Renforcer l'applicabilité d'un modèle de réseau neuronal pour la prédiction de la teneur finale en phosphore de l'acier provenant d'un four à arc électrique à base de ferraille

L'industrie sidérurgique joue un rôle crucial dans la transition vers une économie durable, en particulier avec l'émergence des fours à arc électrique (EAF). Les fours à arc électrique fondent la ferraille à l'aide d'un arc électrique généré entre les électrodes et le bain d'acier liquide. Ce procédé permet de recycler efficacement les déchets d'acier et de réduire considérablement les émissions de carbone. Bien qu'il s'agisse d'une opération durable qui devrait représenter 50 % de la production d'acier d'ici 2050, elle est confrontée à des défis tels que la réduction des niveaux de phosphore dans l'acier produit, car le phosphore affecte négativement les propriétés mécaniques de l'acier. Le comportement du phosphore dans un four électrique à arc est complexe, influencé par l'interaction de phénomènes thermodynamiques et cinétiques, qui sont contrôlés par les conditions initiales et les paramètres du procédé. Ce problème est exacerbé par la nature diverse des matériaux de rebut.

Nous avons développé un modèle de réseau neuronal artificiel (ANN) en collaboration avec notre partenaire industriel pour prédire la teneur ultime en phosphore de l'acier en utilisant des paramètres d'entrée cruciaux du procédé dans un four électrique à base de ferraille. Le modèle a démontré une excellente capacité de prédiction en capturant les relations complexes entre les paramètres du four électrique à arc et le procédé de déphosphoration.

Comme prochaine étape, nous visons à développer une interface conviviale pour le modèle ANN, permettant aux ingénieurs et aux opérateurs de tester l'effet des paramètres du procédé sur la teneur finale en phosphore de l'acier. Cela guidera l'optimisation des paramètres du procédé pour atteindre la teneur en phosphore cible dans l'acier. En outre, dans le contexte industriel, les conditions du procédé sont continuellement sujettes à des changements, ce qui nécessite la maintenance et la mise à jour du modèle ANN. Par conséquent, nous visons à étendre le modèle actuel avec de nouvelles données historiques de l'usine afin d'améliorer sa capacité de prédiction.