Análisis de causas de la aparición de inclusiones en la fabricación de aceros a partir de variables de producción

Abstract

Las inclusiones no metálicas pueden generar un impacto negativo en las características del acero final, estos efectos perniciosos son particularmente relevantes en el caso de los aceros especiales. En este tipo de aceros, tratar de reducir, tanto el número, como el tamaño de las inclusiones se vuelve un aspecto crítico. Para ello, el primer paso es comprender las variables que desempeñan un papel relevante en su formación. Esto, sin embargo, supone un gran desafío, dado que el número de variables implicadas en el proceso productivo es muy elevado. En este trabajo se van a emplear técnicas de data mining y aprendizaje automático para tratar de lidiar con esta alta dimensionalidad. Se han ajustado diferentes algoritmos, empleando Optimización Bayesiana para el ajuste de los hiperparámetros, hasta encontrar los modelos que presentan un mejor desempeño. A continuación, se han extraído las características que desempeñan un papel más relevante en la predicción del tamaño de inclusión. El análisis se ha realizado tanto con una variable de clasificación binaria como ternaria. Tras ajustar los modelos, los mejores resultados se obtienen con XGBoost para el caso de la clasificación en tres clases y con Gradient Boosting en la clasificación binaria. Las variables que permiten clasificar mejor las instancias son Temperatura Artesa MÁXIMA (ºC) y Velocidad MÍNIMA (m/min) Los resultados demuestran que, incluso en casos donde se dispone de un número reducido de instancias, el empleo de técnicas de machine learning permite extraer información relevante de los datos.

Non-metallic inclusions can have a negative impact on the characteristics of the final steel product, and these detrimental effects are particularly relevant in the case of special steels. In this type of steel, reducing both the number and size of inclusions becomes a critical aspect. To achieve this, the first step is to understand the variables that play a relevant role in their formation. However, this poses a great challenge, given that the number of variables involved in the production process is very high. In this work, data mining and machine learning techniques will be employed to deal with this high dimensionality. Different algorithms have been adjusted, using Bayesian optimization, until finding the models that present the best performance. Subsequently, the features that play a more relevant role in predicting the size of inclusions have been extracted. The analysis has been conducted using both a binary and a ternary classification variable. After adjusting the models, the best results are obtained with XGBoost for the case of classification into three classes and with Gradient Boosting in binary classification. The variables that best classify the instances are "Maximum Artisan Temperature (ºC)" and "Minimum Speed (m/min)". The results demonstrate that, even in cases where a reduced number of instances are available, the use of machine learning techniques allows relevant information to be extracted from the data.