TWI807934B - 熔鐵之雜質濃度之預測方法、熔鐵之製造方法、學習完成之機械學習模型之作成方法及熔鐵之雜質濃度之預測裝置 - Google Patents
熔鐵之雜質濃度之預測方法、熔鐵之製造方法、學習完成之機械學習模型之作成方法及熔鐵之雜質濃度之預測裝置 Download PDFInfo
- Publication number
- TWI807934B TWI807934B TW111127863A TW111127863A TWI807934B TW I807934 B TWI807934 B TW I807934B TW 111127863 A TW111127863 A TW 111127863A TW 111127863 A TW111127863 A TW 111127863A TW I807934 B TWI807934 B TW I807934B
- Authority
- TW
- Taiwan
- Prior art keywords
- impurity concentration
- molten iron
- iron
- predicting
- scrap
- Prior art date
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 810
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 402
- 239000012535 impurity Substances 0.000 title claims abstract description 274
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000010801 machine learning Methods 0.000 title claims description 43
- 238000004519 manufacturing process Methods 0.000 title claims description 23
- 238000010891 electric arc Methods 0.000 claims abstract description 36
- 238000007670 refining Methods 0.000 claims abstract description 13
- 239000010949 copper Substances 0.000 description 67
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 65
- 229910052802 copper Inorganic materials 0.000 description 65
- 238000002156 mixing Methods 0.000 description 28
- 238000004364 calculation method Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 19
- 229910000831 Steel Inorganic materials 0.000 description 16
- 239000010959 steel Substances 0.000 description 16
- 238000003860 storage Methods 0.000 description 14
- 230000000052 comparative effect Effects 0.000 description 12
- 239000000203 mixture Substances 0.000 description 12
- 238000005457 optimization Methods 0.000 description 11
- 235000014347 soups Nutrition 0.000 description 9
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 8
- 239000002893 slag Substances 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 238000007664 blowing Methods 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 6
- 238000002844 melting Methods 0.000 description 6
- 230000008018 melting Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011109 contamination Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 235000012255 calcium oxide Nutrition 0.000 description 4
- 239000000292 calcium oxide Substances 0.000 description 4
- 239000003575 carbonaceous material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000571 coke Substances 0.000 description 2
- 238000013329 compounding Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 235000013980 iron oxide Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 239000002436 steel type Substances 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- 229910000805 Pig iron Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002801 charged material Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012840 feeding operation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 235000000396 iron Nutrition 0.000 description 1
- VBMVTYDPPZVILR-UHFFFAOYSA-N iron(2+);oxygen(2-) Chemical class [O-2].[Fe+2] VBMVTYDPPZVILR-UHFFFAOYSA-N 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/52—Manufacture of steel in electric furnaces
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Refinement Of Pig-Iron, Manufacture Of Cast Iron, And Steel Manufacture Other Than In Revolving Furnaces (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本發明提供一種於使用電爐之熔鐵的精煉中，可提高成為混入元素之熔鐵之雜質濃度的預測精度的熔鐵之雜質濃度之預測方法。
本發明係於電弧電爐設備中精煉的熔鐵被精煉後之雜質濃度的預測方法，將按種類區分之數個鐵系碎屑各者之裝入量、與初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊中之至少一者輸入至雜質濃度預測模型，以輸出後加料中之熔鐵之雜質濃度。
Description
本發明係關於一種於電弧電爐設備中被精煉之熔鐵的精煉後雜質濃度之預測方法、使用該雜質濃度之預測方法的熔鐵之製造方法、用於精煉後之熔鐵之雜質濃度預測的學習完成之機械學習模型之作成方法及熔鐵之雜質濃度之預測裝置。
於電弧電爐設備中，其將包含鐵系碎屑(冷鐵源)等之主原料利用電弧熱熔解而製造熔鐵。鐵系碎屑之種類係由鐵屑驗收統一標準所規定，其涵蓋重型廢鐵(heavy scrap)、新斷屑、碎廢鐵(shredder)等各種廢鐵，而其價格由其碎屑品質所決定。市場上流通最多之鐵系碎屑種類為重型廢鐵(H1～H4)，而混合存在有於市場上解體之鐵源的重型廢鐵具有混入銅(Cu)、錫(Sn)等雜質即所謂混入元素(tramp element)之風險，該等元素難以藉由熔解精煉而去除。
鐵系碎屑之價格係被考慮此種碎屑品質而決定。例如，衝壓鋼板時產生之所謂新斷屑與重型廢鐵相比，混入元素之混入風險較低，又，流通量亦受限，因此被以高價交易。因此，若為了降低混入元素之混入風險而使用較多新斷屑的話，則製造成本變高。習知，該鐵系碎屑之調配比率係於可實際操作之範圍內，根據人們過去之知識見解及情況來判斷，以決定重型廢鐵與新斷屑之調配比例，而使獲得之熔鐵滿足化學成分標準。
於此種背景下，專利文獻1中揭示一種系統，該系統將各碎屑之調配比率作為變量，將該各碎屑之購買價格與使用價值作為常數，使上述變量依次變化並計算多次，求出製鋼操作成本儘可能小之上述變量。根據專利文獻1，其藉由以滿足所要求之銅標準之方式算出碎屑調配比率，其可一面有效利用低級碎屑一面期待製造成本之削減。
[先前技術文獻] [專利文獻]
專利文獻1：日本專利特開平10-168510號公報
(發明所欲解決之問題)
在製造混入元素(尤其是銅標準)較嚴格之高級鋼的日本，國內產生的如重型廢鐵般混入元素之風險較高的低級碎屑之100%再利用則尚未實現。因此，每年有8百萬～9百萬噸之鐵系碎屑向國外輸出。其與利用高爐-轉爐法製造之熔鐵相比，利用電爐法製造之熔鐵，其能量消耗量較少，CO
2排出量亦較少。因此，就環境影響之觀點而言，亦期望可推進國內產生之鐵系碎屑在國內之100%再利用。
針對此種要求，專利文獻1之方法由於可降低製造成本，並且可製造一定程度上滿足化學成分標準之熔鐵，因此其可用於各種鐵系碎屑之調配，進而，有助於國內之低級碎屑的有效利用。
然而，如專利文獻1般，僅將各碎屑之調配比率作為變量其混入元素之濃度預測的精度較低。基於此種較低預測精度之濃度而實施之鐵系碎屑的調配計算稱不上為最佳化者，而於實際製造之熔鐵中，超過作為混入元素之銅成分標準之上限的情況頻頻發生。因此，其存在有如下問題，即，不得不減少重型廢鐵之使用量，而增加如新斷屑般之高級碎屑之使用量，結果則導致熔鐵之製造成本上升。
本發明係鑒於此種先前技術之問題所完成者，其目的在於提供一種在使用電爐之熔鐵之精煉中，其可提高成為混入元素之熔鐵之雜質濃度預測精度的熔鐵之雜質濃度之預測方法及熔鐵之雜質濃度之預測裝置，又，其提供一種滿足所要求之化學成分標準，且增加低級碎屑之調配量而降低製造成本之熔鐵之製造方法，進而，其提供一種用於精煉後之熔鐵之雜質濃度預測的學習完成之機械學習模型之作成方法。
(解決問題之技術手段)
本發明人等為了解決上述問題而反覆進行銳意研究。其結果發現，除了藉由將各鐵系碎屑之裝入量作為輸入資料以外，還將初加料中之熔鐵之雜質濃度及初加料之殘餘量(初加料之帶入熔鐵量)及雜質之市場交易價格資訊中之至少一者作為輸入資料，則可提高所獲得之熔鐵之雜質濃度的預測精度。本發明人亦發現藉由根據以此方式預測之後加料之熔鐵的雜質濃度可使鐵系碎屑之調配最佳化，可滿足所要求之化學成分標準，且增加低級碎屑之調配量而降低製造成本。
本發明係基於上述知識見解所完成者，其主旨如下。
[1]一種熔鐵之雜質濃度之預測方法，其係於電弧電爐設備中被精煉之熔鐵之雜質濃度之預測方法，且將按種類區分之數個鐵系碎屑各者之裝入量、與初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊中之至少一者輸入至雜質濃度預測模型，以輸出後加料中之熔鐵之雜質濃度。
[2]如[1]之熔鐵之雜質濃度之預測方法，其中，上述雜質濃度預測模型係複回歸模型，該模型係將上述鐵系碎屑各者之裝入量、與上述初加料中之熔鐵之雜質濃度、上述初加料之殘餘量及雜質之市場交易價格資訊中之至少一者作為解釋變量，將後加料中之熔鐵之雜質濃度作為客觀變量。
[3]如[1]之熔鐵之雜質濃度之預測方法，其中，上述雜質濃度預測模型係學習完成之機械學習模型，該模型係將上述鐵系碎屑各者之裝入量、與上述初加料中之熔鐵之雜質濃度及上述初加料之殘餘量及雜質之市場交易價格資訊中之至少一者作為輸入資料，而將後加料中之熔鐵之雜質濃度作為輸出資料。
[4]一種熔鐵之製造方法，其使用如[1]至[3]中任一項之熔鐵之雜質濃度之預測方法，其中，上述鐵系碎屑包含雜質濃度高於鐵系碎屑整體之雜質濃度之平均值的低級碎屑、及雜質濃度低於上述平均值之高級碎屑，利用上述雜質濃度之預測方法預測之後加料中之熔鐵的雜質濃度成為預先規定之熔鐵之雜質濃度目標值的方式，以決定上述低級碎屑之裝入量。
[5]一種學習完成之機械學習模型之作成方法，其係用於在電弧電爐設備中精煉之熔鐵之被精煉後的雜質濃度之預測的學習完成之機械學習模型之作成方法，其中，對將按種類區分之數個鐵系碎屑各者之裝入量、與初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊中之至少一者作為輸入資料，將後加料中之熔鐵之雜質濃度的實際值作為輸出資料的機械學習模型，輸入包含過去使用電弧電爐設備之精煉中之上述輸入資料及後加料之熔鐵中之雜質濃度的實際值的資料集，以作成學習完成之機械學習模型。
[6]一種熔鐵之雜質濃度之預測裝置，其係於電弧電爐設備中被精煉之熔鐵之雜質濃度之預測裝置，其中，具有雜質濃度預測部，該雜質濃度預測部係將按種類區分之數個鐵系碎屑各者之裝入量、與初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊中之至少一者輸入至雜質濃度預測模型，以輸出後加料中之熔鐵之雜質濃度。
[7]如[6]之熔鐵之雜質濃度之預測裝置，其中，上述雜質濃度預測模型係複回歸模型，該模型係將上述鐵系碎屑各者之裝入量、與上述初加料中之熔鐵之雜質濃度、上述初加料之殘餘量及雜質之市場交易價格資訊中之至少一者作為解釋變量，將後加料中之熔鐵之雜質濃度作為客觀變量。
[8]如[6]之熔鐵之雜質濃度之預測裝置，其中，上述雜質濃度預測模型係學習完成之機械學習模型，該模型係將上述鐵系碎屑各者之裝入量、與上述初加料中之熔鐵之雜質濃度及上述初加料之殘餘量及雜質之市場交易價格資訊中之至少一者作為輸入資料，而將後加料中之熔鐵之雜質濃度作為輸出資料。
[9]如[6]至[8]中任一項之熔鐵之雜質濃度之預測裝置，其中，上述鐵系碎屑包含雜質濃度高於鐵系碎屑整體之雜質濃度之平均值的低級碎屑、及雜質濃度低於上述平均值之高級碎屑，上述雜質濃度預測部係以所輸出之後加料中之熔鐵之雜質濃度成為預先規定之熔鐵之雜質濃度的目標值的方式，以決定上述低級碎屑之裝入量。
(對照先前技術之功效)
藉由實施本發明之熔鐵之雜質濃度的預測方法，可以較高精度預測電弧電爐設備中精煉後之熔鐵之雜質濃度。而且，藉由根據利用該方法預測之熔鐵之雜質濃度使鐵系碎屑調配最佳化，其可滿足所要求之化學成分標準且增加低級碎屑之調配量，從而可降低熔鐵之製造成本。
以下，對本發明之實施形態具體地進行說明。以下之實施形態係表示本發明較佳之一例，惟本發明不因該等例而受任何限定。
圖1係表示作為電弧電爐設備於本實施形態中使用之具有1根上部電極3及設置於爐底之爐底電極4之直流式電弧電爐設備1的概要圖。本實施形態之熔鐵之製造方法係按照以下之順序將裝入爐體2之內部的鐵系碎屑12熔解，以製造熔鐵13。
(1)將鐵系碎屑12裝入直流式電弧電爐設備1之爐體2的內部。
(2)於上部電極3與爐底電極4之間流通直流電流，藉由上部電極3與爐底電極4之間或上部電極3與爐體內之鐵系碎屑12之間產生的電弧所致之加熱(電弧加熱)而將鐵系碎屑12熔解，從而製造熔鐵13。
(3)代替上述(2)，藉由來自氧吹入噴槍6之氧氣與來自碳材吹入噴槍7之碳材之氧化反應所致的加熱、及/或與利用燃燒器8之加熱之併用，將裝入爐體2之內部之鐵系碎屑12熔解而製造熔鐵13。
再者，圖1中係表示直流式電弧電爐設備1作為電弧電爐設備，但其亦可使用三相交流式電弧電爐設備作為電弧電爐設備。於三相交流式電弧電爐設備中，設置有貫通爐蓋之3根電極，於該等電極之間流通交流電流，藉由該等電極間產生之電弧，將裝入爐體內之鐵系碎屑熔解。三相交流式電弧電爐設備之其他構造與直流式電弧電爐設備1相同。
對爐體2裝入鐵系碎屑12之方法係於使上部電極3及爐蓋5退避而使爐體2之上部打開之狀態下，將以既定之調配比率填充至底部開口鏟斗11之鐵系碎屑12，自底部開口鏟斗11裝入爐體2之內部。使用該底部開口鏟斗11裝入鐵系碎屑12係每1次加料分2～3次實施。每1次加料分2～3次來實施鐵系碎屑12向爐體2之裝入之理由在於，鐵系碎屑12之鬆密度較低，若為1次裝入則無法獲得所需的既定量之熔鐵13。
首先，將第1鏟斗之鐵系碎屑12裝入爐體2之內部，將所裝入之1鏟斗量的鐵系碎屑12藉由電弧加熱熔解，然後，再次將鐵系碎屑12追加裝入至爐體2之內部。重複該操作，達到所要求之熔鐵量之後，將出湯口9關閉之出湯用門10打開，使熔鐵13自出湯口9流出至盛鋼桶(未圖示)等。此時，對流出之熔鐵13進行取樣，分析熔鐵13之成分。
於本實施形態之熔鐵之製造方法中，在爐體2之內部熔解所成之熔鐵13並非全部流出，而是一部分熔鐵13殘留於爐體2之內部，將其留至後加料中。其被稱為熱跟(hot heel)操作。於熱跟操作中，若將出湯量與殘餘量之總和定義為爐容積，則殘餘量相對於爐容積之比率為50質量%左右以下之情況較多。如此，藉由在爐體內殘留50質量%左右以下之熔鐵13，則可提高裝入後加料之鐵系碎屑12之熔解效率。
然而，殘餘量越多，則初加料之熔鐵成分越會對後加料之熔鐵成分產生影響。尤其是殘餘中所包含之雜質直接留至後加料。因此，必須考慮殘餘量及殘餘之雜質濃度而使鐵系碎屑12之調配最佳化。
於本實施形態之熔鐵之製造方法中，首先，考慮鐵系碎屑12之裝入量以及初加料之殘餘量、殘餘之雜質濃度及雜質之市場交易價格資訊，以預測成為精煉後之後加料之熔鐵13之混入元素的雜質之濃度。然後，以該預測值成為熔鐵13之雜質濃度目標值之方式調整鐵系碎屑12之調配量。
鐵系碎屑12係按其種類進行區分並管理。於電弧電爐設備之操作中，調配使用數種鐵系碎屑12。又，鐵系碎屑12中包含難以利用電弧電爐設備去除之例如銅(Cu)之類的混入元素。雜質濃度高於鐵系碎屑整體之雜質濃度之平均值的鐵系碎屑12成為廉價之低級碎屑，雜質濃度低於鐵系碎屑整體之雜質濃度之平均值的鐵系碎屑12則成為高價之高級碎屑。再者，作為成為混入元素之雜質元素，具有代表性的是銅及錫(Sn)，但根據鋼種不同，難以利用電弧電爐設備去除之鎳(Ni)或鉬(Mo)等亦成為使鋼品質劣化之元素。因此，對於某些鋼種而言，鎳(Ni)或鉬(Mo)等亦可能成為混入元素。
鐵系碎屑12之調配量之調整係藉由增加低級碎屑之調配量直至後加料之熔鐵13之預測雜質濃度達到目標值為止而實施。藉此，則可滿足所要求之化學成分標準，且增加低級碎屑之調配量，從而可降低熔鐵13之製造成本。
圖2係表示重型廢鐵之推定銅濃度與銅價格之漲落率之變化的曲線圖。圖2之橫軸表示年月，縱左軸表示重型廢鐵之推定銅濃度(－)，縱右軸表示銅價格之漲落率(%)。所謂重型廢鐵之推定銅濃度，係指根據熔鐵之銅濃度之實際值、與重型廢鐵以外之鐵系碎屑之使用量及其推定銅濃度來倒算重型廢鐵銅濃度，以算出其月度平均值後以36個月平均值標準化而得者。即，縱軸之推定銅濃度100.0係指36個月之平均值。又，(－)係指無因次。銅價格之漲落率係算出前一個月至當月之銅價格之上升率、下降率所得者，銅價格則參照JX金屬主頁銅交易標準價值。
如圖2所示，關於成為混入元素之代表之銅，被確認有以下傾向：銅價格較前一個月下降之月份之重型廢鐵之推定銅濃度上升，相反的，銅價格較前一個月上升之月份之重型廢鐵之推定銅濃度則下降。即，可知重型廢鐵之推定銅濃度與碎屑市場上之銅價格存在負關聯。
因此，由於重型廢鐵之推定銅濃度與碎屑市場上之銅價格存在有關聯性，因此可知藉由考慮碎屑市場上之市場交易價格資訊來預測銅濃度，可提高銅濃度之預測精度。再者，於圖2中，以銅為例進行了說明，但關於其他混入元素，亦為當價格上升時，則希望回收該混入元素，因此認為其有相同之傾向。根據該等情況可知，如藉由考慮對象雜質(混入元素)之交易價格資訊則可提高雜質之成分濃度的預測精度。又，於本實施形態中，對使用價格之漲落率作為市場交易價格資訊進行了說明，但本發明並不限定於此，只要為表示市場上價格之變動之指標，則亦可任意使用，亦可使用交易價格。
圖3係表示可實施本實施形態之熔鐵之雜質濃度的預測方法的電爐控制裝置20之構成一例的模式圖。電爐控制裝置20具有製程電腦21及雜質濃度預測裝置22。
製程電腦21係進行直流式電弧電爐設備1中之操作之控制、資料處理、資料儲存的裝置。雜質濃度預測裝置22根據操作條件(數個鐵系碎屑各者之裝入量、初加料中之熔鐵之雜質濃度、來自初加料之帶入熔鐵量(殘餘量))及雜質之市場交易價格資訊，輸出後加料中之精煉後之熔鐵之雜質濃度的預測值。又，雜質濃度預測裝置22決定後加料中之各鐵系碎屑之調配量。
雜質濃度預測裝置22具有控制部30、儲存部40、及輸入部50。控制部30具有雜質濃度預測部31及更新部32。控制部30例如為中央處理單元(CPU，Central Processing Unit)等，使用保存在儲存部40中之程式或資料，執行雜質濃度預測部31及更新部32中之既定之處理。
儲存部40例如為可更新記錄之快閃記憶體、內置或利用資料通信端子連接之硬碟、記憶卡等資訊記錄媒體及其讀寫裝置。於儲存部40中，預先儲存有用以實現雜質濃度預測部31及更新部32中之既定之處理的程式、或於執行該程式之過程中使用之資料等。雜質之市場交易價格資訊亦被預先儲存於儲存部40中。進而，於儲存部40中，儲存有輸入操作條件且輸出後加料之熔鐵之雜質濃度的學習完成之機械學習模型41、及資料庫42。
於資料庫42中，包含過去實施之電弧電爐設備中之精煉之操作條件、雜質之市場交易價格資訊、及熔鐵之雜質濃度之實際值的資料集例如與針對每次加料分配之序號建立對應地儲存有既定數量。精煉之操作條件包含鐵系碎屑各者之裝入量、初加料之熔鐵之雜質濃度及初加料之殘餘量。
機械學習模型41藉由將儲存於資料庫42中之資料集作為訓練資料進行機械學習而成為學習完成之機械學習模型。本實施形態之機械學習模型41係將輸入資料設為鐵系碎屑各者之裝入量、初加料之熔鐵之雜質濃度、初加料之殘餘量、及雜質之市場交易價格資訊，將輸出資料設為後加料之熔鐵之雜質濃度的機械學習模型。
作為機械學習模型41，可使用類神經網路或深度學習等公知之機械學習模型。將儲存於資料庫42中之操作條件(鐵系碎屑各者之裝入量、初加料之熔鐵之雜質濃度及初加料之殘餘量)及雜質之市場交易價格資訊、與熔鐵之雜質濃度之實際值作為1組之資料集作為訓練資料，使機械學習模型41機械學習，作成學習完成之機械學習模型41，並預先儲存於儲存部40中。再者，學習完成之機械學習模型41係預測雜質濃度之雜質濃度預測模型之一例。
輸入部50受理來自操作員60之輸入。輸入部50當受理來自操作員60之輸入時將該輸入值輸出至雜質濃度預測部31。來自操作員60之輸入亦輸入至製程電腦21。輸入部50例如為鍵盤或滑鼠等輸入裝置。
其次，對後加料之熔鐵之雜質濃度的預測值之算出處理進行說明。後加料之熔鐵之雜質濃度的預測值之算出處理係於初加料之熔鐵之雜質濃度及初加料之殘餘量已確定之階段，藉由雜質濃度預測部31來實施。初加料之熔鐵之雜質濃度及初加料之殘餘量例如由操作員60經由輸入部50而輸入至雜質濃度預測部31。鐵系碎屑各者之裝入量係自製程電腦21輸入至雜質濃度預測部31。雜質之市場交易價格資訊係由雜質濃度預測部31自儲存部40讀出。
雜質濃度預測部31當取得鐵系碎屑各者之裝入量、初加料之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊時，讀出儲存於儲存部40中之學習完成之機械學習模型41。雜質濃度預測部31將鐵系碎屑各者之裝入量、初加料之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊輸入至學習完成之機械學習模型41，以輸出後加料之熔鐵之雜質濃度。如此一來，雜質濃度預測部31算出後加料之精煉後之熔鐵中之雜質濃度的預測值。
其次，對鐵系碎屑調配之最佳化處理進行說明。雜質濃度預測部31將後加料之熔鐵之雜質濃度的預測值與預先規定之目標雜質濃度進行比較。目標雜質濃度係自製程電腦21輸入至雜質濃度預測部31。
當後加料之熔鐵之雜質濃度的預測值低於目標雜質濃度之情況下，雜質濃度預測部31使鐵系碎屑中之低級碎屑之調配比率增加，使高級碎屑之調配比率減少。依該鐵系碎屑調配比率，雜質濃度預測部31再次求出後加料之熔鐵之雜質濃度的預測值。重複實施該操作直至後加料之熔鐵之雜質濃度的預測值超過目標雜質濃度為止。當後加料之熔鐵之雜質濃度的預測值超過目標雜質濃度之情況下，雜質濃度預測部31將前一個預測所使用之鐵系碎屑之調配比率設為用於後加料之操作之鐵系碎屑之調配比率。雜質濃度預測部31如此實施鐵系碎屑調配之最佳化處理，並以後加料之熔鐵之雜質濃度的預測值成為預先規定之目標雜質濃度的方式，決定用於後加料操作之鐵系碎屑之調配比率，從而決定低級碎屑之裝入量。
雜質濃度預測部31將鐵系碎屑之調配比率輸出至製程電腦21。製程電腦21當取得鐵系碎屑之調配比率時，以將成為該調配比率之鐵系碎屑填充至底部開口鏟斗11之方式，控制各鐵系碎屑向底部開口鏟斗11之搬送量。
例如，當利用底部開口鏟斗11向爐體2裝入2次鐵系碎屑(以下，記為「2鏟斗」)之情況下，將第1鏟斗之鐵系碎屑對爐體2裝入，藉由電弧加熱將1鏟斗量之鐵系碎屑熔解之後，將第2鏟斗之鐵系碎屑對爐體2裝入。
首先，對有關在加料期間存在停工時間(空閒時間)之情況，使用圖4以時間序列的操作經過進行說明。首先，第1次加料(初次加料)如通常般裝入2鏟斗(於圖4中將鏟斗表述為「B」)之鐵系碎屑，熔解後實施精煉。熔解後，使熔鐵之一部分流出，並對流出之熔鐵進行取樣，求出第1次加料之熔鐵之雜質濃度的實際值。
然後，於停工時間之期間，使用各鐵系碎屑之裝入量、初加料之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊，實施後加料之熔鐵之雜質濃度的預測值之算出處理及鐵系碎屑調配之最佳化處理，決定後加料之鐵系碎屑之調配。製程電腦21控制各鐵系碎屑對第1鏟斗及第2鏟斗之搬送，以成為所決定之調配比率。如此一來，調配量最佳化之鐵系碎屑被作為第1鏟斗及第2鏟斗裝入爐體2之內部實施精煉。
初加料之殘餘量的實際值係按照以下方式進行計算而求出。第1次加料之殘餘量係藉由「殘餘量＝鐵系碎屑裝入量(裝入時計量)×良率(0.925)－出湯量(流出時計量)」而算出。第2次加料以後的殘餘量係藉由「殘餘量＝初加料殘餘量＋鐵系碎屑裝入量(裝入時計量)×良率(0.925)－出湯量(流出時計量)」而算出。最終加料的殘餘量係藉由「殘餘量＝初加料殘餘量＋鐵系碎屑裝入量(裝入時計量)×良率(0.925)－出湯量(流出時計量)」而算出。
再者，於最終加料中，通常，爐體內不殘留熔鐵2，殘餘量實質為零(0)。為了使殘餘量實質為零，藉由傾動裝置(未圖示)使爐體2傾斜，將爐體內之熔鐵13全部自出湯口9排出。又，爐體內之爐渣量係為了於爐體內形成爐渣來提高熱效率，其包含初加料之帶入量、該加料時之產生量、及操作中之排渣量，約為10噸左右。爐體內之爐渣由投入至爐體2之CaO系媒熔劑(主要為生石灰)形成。
另一方面，對有關作為生產性優先於加料期間無停工時間之情況，使用圖5以時間序列的操作經過進行說明。首先，第1次加料(初次加料)如通常般裝入2鏟斗(於圖5中將鏟斗表述為「B」)之鐵系碎屑，熔解後實施精煉。第1次加料之熔鐵流出之後，立即向爐體2裝入第2次加料之鐵系碎屑。由於第1次加料(初加料)之熔鐵之雜質濃度分析需要時間，因此第2次加料(後加料)之熔鐵之雜質濃度預測及鐵系碎屑之最佳化運算無法於第2次加料(後加料)之第1鏟斗的鐵系碎屑裝入時完成。因此，在加料期間無停工時間情況下之後加料的第1鏟斗，係將預先規定之調配的鐵系碎屑填充至底部開口鏟斗11。然後，對第2鏟斗，以第1鏟斗及第2鏟斗之鐵系碎屑合計成為藉由鐵系碎屑之最佳化運算而規定之調配的方式，控制各者之鐵系碎屑之填充量。
如此一來，有關在加料期間無停工時間之情況，亦可裝入藉由鐵系碎屑之最佳化運算處理而決定調配之鐵系碎屑。再者，在利用鏟斗裝入鐵系碎屑數次時，各者之碎屑調配之組合、裝入量等可在限制條件下(底部開口鏟斗之裝入重量極限、鐵系碎屑之體積、放置場所等)任意地調整。
鐵系碎屑調配之最佳化運算係如上所述，以鐵系碎屑之調配成本最小化且進入所要求之雜質濃度之標準範圍內之方式，運算鐵系碎屑之調配。
再者，後加料的熔鐵之雜質濃度預測處理及鐵系碎屑調配之最佳化運算亦可不必使用初加料熔鐵之雜質濃度的實際值、及初加料熔鐵之殘餘量的實際值來實施。例如，亦可按照1天計劃之各加料之精煉順序預先預測後加料之雜質濃度，使用各鐵系碎屑之裝入量、該預測之雜質濃度及預定之殘餘量來實施鐵系碎屑調配之最佳化運算。但是，若為各者之加料後，則後加料之熔鐵之雜質濃度預測及碎屑調配之最佳化運算可使用初加料之熔鐵之雜質濃度的實際值、及殘餘量之實際值來實施。藉此，可以更高之精度預測後加料之熔鐵的雜質濃度，又，鐵系碎屑調配之最佳化運算之精度亦提高，因此較佳為於各者加料後實施熔鐵之雜質濃度預測處理及鐵系碎屑調配之最佳化運算。
鐵系碎屑調配亦可由預測精度之誤差範圍決定。例如，當考慮標準偏差之情況下，若重視成分標準，則如預測值＋2σ進入目標雜質濃度之碎屑調配即可，若重視成本，則亦可提高更廉價且雜質風險較高之鐵系碎屑之調配比率。即，此為雜質濃度偏離標準之風險與成本優先之取捨，只要根據操作想法的考量來決定即可。
鐵系碎屑含有各種成分、形狀、大小者(例如，日本鐵源協會之「鐵屑驗收統一標準」所規定者)，鐵系碎屑之價格根據其品質或市場情況而變動。該等鐵系碎屑被適當組合後調配，於爐體內藉由電弧加熱而熔解，製造熔鐵。當然，為了使製造成本降至最低，則需藉由在各種限制條件內，使廉價之鐵系碎屑之調配比率最大化而達成。
再者，在本實施形態中熔解之鐵系碎屑，除了包含上述日本鐵源協會之「鐵屑驗收統一標準」所規定之鐵系碎屑以外，例如，亦可包含直接還原鐵、冷鐵等以鐵為主成分者。同樣，亦可包含利用連續鑄造法或造塊法鑄造之鑄片之非恆定部、鋼帶等鋼材藉由軋壓而產生之料頭(crop)、使熔鐵凝固而成之生鐵等自製鐵廠所產生自廠屑。關於該等除「鐵屑驗收統一標準」所規定以外之鐵系碎屑，根據需要，區分為其他鐵系碎屑種，求出其鬆密度。再者，包含較多氧化鐵成分者雖額外需要能量來還原氧化鐵，但只要考慮操作成本等來適當使用即可。
鐵系碎屑之區分亦可不必基於「鐵屑驗收統一標準」，而可以任意基準來進行區分。總之，只要可作成根據操作實績進行學習之模型即可。
再者，有一種電弧電爐設備，其具備與爐體2之上部或水平部連接設置之軸式預熱室。此種設備中，對預熱室內依次裝入鐵系碎屑，一面利用爐體2中產生之排氣將所裝入之鐵系碎屑預熱一面將其熔解而製造熔鐵。於此種設備中，亦可與通常之電弧電爐設備同樣地實施本實施形態之熔鐵的製造方法，只要得知流出之熔鐵的雜質濃度後，立即將依次裝入之鐵系碎屑之調配比率予以最佳化，並決定低級碎屑之裝入量即可。
其次，對機械學習模型41之更新進行說明。於本實施形態之熔鐵之雜質濃度的預測方法中，學習完成之機械學習模型41亦可於操作結束後更新。學習完成之機械學習模型41於操作結束後，藉由依種類或品位區分之數個鐵系碎屑各者之裝入量、初加料中之熔鐵之雜質濃度、來自初加料之帶入熔鐵量(初加料之殘餘量)、雜質之市場交易價格資訊及後加料之熔鐵之雜質濃度的實際值而更新。
當操作結束後，製程電腦21對更新部32輸出鐵系碎屑各者之裝入量、初加料中之熔鐵之雜質濃度、初加料之殘餘量、雜質之市場交易價格資訊及後加料之熔鐵之雜質濃度的實際值。當更新部32取得該等資料時，將該等資料與針對每次加料分配之序號相對應而記錄於資料庫42。
更新部32於將資料記錄於資料庫42之後，將儲存於資料庫42中之資料作為訓練資料輸入至機械學習模型41使其進行機械學習。如此，學習完成之機械學習模型41亦可藉由更新部32而於操作結束後更新。
再者，於上述說明中，雖顯示雜質濃度預測部31使用鐵系碎屑各者之裝入量、初加料中之熔鐵之雜質濃度、初加料之殘餘量、及雜質之市場交易價格資訊這4種輸入資料來預測後加料之熔鐵之雜質濃度的例子，但本發明並不限定於此。雜質濃度預測部31亦可使用鐵系碎屑各者之裝入量、初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊中之至少一者之輸入資料，來預測後加料之熔鐵之雜質濃度。藉此，其與僅根據鐵系碎屑各者之裝入量來預測雜質濃度之方法相比，可以更高之精度預測雜質濃度。
又，初加料之殘餘量亦可不使用實測值而使用預定之殘餘量，根據鐵系碎屑各者之裝入量、及初加料中之熔鐵之雜質濃度，來預測後加料之熔鐵之雜質濃度。即，初加料之熔鐵銅濃度亦可不使用實測值而使用藉由計算求出之銅濃度，根據鐵系碎屑各者之裝入量、及初加料中之熔鐵之殘餘量，來預測後加料之熔鐵之雜質濃度。又，亦可併用除該等以外之資料來預測後加料之熔鐵之雜質濃度。
又，學習完成之機械學習模型41亦可不預先儲存於儲存部40中。例如，亦可將機械學習模型預先儲存於儲存部40中，每當雜質濃度預測部31輸出雜質濃度之預測值時，藉由將儲存於資料庫42中之資料集作為訓練資料進行機械學習，而作成學習完成之機械學習模型。
又，於本實施形態中，雖顯示使用學習完成之機械學習模型41作為雜質濃度預測模型的例子，但本發明並不限定於此。作為雜質濃度預測模型，亦可使用複回歸模型(解釋變量；鐵系碎屑各者之裝入量、初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊，客觀變量；後加料之熔鐵之雜質濃度)。當使用複回歸模型作為雜質濃度預測模型之情況時，更新部32則更新複回歸模型之各參數。
實施例
使用圖1所示之直流式電弧電爐設備，來實施應用本發明將鐵系碎屑熔解而製造熔鐵之試驗(本發明例)、及不應用本發明而將鐵系碎屑熔解從而製造熔鐵之試驗(比較例)。該直流式電弧電爐設備之爐體係爐徑約6.3 m、爐高約4.1 m，又，其設置有碳材吹入噴槍、燃燒器、水冷式氧吹入噴槍，且於中心具有1根上部電極之直流型。
表1表示本發明例及比較例中之直流式電弧電爐設備之操作條件，表2表示每次加料之爐體內鐵源之物質收支之影像。再者，表1所示之操作條件及表2所示之物質收支之影像於本發明例及比較例中相同。
[表1]
| 鐵系碎屑種類 | 重型廢鐵H2、新斷屑 |
| 氧吹入噴槍流量 | 約3000 Nm 3/h |
| 焦炭塊裝入量 | 約1000 kg |
| 焦炭粉使用量 | 約500 kg |
| 生石灰裝入量 | 500 kg |
[表2]
| 輸入 | 輸出 | |||
| 初次加料 | 鐵系碎屑 | 約205噸 | 熔鐵 | 約120噸 |
| 殘餘 | 約70噸 | |||
| 爐渣 | 約10噸 | |||
| 第2次加料以後 | 鐵系碎屑 | 約130噸 | 熔鐵 | 約120噸 |
| 初加料殘餘 | 約70噸 | 殘餘 | 約70噸 | |
| 爐渣 | 約10噸 | |||
| 最終加料 | 鐵系碎屑 | 約55噸 | 熔鐵 | 約120噸 |
| 初加料殘餘 | 約70噸 | 殘餘 | 無 | |
| 爐渣 | 約10噸 |
又，於本發明例及比較例中，在各加料之操作開始前，作為副原料，將作為輔助燃料之焦炭塊及作為造渣劑之生石灰自副原料投入滑槽(未圖示)向爐體內裝入。於爐體內產生了一定程度之熔鐵及熔融爐渣之操作中期至操作末期，進行來自碳材吹入噴槍之焦炭粉之吹入及來自氧吹入噴槍之氧氣之吹入。
作為鐵系碎屑，使用來自日本鐵源協會之「鐵屑驗收統一標準」所規定之碎屑種類中，一般下述2種鐵系碎屑。
(i)重型廢鐵；
其係利用截斷機、氣體熔斷、重機等定型者，根據厚度、尺寸、單位重量而區分為HS、H1～H4。於本實施例中，使用「H2：厚度3 mm以上且未滿6 mm，寬度或高度500 mm以下×長度1200 mm以下者」。
(ii)新斷屑；
其係製造鋼板加工製品時產生之切屑及衝壓屑，根據形狀、氧化之程度，區分為壓製A、壓製B、零散A、零散B等。於本實施例中，將「壓製A：3邊之總和為1800 mm以下且最大邊為800 mm以下，未進行表面處理之薄鋼板且未氧化者」、及「零散A：寬度或高度500 mm以下×長度1200mm以下，未進行表面處理之薄鋼板且未氧化者」組合使用。
此處，重型廢鐵中，作為雜質之混入元素混入之風險較高，尤其其存在銅線混入之風險。自重型廢鐵所獲得之熔鐵之銅濃度可謂為0.2～0.4質量%左右，其不均勻度較大。重型廢鐵即所謂的低級碎屑。
另一方面，新斷屑品質良好，銅之混入風險較小，自新斷屑所獲得之熔鐵之銅濃度未滿0.05～0.2質量%。新斷屑由於流通量受限，因此雖亦取決於市場情況之價格變動，但其較重型廢鐵貴約2千～7千日元/t－碎屑。新斷屑即所謂的高級碎屑。
於本實施例中，著眼於作為雜質成分最受關注之銅的濃度進行了試驗。又，為了作成雜質濃度預測模型，將過去3000次加料量作為訓練資料，於比較例中，將解釋變量設為「重型廢鐵」及「新斷屑」之裝入量等兩者。另一方面，於本發明例中，將解釋變量設為「重型廢鐵」及「新斷屑」之裝入量加上「初加料熔鐵之銅濃度」、「初加料之殘餘量」及「銅價格之漲落率」中之至少一者而得之3～5個。此處，「銅價格之漲落率」係算出前一個月至當月之銅價格的上升率、下降率而得者，銅價格參照JX金屬主頁之銅交易標準價值。於比較例中，使用複回歸模型作為雜質濃度預測模型。於本發明例中，使用複回歸模型及機械學習模型作為雜質濃度預測模型。作為機械學習模型，使用NEC公司製造之稱為「dot Data」之機械學習工具。
於鐵系碎屑熔解之操作中，當所要求之熔鐵的銅濃度偏離標準(目標值)之情況下，必須將計劃變更為符合其他標準之鋼種，導致操作穩定性降低。進而，當不存在符合標準之鋼種的情況下，最差之情況係所製造之熔鐵被實施屑化處理，而造成較大之損失。即，降低偏離銅標準之產生率則提高操作穩定性，又，藉由提高重型廢鐵比率，可享受成本削減之優點。
於本實施例中，本發明例及比較例均係使用下述2種方法作為鐵系碎屑之調配最佳化運算方法來決定作為低級碎屑之重型廢鐵的裝入量。
運算方法1；
其係按照計劃之精煉順序使用雜質濃度預測模型依次預測後加料之熔鐵之銅濃度，根據該預測值來決定後加料之重型廢鐵之裝入量的方法。再者，初加料之殘餘量係使用預定之殘餘量即70噸。
運算方法2；
其係使用初加料之熔鐵之銅濃度的實際值及初加料之殘餘量之實際值，預測後加料之熔鐵之銅濃度，根據該預測值決定後加料之低級碎屑(重型廢鐵)之裝入量的方法。
即，運算方法1與運算方法2之不同點在於是事先決定低級碎屑之裝入量，還是於每次加料決定低級碎屑之裝入量。於運算方法1中，由於事先預測所有加料之熔鐵之銅濃度，不使用初加料之熔鐵之銅濃度之實際值及初加料之殘餘量之實際值，因此銅濃度之預測精度較運算方法2為低。
將鐵系碎屑裝入底部開口鏟斗中，分2次即操作開始前與操作中期裝入爐體內。此處，在採用運算方法2之本發明例2、4～6中，由於在加料期間無停工時間，因此對第2次之底部開口鏟斗實施鐵系碎屑調配最佳化運算。於後加料中，輸出所預測之熔鐵之銅濃度不偏離標準且重型廢鐵之裝入量變多之鐵系碎屑之調配，針對第2次之底部開口鏟斗，使鐵系碎屑之調配作最佳化。又，採用運算方法2之比較例2亦由於在加料期間無停工時間，因此對第2次之底部開口鏟斗實施鐵系碎屑調配最佳化運算。
使用標準偏差作為熔鐵之銅濃度不偏離標準之調配基準，將所輸出之預測值＋2σ設為判斷基準。標準偏差σ係使用過去3000次加料量作成雜質濃度預測模型，使用該雜質濃度預測模型與過去之3000次加料量之輸入資料而算出之銅濃度之預測值(資料數3000)的標準偏差。將各加料之鐵系碎屑調配條件及操作結果示於下述表3。
[表3]
| 解釋變量 | 模型 | 鐵系碎 屑調配 最佳化 運算方 法 | 操作結果 | ||||||||||||
| 重型 廢鐵 | 新斷屑 | 初加料 熔鐵之 銅濃度 | 初加 料之 殘餘 量 | 銅價 格之 漲落 率 | 預測 方法 | R 2 | +2σ | 實施 加料 | 偏離 銅標 準之 次數 | 偏離 銅標 準之 產生 率 % | 銅成 分之 評估 | 重型廢 鐵比率 (平均) 質量% | 碎屑 比率 之評 估 | ||
| 比較例1 | 〇 | 〇 | - | - | 複回歸 | 0.70 | 0.09 | 30 | 運算方法1 | 3 | 10.0 | - | 52.4 | - | |
| 比較例2 | 〇 | 〇 | - | - | 複回歸 | 0.70 | 0.09 | 30 | 運算方法2 | 2 | 6.7 | - | 52.5 | - | |
| 本發明例1 | 〇 | 〇 | 〇 | 〇 | 複回歸 | 0.83 | 0.08 | 30 | 運算方法1 | 2 | 6.7 | 〇 | 52.6 | 〇 | |
| 本發明例2 | 〇 | 〇 | 〇 | 〇 | 複回歸 | 0.83 | 0.08 | 30 | 運算方法2 | 1 | 3.3 | 〇 | 52.9 | 〇 | |
| 本發明例3 | 〇 | 〇 | 〇 | 〇 | 機械學習 | 0.94 | 0.03 | 30 | 運算方法1 | 1 | 3.3 | 〇 | 53.0 | 〇 | |
| 本發明例4 | 〇 | 〇 | 〇 | 〇 | 機械學習 | 0.94 | 0.03 | 30 | 運算方法2 | 0 | 0.0 | 〇 | 53.5 | 〇 | |
| 本發明例5 | 〇 | 〇 | 〇 | 機械學習 | 0.80 | 0.06 | 30 | 運算方法2 | 1 | 3.3 | 〇 | 52.8 | 〇 | ||
| 本發明例6 | 〇 | 〇 | 〇 | 〇 | 〇 | 機械學習 | 0.96 | 0.02 | 30 | 運算方法2 | 0 | 0.0 | 〇 | 54.0 | 〇 |
於表3內本發明例之評估中，若「偏離銅標準之產生率」相對於比較例為同等或降低，則判斷為維持或提高了操作穩定性，並於銅成分之評估中訂為「〇(合格)」。又，若「重型廢鐵比率(平均)」相對於比較例為增加，則判斷為使低級碎屑之裝入量增加而可享受成本優勢，並於碎屑比率之評估中設為「〇(合格)」。
如表3所示，於本發明例中，在任一試驗內，「偏離銅標準之產生率」均為同等或降低，且「重型廢鐵比率(平均)」均為增加。即，根據本發明，已確認到藉由滿足預先規定之熔鐵之雜質濃度的目標值，且增加低級碎屑之裝入量，則可降低製造成本。進而，若增加低級碎屑之裝入量，則輸出至海外之鐵系碎屑之量亦變少，因此，亦可期待提高鐵系碎屑之再利用率。
1:直流式電弧電爐設備
2:爐體
3:上部電極
4:爐底電極
5:爐蓋
6:氧吹入噴槍
7:碳材吹入噴槍
8:燃燒器
9:出湯口
10:出湯用門
11:底部開口鏟斗
12:鐵系碎屑
13:熔鐵
20:電爐控制裝置
21:製程電腦
22:雜質濃度預測裝置
30:控制部
31:雜質濃度預測部
32:更新部
40:儲存部
41:機械學習模型
42:資料庫
50:輸入部
60:操作員
圖1係表示直流式電弧電爐設備之概要圖。
圖2係表示重型廢鐵之推定銅濃度與銅價格之漲落率之變化的曲線圖。
圖3係表示可實施本實施形態之熔鐵中雜質濃度之預測方法的電爐控制裝置之構成一例的模式圖。
圖4係表示於加料期間存在停工時間之情況下時間序列的操作經過圖。
圖5係表示於加料期間無停工時間之情況下時間序列的操作經過圖。
1:直流式電弧電爐設備
20:電爐控制裝置
21:製程電腦
22:雜質濃度預測裝置
30:控制部
31:雜質濃度預測部
32:更新部
40:儲存部
41:機械學習模型
42:資料庫
50:輸入部
60:操作員
Claims (7)
- 一種熔鐵之雜質濃度之預測方法，其係於電弧電爐設備中精煉的熔鐵之雜質濃度之預測方法，其中，將按種類區分之數個鐵系碎屑各者之裝入量，與初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊中之至少一者輸入至雜質濃度預測模型，以輸出後加料中之熔鐵之雜質濃度；上述雜質濃度預測模型係複回歸模型，該模型係將上述鐵系碎屑各者之裝入量，與上述初加料中之熔鐵之雜質濃度、上述初加料之殘餘量及雜質之市場交易價格資訊中之至少一者作為解釋變量，將後加料中之熔鐵之雜質濃度作為客觀變量。
- 一種熔鐵之雜質濃度之預測方法，其係於電弧電爐設備中精煉的熔鐵之雜質濃度之預測方法，其中，將按種類區分之數個鐵系碎屑各者之裝入量，與初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊中之至少一者輸入至雜質濃度預測模型，以輸出後加料中之熔鐵之雜質濃度；上述雜質濃度預測模型係學習完成之機械學習模型，該模型係將上述鐵系碎屑各者之裝入量，與上述初加料中之熔鐵之雜質濃度、上述初加料之殘餘量及雜質之市場交易價格資訊中之至少一者作為輸入資料，而將後加料中之熔鐵之雜質濃度作為輸出資料。
- 一種熔鐵之製造方法，其使用請求項1或2之熔鐵之雜質濃度的預測方法，其中，上述鐵系碎屑包含雜質濃度高於鐵系碎屑整體之雜質濃度之平均值 的低級碎屑、及雜質濃度低於上述平均值之高級碎屑，以利用上述雜質濃度之預測方法而預測之後加料中之熔鐵之雜質濃度成為預先規定之熔鐵之雜質濃度的目標值的方式，來決定上述低級碎屑之裝入量。
- 一種學習完成之機械學習模型之作成方法，其係用於在電弧電爐設備中被精煉之熔鐵之精煉後的雜質濃度之預測的學習完成之機械學習模型之作成方法，其中，對將按種類區分之數個鐵系碎屑各者之裝入量，與初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊中之至少一者作為輸入資料，將後加料中之熔鐵之雜質濃度的實際值作為輸出資料的機械學習模型，輸入包含過去使用電弧電爐設備之精煉中之上述輸入資料及後加料之熔鐵中之雜質濃度的實際值的資料集，以作成學習完成之機械學習模型。
- 一種熔鐵之雜質濃度之預測裝置，其係於電弧電爐設備中精煉之熔鐵之雜質濃度的預測裝置，其中，具有雜質濃度預測部，該雜質濃度預測部係將按種類區分之數個鐵系碎屑各者之裝入量，與初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊中之至少一者輸入至雜質濃度預測模型，以輸出後加料中之熔鐵之雜質濃度；上述雜質濃度預測模型係複回歸模型，該模型係將上述鐵系碎屑各者之裝入量，與上述初加料中之熔鐵之雜質濃度、上述初加料之殘餘量及雜質之市場交易價格資訊中之至少一者作為解釋變量，將後加料中之 熔鐵之雜質濃度作為客觀變量。
- 一種熔鐵之雜質濃度之預測裝置，其係於電弧電爐設備中精煉之熔鐵之雜質濃度的預測裝置，其中，具有雜質濃度預測部，該雜質濃度預測部係將按種類區分之數個鐵系碎屑各者之裝入量，與初加料中之熔鐵之雜質濃度、初加料之殘餘量及雜質之市場交易價格資訊中之至少一者輸入至雜質濃度預測模型，以輸出後加料中之熔鐵之雜質濃度；上述雜質濃度預測模型係學習完成之機械學習模型，該模型係將上述鐵系碎屑各者之裝入量，與上述初加料中之熔鐵之雜質濃度、上述初加料之殘餘量及雜質之市場交易價格資訊中之至少一者作為輸入資料，而將後加料中之熔鐵之雜質濃度作為輸出資料。
- 如請求項5或6之熔鐵之雜質濃度之預測裝置，其中，上述鐵系碎屑包含雜質濃度高於鐵系碎屑整體之雜質濃度之平均值的低級碎屑、及雜質濃度低於上述平均值之高級碎屑，上述雜質濃度預測部係以所輸出之後加料中之熔鐵之雜質濃度成為預先規定之熔鐵之雜質濃度目標值的方式，以決定上述低級碎屑之裝入量。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021167375 | 2021-10-12 | ||
| JP2021-167375 | 2021-10-12 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202316333A TW202316333A (zh) | 2023-04-16 |
| TWI807934B true TWI807934B (zh) | 2023-07-01 |
Family
ID=85988249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111127863A TWI807934B (zh) | 2021-10-12 | 2022-07-26 | 熔鐵之雜質濃度之預測方法、熔鐵之製造方法、學習完成之機械學習模型之作成方法及熔鐵之雜質濃度之預測裝置 |
Country Status (2)
| Country | Link |
|---|---|
| TW (1) | TWI807934B (zh) |
| WO (1) | WO2023062905A1 (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW466272B (en) * | 1997-11-13 | 2001-12-01 | Bethlehem Steel Corp | System and method for minimizing slag carryover during the tapping of a BOF converter in the production of steel |
| TW567228B (en) * | 2000-12-13 | 2003-12-21 | Jfe Steel Corp | Process for producing high-nitrogen ultra low-carbon steel |
| TWI589701B (zh) * | 2014-08-21 | 2017-07-01 | 神戶製鋼所股份有限公司 | 鋼中Ｔｉ濃度的抑制方法以及矽脫氧鋼之製造方法 |
| TW202000926A (zh) * | 2018-06-28 | 2020-01-01 | 日商日本製鐵股份有限公司 | 鋼之製造方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10168510A (ja) | 1996-12-09 | 1998-06-23 | Topy Ind Ltd | スクラップの使用量比率を求めるシステム |
| JP2005272859A (ja) * | 2004-03-22 | 2005-10-06 | Sanyo Special Steel Co Ltd | 電気炉の操業方法 |
| JP5909957B2 (ja) * | 2010-09-29 | 2016-04-27 | Ｊｆｅスチール株式会社 | 鉄スクラップを利用した製鋼方法 |
-
2022
- 2022-07-21 WO PCT/JP2022/028300 patent/WO2023062905A1/ja active Application Filing
- 2022-07-26 TW TW111127863A patent/TWI807934B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW466272B (en) * | 1997-11-13 | 2001-12-01 | Bethlehem Steel Corp | System and method for minimizing slag carryover during the tapping of a BOF converter in the production of steel |
| TW567228B (en) * | 2000-12-13 | 2003-12-21 | Jfe Steel Corp | Process for producing high-nitrogen ultra low-carbon steel |
| TWI589701B (zh) * | 2014-08-21 | 2017-07-01 | 神戶製鋼所股份有限公司 | 鋼中Ｔｉ濃度的抑制方法以及矽脫氧鋼之製造方法 |
| TW202000926A (zh) * | 2018-06-28 | 2020-01-01 | 日商日本製鐵股份有限公司 | 鋼之製造方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023062905A1 (ja) | 2023-04-20 |
| TW202316333A (zh) | 2023-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104593532B (zh) | 一种炼铁系统炉料优化方法 | |
| CN104862441B (zh) | 一种分离回收钒钛磁铁矿中铁、钒、钛的方法 | |
| DE102010002523A1 (de) | Stahlerzeugungseinrichtung | |
| Pavlov et al. | Use of model systems for solving new technological problems in blast-furnace production | |
| TWI807934B (zh) | 熔鐵之雜質濃度之預測方法、熔鐵之製造方法、學習完成之機械學習模型之作成方法及熔鐵之雜質濃度之預測裝置 | |
| JP7207624B1 (ja) | 溶鉄の不純物濃度の予測方法、溶鉄の製造方法、学習済の機械学習モデルの作成方法及び溶鉄の不純物濃度の予測装置 | |
| Sutherland et al. | Optimization of steel production to improve lifecycle environmental performance | |
| Geldenhuys | Feasibility of fluxless smelting of titaniferous magnetite ore in a pilot-plant open-arc dc furnace | |
| Zhunusov et al. | Melting Ferrochrome Using Chrome-Ore Briquettes | |
| Hartley et al. | Steelworks control of residuals | |
| Dudek | The model for the calculation of the dispersed iron ore resource purchase cost in the world class manufacturing (WCM) logistics pillar context | |
| JP2004059954A (ja) | 転炉吹錬制御方法 | |
| CN100564545C (zh) | 生产液态钢的方法和装置 | |
| Vercoulen et al. | Decarbonizing the East Asian steel industry in 2050 | |
| KR100628691B1 (ko) | 분율발생량 자동제어에 의한 분소결광 장입장치 및 그장입방법 | |
| Cavaliere et al. | Integration of Open Slag Bath Furnace with Direct Reduction Reactors for New-Generation Steelmaking. Metals 2022, 12, 203 | |
| Shetwan et al. | Cost Minimization of Liquid Steel Production in Libyan Iron and Steel Company | |
| JP3510367B2 (ja) | 脱硫能を向上させた電気製錬炉の操業方法 | |
| Steinberg | Development of a control strategy for the open slag bath furnaces at Highveld Steel and Vanadium Corporation Ltd | |
| CN111349792B (zh) | 一种新型的铅冶炼配料控制工艺 | |
| Togobitskaya et al. | Automated system for monitoring and controlling the slag regime in blast-furnace smelting | |
| JP3838081B2 (ja) | 高炉への原料装入方法 | |
| CN106636558A (zh) | 碳热法菱镁矿基脱硫剂铁水预处理原位脱硫方法 | |
| CN116579456A (zh) | 一种转炉炉料成本优化的方法 | |
| Koptsev | Analyzing the energy balance of an arc steelmaking furnace at the Magnitogorsk Metallurgical Combine and choosing its operating regimes |