YAPAY SİNİR AĞLARI İLE SIVI HAM DEMİR TAHMİNİ VE 5.YÜKSEK FIRIN UYGULAMASI

Abstract

ÖZET

Demir cevherinden çelik üretimi zor ve zahmetli bir süreçtir. Çelik üretiminin yanında ürün planlamanın da doğru bir şekilde yapılması demir-çelik sektöründe büyük önem arz etmektedir. Yüksek fırın işletmesi hem istenilen miktarda sıvı ham demir üretmeye hem de üretimde kullanılacak ham madde miktarını aşmamaya özen göstermektedir. Bu hammaddelerin takibi işletmelerin otomasyon birimleri tarafından dijital ortamda gerçekleştirilmekte ve kayıt altına alınmaktadır.

Bu çalışmada, yüksek fırın işletmesine ait aylık ham madde bilgileri kullanılarak yapay sinir ağı ile üretilen sıvı ham demir miktarının tahmin edilmesi amaçlanmıştır. Bu sayede hem üretim ve tüketim planlama süreci daha hızlı bir şekilde yapılırken hem de işletmeler arasındaki bilgi alışverişinin de kolaylaştırılması sağlanacaktır.

İşletme sahasından alınan üretim verilerinin normalizasyonu yapılarak yapay sinir ağı için anlamlı ve kullanılabilir hâle getirilmiştir. Bu kapsamda, 2016 ve 2019 yılları arasına ait 1000 adet aylık üretim verisi %70’lik kısmı eğitim, geri kalan %30’luk kısmı test için ayrılmıştır. Tahmin edilen sıvı ham demir miktarı, 5.yüksek fırın tarafından üretilen gerçek sıvı ham demir miktarı karşılaştırılarak değerlendirilmiştir.

ABSTRACT

Steel production from iron ore is a difficult and demanding process. Proper product planning as well as steel production is very important in the iron and steel industry. The blast furnace process pays attention not only to produce the desired amount of pig iron, but also to not exceed the amount of raw materials to be used in production. The tracking of these raw materials is monitored and recorded in digital environment by the automation units of the operations.

In this study, it is aimed to estimate the amount of pig iron produced by using the monthly raw material information of the blast furnace process with artificial neural network. In this way, it will be ensured that both the production and consumption planning process is carried out more quickly and the information exchange between the process is facilitated.

The production data received from the process site was first passed through the necessary normalization process and made meaningful and usable for the artificial neural network. 70% of the 1000 monthly production data between 2016 and 2019 are reserved for education and the remaining 30% for testing. The estimated amount of pig iron was evaluated by comparing the actual amount of pig iron produced by the 5th blast furnace.