Predicción de la temperatura del arrabio en la acería y evaluación de su impacto en las emisiones de co2 mediante el desarrollo conjunto de procesos y modelos"- " hot metal temperature forecasting at steel plant and evaluation of carbon emissions by combined development in process and models

Abstract

Actualmente, la siderurgia busca cómo reducir su nivel de emisiones de CO2 sin mermar la productividad ni la rentabilidad de las instalaciones. Esta investigación se centra en el convertidor básico de oxígeno, donde el arrabio procedente del horno alto es transformado en acero. En primer lugar, se desarrolla un modelo térmico del convertidor básico de oxígeno, que permite evaluar diferentes medidas de reducción de la huella de carbono. Se identifica una variación total de 0.17 t de CO2 por tonelada de acero líquido, en función de la estrategia de la planta y de la temperatura del arrabio. Seguidamente, se investigan tres líneas de mejora de la previsión de la temperatura del arrabio en la acería: (1) medición mediante termometría infrarroja, (2) predicción mediante modelos de series temporales y (3) predicción mediante aprendizaje automático. A pesar de la escasez de datos de proceso relevantes y de las incertidumbres asociadas, la aplicación de los modelos desarrollados permite extraer la información contenida en estos datos. Con ello, se logra reducir el error de predicción de 18.3 a 11.1 °C con una aplicabilidad del 87 %. Por otra parte, los resultados muestran que las diferentes técnicas ensayadas no son excluyentes, sino que pueden ser complementarias cuando se estructuran de forma anidada en las rutinas de proceso. De esta forma, combinando las distintas técnicas, se logra una aplicabilidad del 100 % con un error esperado de 11.3 °C, lo cual supone una reducción en la huella de carbono de 3.5 kg de CO2 por tonelada de acero líquido. Nowadays, the steel industry is seeking to reduce its CO2 emissions without affecting productivity or profitability. This research is focused on the basic oxygen converter, where the hot metal, coming from the blast furnace, is transformed into liquid steel. Firstly, a thermal model of the basic oxygen converter is developed and applied to the assessment of different carbon footprint mitigation measures. A total variation of 0.17 t of CO2 per ton of liquid steel is found, depending on plant strategy and hot metal temperature. Secondly, three alternatives for hot metal temperature forecasting are investigated: (1) infrared thermometry measurement, (2) time-series forecasting, and (3) machine learning prediction. Despite the scarcity and uncertainties in process data, machine learning techniques have succeeded in extracting the relevant information from the data, allowing error reduction from 18.3 to 11.1 °C with 87 % of applicability. Moreover, results show that the different explored techniques are not mutually exclusive but complementary, provided they are nested in process computer routines. Hence, a 100 % applicability is achieved with an expected error of 11.3 °C, meaning a carbon footprint reduction of 3.5 kg of CO2 per ton of liquid steel.