Inverse neural modeling of a Linz-Donawitz steel converter

Abstract

This paper deals with some important experiences gained from building an inverse neural model of a Linz-Donawitz (LD) steel converter. Steelmaking with an LD converter is a complex physico-chemical process where many variables have effects on the quality of the resulting steel. There are about 30 to 50 important, known input parameters of the process, the basic control parameter is the amount of oxygen used in the blasting, and there are two essentially important output parameters: the carbon content of the steel and its temperature at the end of the blasting. The purpose of our work is to build a reliable inverse model of the process helping the proper selection of the amount of oxygen for appropriate control. The work we have done until now is a feasibility study to see if neural models can result in practically applicable solutions.

Zusammenfassung

Dieser Beitrag befasst sich mit einigen wichtigen Erfahrungen, die beim Bau eines inversen neuronalen Modells des Linz-Donawitz-(LD-)Stahlkonverters gemacht wurden. Die Stahlherstellung mit einem LD-Konverter ist ein komplexes physikalisch-chemisches Verfahren, bei dem zahlreiche Variablen Auswirkungen auf die Qualität des entstehenden Stahls haben. So gibt es etwa 30 bis 50 wichtige bekannte Eingabeparamter. Der grundlegende Steuerparameter ist die beim Abblasen verbrauchte Sauerstoffmenge. Die zwei wesentlichen Ausgabeparameter sind der Kohlenstoffgehalt des Stahls und seine Temperatur nach Beendigung des Abblasens. Ziel dieser Arbeit ist die Entwicklung eines verlässlichen inversen Verfahrensmodells, das die richtige Sauerstoffmenge in einer geeigneten Regelung vorgibt. Bis jetzt wurde eine Machbarkeitsstudie erstellt, um festzustellen, ob neuronale Modelle in der Praxis anwendbare Lösungen herbeiführen können.