Metamodeling and inverse metamodeling electrical conditions in ferromanganese furnaces
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2780920Utgivelsesdato
2020Metadata
Vis full innførselSamlinger
Sammendrag
Denne masteroppgaven fokuserte på å beskrive og analysere en metallurgisk smelteovn for produksjon av ferromangan (FeMn) legeringer. Den spesifikke utfordringen som blir tatt opp i oppgaven er at det er vanskelig å vite den eksakte tilstanden til ovnen på grunn av et begrenset antall målinger er tilgjengelig.
For å overkomme mangelen på direkte målinger ble en "finite element method" (FEM) modell bygd for å innhente informasjon om forhold mellom indre parametere og elektriske variabler i ovnen. I praksis simulerer FEM modellen de elektriske forholdene med en spesifikk konfigurasjon av parameterne (geometriske parametere, materielle egenskaper) i ovnen. FEM modellen er tung å kjøre, trenger en spesifikk programvare og bruker relativt lang tid for å gi resultatene fra simulering.
En av ideene som ble utforsket i arbeidet var å lage data-drevne modeller av FEM modellen. I denne sammenhengen ble en metamodell laget som en estimering av FEM modellen for å få en raskere modell. I tillegg, så ble en invers metamodell bygd for å finne den inverse sammenhengen mellom input og output, noe som FEM modellen ikke er i stand til å gjøre. Ved å bruke den inverse metamodellen så kan ukjente tilstander i ovnen bli funnet. Modellene kan bli brukt som et hjelpemiddel for å ta avgjørelser da modellen innehar informasjon om ovnen. På denne måten kan modellene bli brukt til å sjekke om modellene stemmer overens med operatørenes kunnskap.
Ikke alle inputene til metamodellene er målt i ovnen. Ved å bygge en estimator som kun bruker variabler som blir målt som input, kan estimatoren bli brukt i sanntid for estimering av den indre tilstanden til ovnen. For at estimatoren skal kunne brukes som et hjelpemiddel for operatørene eller som en del av et kontrollsystem er det veldig viktig at estimatoren er nøyaktig. Derfor ble estimatoren evaluert på ekte data. Evalueringen forteller hvor bra estimatoren er, og til hvilken grad den kan brukes på en ekte ovn. Estimatoren ble prøvd ut på ulike måter med at nye variabler ble lagt til som input for å se hvordan det påvirket ytelsen på estimatoren. This thesis focused on the description and analysis of the metallurgical furnace for the production of the ferromanganese (FeMn) alloy. The specific challenge the thesis addresses is the difficulty of knowing the exact conditions of the industrial furnace during operations due to limited measurements available.
To overcome the scarcity of direct measurements, a finite element method (FEM) model has been built to gain information regarding the relationship between the internal conditions of the furnace and the electrical conditions. In practice, the FEM model simulates the electrical conditions for a specific configuration (geometrical parameters, material properties) in the furnace. The FEM model is computational heavy, it requires dedicated software and it uses a relatively long time to give the simulation results.
One of the ideas explored in this work is to obtain data-driven models of the FEM model. In this context, a metamodel was built as an estimation of the FEM model that runs much faster. An inverse metamodel was also built to give the inverse relationship between input and output, which the FEM model is unable to provide. Thus, unknown internal conditions can be predicted. The models can be used as an assistive tool for the operators for making decisions as the models gain information of the furnace. In this way, the models can be used to check if the models correspond to the operator's knowledge.
Not all the inputs of the metamodels are measured in the plant. By building an estimator that uses only variables that are measured as input, the estimator can be used in real-time for estimation of unknown internal conditions. For using the estimator as an assistive tool or as a part of the control system, the estimator must be accurate. Therefore, the estimator was assessed on real data. The assessment provides how good the estimator is and state to what extent the estimator can be used on the real furnace. Different cases were tested where new variables were included in the input. As the new variables do not have measurement, the variables were estimated to see how the estimator will perform with additional information.