Inteligencia artificial para optimizar el consumo de energía en el proceso de laminación del acero

Abstract

Wire rod steel rolling is a highly complex metallurgical process involving numerous phases. One of the most critical is the heating phase, where steel billets (semi-finished steel products) undergo various heating treatments in an induction furnace. These heating treatments enable their subsequent shaping in the rolling phase, and determine the quality of the final product. This research focuses on introducing a novel methodology that integrates finite element modeling, machine learning, and reinforcement learning to optimize energy consumption during the heating phase of the wire rod steel rolling process. Specifically, the proposed methodology consists of three major phases. In the first phase, a finite element digital twin of an induction furnace has been developed that accurately simulates the heating process of the billets. In the second phase, two machine learning models based on convolutional and/or recurrent neural networks have been implemented. These models can predict the temperature profiles of the billets at the induction furnace’s exit with satisfactory precision. Finally, in the third phase, a reinforcement learning framework based on deep Q-learning has been proposed to identify heating patterns that reduce the energy consumption of the furnace. These goals have been accomplished using real-world data provided by Global Steel Wire, a steelmaker located in Santander (Cantabria, Spain). This data mainly comprises multivariate time series related to the instantaneous power of the furnace’s inductors and the advance of the billets in the furnace.

El laminado de acero en alambrón es un procedimiento siderúrgico altamente complejo en el que están involucradas numerosas fases. Una de las más críticas es la fase de calentamiento, donde las palanquillas de acero (productos semielaborados de acero) se someten a diversos tratamientos térmicos en un horno de inducción que permiten su posterior moldeado y determinan la calidad del producto final. Este trabajo tiene como objetivo introducir una metodología novedosa que integra el modelado por elementos finitos, el aprendizaje automático y el aprendizaje de refuerzo para optimizar el consumo de energía durante la fase de calentamiento del proceso de laminado en alambrón. En particular, la metodología propuesta consta de tres fases principales. En la primera fase, se ha desarrollado un gemelo digital por elementos finitos de un horno de inducción para simular con precisión el proceso de calentamiento de las palanquillas. En la segunda fase, se han implementado dos modelos de aprendizaje automático basados en redes neuronales convoluciones y/o recurrentes que son capaces de predecir los perfiles de temperatura de las palanquillas a la salida del horno con una precisión satisfactoria. Finalmente, en la tercera fase, se ha propuesto un marco de trabajo de aprendizaje por refuerzo basado en deep Q-learning para identificar patrones de calentamiento de las palanquillas que reduzcan el consumo energético del horno. Estos objetivos se han logrado utilizando datos reales proporcionados por Global Steel Wire, una empresa siderúrgica situada en Santander (Cantabria, España). Estos datos consisten principalmente en series temporales multivariantes relacionadas con la potencia instantánea de los inductores del horno y el avance de las palanquillas en el horno.