: 폭 또는 높이 500㎜ 이하×길이 1200㎜ 이하로서, 표면 처리하고 있지 않는 박강판으로 산화하고 있지 않는 것」을 조합하여 사용했다.

여기에서, 헤비 스크랩에는, 불순물인 트램프 엘리먼트가 혼입하는 리스크가 높고, 특히 동선(copper wire)이 혼입하는 리스크가 있다. 헤비 스크랩 유래로 얻어지는 용철의 구리 농도는 0.2∼0.4질량％ 정도라고 되어 있어, 그의 편차는 크다. 헤비 스크랩은, 소위 저급 스크랩이다.

한편, 신단 부스러기는 품질이 좋고, 구리의 혼입 리스크가 적고, 신단 부스러기 유래로 얻어지는 용철의 구리 농도는 0.05∼0.2질량％ 미만이다. 신단 부스러기는, 유통량이 한정되는 점에서, 시황의 가격 변동에도 의하지만, 헤비 스크랩과 비교하여 2천∼7천엔(yen)/t－스크랩 정도 고가이다. 신단 부스러기는, 소위 고급 스크랩이다.

본 실시예에서는, 불순물 성분으로서 가장 주시되는 구리의 농도에 주목하여 시험을 행했다. 또한 불순물 농도 예측 모델 작성을 위해, 과거 3000차지분을 교사 데이터로 하고, 비교예에서는, 설명 변수를, 「헤비 스크랩」 및 「신단 부스러기」의 장입량의 2개로 했다. 한편, 본 발명예에서는, 설명 변수를, 「헤비 스크랩」 및 「신단 부스러기」의 장입량에 「전 차지 용철의 구리 농도」, 「전 차지의 잔탕량」 및 「구리 가격의 등락률」의 적어도 1개를 더하여 3∼5개로 했다. 여기에서, 「구리 가격의 등락률」은, 전월부터 당월에 있어서의 구리 가격의 상승률, 하강률을 산출한 것으로서, 구리 가격은 JX 금속 홈페이지 구리 매매 기준가격을 참조했다. 비교예에서는, 불순물 농도 예측 모델로서 중회귀 모델을 이용했다. 본 발명예에서는, 불순물 농도 예측 모델로서 중회귀 모델 및 기계 학습 모델을 이용했다. 기계 학습 모델로서, NEC사 제조의 「dotData」라는 기계 학습 툴을 이용했다.

철계 스크랩 용해의 조업에 있어서, 요구되는 용철의 구리 농도가 규격(목표값)으로부터 벗어난 경우에는, 그 외의 규격에 맞는 강종으로 계획을 변경할 필요가 있어, 조업 안정성이 저하되어 버린다. 또한, 규격에 맞는 강종이 없는 경우는, 최악의 경우, 제조한 용철은 부스러기화 처리가 되어 버려, 큰 손실이 된다. 즉, 구리 규격 벗어남 발생률을 저감시키는 것은, 조업 안정성의 향상으로 연결되고, 또한, 헤비 스크랩 비율을 높임에 따라, 비용 삭감 메리트를 향수할 수 있다.

본 실시예에서는, 본 발명예 및 비교예 모두, 철계 스크랩의 배합 최적화 연산 방법으로서, 하기의 2개의 방법을 이용하여 저급 스크랩인 헤비 스크랩의 장입량을 정했다.

연산 방법 1;

계획되어 있는 정련 순으로 불순물 농도 예측 모델을 이용하여 후 차지의 용철의 구리 농도를 순서대로 예측하고, 이 예측값에 기초하여 후 차지의 헤비 스크랩의 장입량을 결정한다는 방법이다. 또한, 전 차지의 잔탕량은 예정되어 있는 잔탕량인 70톤을 이용했다.

연산 방법 2;

전 차지의 용철의 구리 농도의 실적값 및 전 차지의 잔탕량의 실적값을 이용하여, 후 차지의 용철의 구리 농도를 예측하고, 이 예측값에 기초하여 후 차지의 저급 스크랩(헤비 스크랩)의 장입량을 결정한다는 방법이다.

즉, 연산 방법 1과 연산 방법 2와의 차이는, 사전에 저급 스크랩의 장입량을 결정할지, 차지마다 저급 스크랩의 장입량을 결정할지의 차이이다. 연산 방법 1에서는, 사전에 모든 차지의 용철의 구리 농도를 예측하고 있고, 전 차지의 용철의 구리 농도의 실적값 및 전 차지의 잔탕량의 실적값을 이용하고 있지 않기 때문에, 연산 방법 2보다도 구리 농도의 예측 정밀도는 낮아진다.

철계 스크랩을, 바닥 열림 버킷에 장입하고, 조업 개시 전과 조업 중기와의 2회로 나누어 로체 내에 장입했다. 여기에서, 연산 방법 2를 채용한 본 발명예 2, 4∼6에서는, 차지 간의 다운타임이 없는 점에서, 철계 스크랩 배합 최적화 연산을, 2회째의 바닥 열림 버킷에 대하여 실시했다. 후 차지에 있어서, 예측되는 용철의 구리 농도가 규격으로부터 벗어나지 않고, 또한, 헤비 스크랩의 장입량이 많아지는 바와 같은 철계 스크랩의 배합을 출력시켜, 2회째의 바닥 열림 버킷에 대하여, 철계 스크랩의 배합을 최적화했다. 또한, 연산 방법 2를 채용한 비교예 2도, 차지 간의 다운타임이 없는 점에서, 철계 스크랩 배합 최적화 연산을 2회째의 바닥 열림 버킷에 대하여 실시했다.

용철의 구리 농도가 규격으로부터 벗어나지 않는 배합의 기준으로서는 표준 편차를 이용하여, 출력된 예측값＋2σ를 판단 기준으로 했다. 표준 편차 σ는, 과거 3000차지분을 사용하여 불순물 농도 예측 모델을 작성하고, 이 불순물 농도 예측 모델과 과거의 3000차지분의 입력 데이터를 이용하여 산출한 구리 농도의 예측값(데이터수 3000)의 표준 편차이다. 각 차지의 철계 스크랩 배합 조건 및 조업 결과를 하기표 3에 나타낸다.

표 3에 있어서, 본 발명예에 있어서의 평가는, 비교예에 대하여 「구리 규격 벗어남 발생률」이 동등 또는 저감되어 있으면 조업 안정성이 유지 또는 향상했다고 판단하고, 구리 성분의 평가에서 「○(합격)」라고 했다. 또한, 비교예에 대하여 「헤비 스크랩 비율(평균)」이 증가하고 있으면, 저급 스크랩의 장입량을 증가시켜 비용 메리트를 향수할 수 있었다고 판단하여, 스크랩 비율의 평가에서 「○(합격)」라고 했다.

표 3에 나타내는 바와 같이, 본 발명예에서는, 어느 시험에서도, 「구리 규격 벗어남 발생률」이 동등 또는 저감하고, 또한, 「헤비 스크랩 비율(평균)」이 증가했다. 즉, 본 발명에 의하면, 미리 정해진 용철의 불순물 농도의 목표값을 만족하고, 또한, 저급 스크랩의 장입량을 증가시킴으로써 제조 비용을 저감할 수 있는 것을 확인할 수 있었다. 또한, 저급 스크랩의 장입량을 증가시킬 수 있으면 해외에 수출되는 철계 스크랩의 양도 적어지기 때문에, 철계 스크랩의 리사이클률의 향상도 기대할 수 있다.

1 : 직류식 아크 전기로 설비
2 : 로체
3 : 상부 전극
4 : 로 바닥 전극
5 : 로 덮개
6 : 산소 취입 랜스
7 : 탄재 취입 랜스
8 : 버너
9 : 출탕구
10 : 출탕용 문
11 : 바닥 열림 버킷
12 : 철계 스크랩
13 : 용철
20 : 전기로 제어 장치
21 : 프로세스 컴퓨터
22 : 불순물 농도 예측 장치
30 : 제어부
31 : 불순물 농도 예측부
32 : 갱신부
40 : 격납부
41 : 기계 학습 모델
42 : 데이터 베이스
50 : 입력부
60 : 오퍼레이터

Claims

아크 전기로(electric arc furnace) 설비에 있어서 정련된 용철(molten iron)의 불순물 농도의 예측 방법으로서,
종류마다 구분되는 복수의 철계 스크랩의 각각의 장입량과, 전 차지(preceding charge)에 있어서의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 불순물 농도 예측 모델에 입력하고, 후 차지(subsequent charge)에 있어서의 용철의 불순물 농도를 출력하는, 용철의 불순물 농도의 예측 방법.
제1항에 있어서,
상기 불순물 농도 예측 모델은, 상기 철계 스크랩의 각각의 장입량과, 상기 전 차지에 있어서의 용철의 불순물 농도, 상기 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 설명 변수로 하고, 후 차지에 있어서의 용철의 불순물 농도를 목적 변수로 하는 중회귀 모델(multiple regression model)인, 용철의 불순물 농도의 예측 방법.
제1항에 있어서,
상기 불순물 농도 예측 모델은, 상기 철계 스크랩의 각각의 장입량과, 상기 전 차지에 있어서의 용철의 불순물 농도 및 상기 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 입력 데이터로 하고, 후 차지에 있어서의 용철의 불순물 농도를 출력 데이터로 하는 학습 완료의 기계 학습 모델인, 용철의 불순물 농도의 예측 방법.
제1항 내지 제3항 중 어느 한 항에 기재된 용철의 불순물 농도의 예측 방법을 이용하는 용철의 제조 방법으로서,
상기 철계 스크랩은, 철계 스크랩 전체의 불순물 농도의 평균값보다도 불순물 농도가 높은 저급 스크랩과, 상기 평균값보다도 불순물 농도가 낮은 고급 스크랩을 포함하고,
상기 불순물 농도의 예측 방법으로 예측되는 후 차지에 있어서의 용철의 불순물 농도가, 미리 정해진 용철의 불순물 농도의 목표값이 되도록, 상기 저급 스크랩의 장입량을 결정하는, 용철의 제조 방법.
아크 전기로 설비에 있어서 정련되는 용철의 정련 후의 불순물 농도의 예측에 이용하는 학습 완료의 기계 학습 모델의 작성 방법으로서,
종류마다 구분되는 복수의 철계 스크랩의 각각의 장입량과, 전 차지에 있어서의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 입력 데이터로 하고, 후 차지에 있어서의 용철의 불순물 농도의 실적값을 출력 데이터로 하는 기계 학습 모델에, 과거의 아크 전기로 설비를 이용한 정련에 있어서의 상기 입력 데이터와 후 차지의 용철에 있어서의 불순물 농도의 실적값을 포함하는 데이터 세트를 입력하여 학습 완료의 기계 학습 모델을 작성하는, 학습 완료의 기계 학습 모델의 작성 방법.
아크 전기로 설비에 있어서 정련된 용철의 불순물 농도의 예측 장치로서,
종류마다 구분되는 복수의 철계 스크랩의 각각의 장입량과, 전 차지에 있어서의 용철의 불순물 농도, 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 불순물 농도 예측 모델에 입력하고, 후 차지에 있어서의 용철의 불순물 농도를 출력하는 불순물 농도 예측부를 갖는, 용철의 불순물 농도의 예측 장치.
제6항에 있어서,
상기 불순물 농도 예측 모델은, 상기 철계 스크랩의 각각의 장입량과, 상기 전 차지에 있어서의 용철의 불순물 농도, 상기 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 설명 변수로 하고, 후 차지에 있어서의 용철의 불순물 농도를 목적 변수로 하는 중회귀 모델인, 용철의 불순물 농도의 예측 장치.
제6항에 있어서,
상기 불순물 농도 예측 모델은, 상기 철계 스크랩의 각각의 장입량과, 상기 전 차지에 있어서의 용철의 불순물 농도 및 상기 전 차지의 잔탕량 및 불순물의 시장 거래 가격 정보 중의 적어도 1개를 입력 데이터로 하고, 후 차지에 있어서의 용철의 불순물 농도를 출력 데이터로 하는 학습 완료의 기계 학습 모델인, 용철의 불순물 농도의 예측 장치.
제6항 내지 제8항 중 어느 한 항에 있어서,
상기 철계 스크랩은, 철계 스크랩 전체의 불순물 농도의 평균값보다도 불순물 농도가 높은 저급 스크랩과, 상기 평균값보다도 불순물 농도가 낮은 고급 스크랩을 포함하고,
상기 불순물 농도 예측부는, 출력된 후 차지에 있어서의 용철의 불순물 농도가 미리 정해진 용철의 불순물 농도의 목표값이 되도록, 상기 저급 스크랩의 장입량을 결정하는, 용철의 불순물 농도의 예측 장치.