KÜKÜRT GİDERME İŞLEMİ İÇİN KULLANILAN MALZEME MİKTARININ MAKİNE ÖĞRENME YÖNTEMLERİ İLE TAHMİNİ

Abstract

ÖZET

Sıvı ham demir üretimi, yüksek fırın tesislerinde kok, sinter ve diğer demir cevheri malzemelerinin kullanılmasıyla gerçekleşmektedir. Sıvı ham demirin çeliğe dönüştürülmesinden önce kükürt giderme işlemi uygulanmaktadır. Buradaki amaç, içerisinde mevcut olan kükürt miktarının belirli bir miktar düşürülmesidir. Bu işlemde, sıvı ham demirin hedef kükürt değerine ulaşması için bazı kükürt gidericiler enjekte edilmektedir. Enjekte edilecek malzeme miktarları ise bir modele göre kurgulanmalıdır.

Literatürde kükürt giderme işlemi için temel ve veriye dayalı modeller önerilmektedir. Bu çalışmada ise makine öğrenme teknikleri kullanılmıştır. Yöntemlerin sonuçları analiz edilerek diğerlerine göre daha başarılı olduğu değerlendirilen yapay sinir ağı modelinin kullanılmasına karar verilmiştir.

Çalışmada; kükürt giderme tesisinin 2020 yılına ait veriler kullanılarak malzeme miktarlarını tahmin etmek için bir model tasarlanmıştır. Verilerin %80’i eğitim seti, %20’si de test seti olacak şekilde ayrılmıştır. Tahmin edilen değerler ile tesisten alınan gerçek veriler karşılaştırılarak değerlendirilmiştir. Buna göre; tesiste kullanılan kükürt gidericilerden magnezyum, kireç ve florit için sırasıyla %85, %95.4 ve %80.14 doğruluk elde edilmiştir. Tesis için kullanılmak üzere model girdilerini parametre olarak alan ve tahmin edilen değerleri gösteren bir arayüz hazırlanmıştır.

ABSTRACT

Liquid raw iron is produced by using coke, sinter and iron ore materials in the blast furnace facilities. Before the conversion of liquid raw iron to steel, the desulfurization process is performed. The aim here is to reduce the amount of sulphur present in it by a certain amount. In this process, some desulfurizers are injected so that the liquid raw iron reaches the target sulphur value. The amount of material to be injected should be designed according to a model.

Basic and data-based models are suggested for the desulfurization process in the literature. In this study, machine learning techniques are used. The results of the methods are analyzed and it was decided to use the artificial neural network model which is considered to be more successful than the others.

In this study, a model is designed to predict material quantities using data of the desulfurization facility for 2020. 80% of the data is divided into a training set and 20% as a test set. It is evaluated by comparing the estimated values with the real data taken from the facility. According to the results, 85%, 95.4% and 80.14% accuracies are obtained for magnesium, lime and fluorite, which are desulphurizers used in the facility, respectively. An interface is prepared for the facility, which takes the model inputs as parameters and displays the estimated values.