Yüksek fırın ve termik santrallerde proses parametrelerinin kestirimine yönelik karşılaştırmalı uygulamalar

Abstract

Demir-çelik fabrikalarının kalbi niteliğindeki yüksek fırınlar, çeliğin hammaddesi olan sıcak madenin üretildiği tesislerdir. Çok sayıda değişken ve bozucu etken nedeniyle karmaşık bir prosese sahip olan fırınların matematiksel olarak modellenebilmesi oldukça güçtür. Günlük operasyon sırasında hammadde, yakıt maliyetleri ve işletme giderlerinin minimize edilmesi hem fırın verimliliğini ve stabilitesini arttırır hem de tesisin ömrünü uzatır. O nedenle kritik bir parametre olan alev sıcaklığı değerinin tahminlenmesi ve kontrolü sağlanabilirse, oksijen zenginleştirmesi, rutubet miktarı, soğuk hava sıcaklığı, pulverize kömür enjeksiyonu ve kok-demir oranı gibi yakıt değerleri, işletme operatörleri tarafından düzenlenebilir. Günümüzde elektrik enerjisi, termal, nükleer, hidro, güneş, biyoyakıt, rüzgar gibi değişik tipteki üretim teknolojileri vasıtasıyla gerçekleştirilmektedir. Özellikle zengin kömür yataklarına sahip ülkeler için termik santraller kullanılarak enerji üretimi vazgeçilmez bir seçenektir. Termik santrallerde üretim verimliliği ve maliyet optimizasyonunun sağlanabilmesi için, hammadde girdi fiyatları, termodinamik proses faktörleri, NOx, SOx, CO2 emisyon regülasyonları gibi teknik, ekonomik ve çevresel etkiler gözönünde bulundurulmalıdır. Bununla birlikte, özellikle son yıllarda öne çıkan emisyon izleme ve önleme kuralları çerçevesinde atık gazların takibi ve kontrolü büyük önem taşımaktadır. Bu çalışmada üç farklı tesise ait kritik proses parametresi, bu parametreleri etkilediği düşünülen seçili giriş değişkenleri kullanılarak modellenmiştir. Yüksek fırın alev sıcaklığı, termik santral jeneratör çıkış gücü ve termik santral baca atık NOx emisyonu değerleri, tesisleri otomasyon sisteminde tutulan geçmiş verileri kullanılarak, yapay sinir ağları, çoklu doğrusal regresyon ve otoregresif entegre kayan ortalama yöntemleri ile modellenmiş ve kestirilmiştir. Ayrıca alev sıcaklığı tahminlenmesinde destek vektör regresyonu modeli de ek olarak kullanılmıştır. Bu deneysel çalışmaların sonuçları incelendiğinde özellikle yapay sinir ağı yönteminin kullanıldığı modellerin oldukça yüksek başarım gösterdiği, diğer modellerin de başarılı olduğu gösterilmiştir. Sunulan bu modellerin tesis otomasyon sistemine entegre edilmesi ve proses optimizasyonu sağlayacak bir akıllı sistem ya da simülator olarak kullanılması önerilmektedir. Anahtar kelimeler: Kestirim, Proses Parametresi, Regresyon, Yapay Sinir Ağı

Blast furnaces, which are the hearth of iron and steel factories, are used to produce hot metal as a raw material of steel. Furnaces have a complicated process and it is very hard to mathematically model such plants due to multi variable process inputs and disturbances. During daily operations, minimization of raw materials, fuel costs and operating expenses increases furnace efficiency and stability and also extend the lifetime of the plants. Hence, if a critical process parameter, flame temperature, can be predicted and controlled properly, then operators can maintain oxygen enrichment, moisture content, cold blast temperature, pulverized coal injection and coke to ore ratio accordingly. Recently, electricity production is carried out with thermal, nuclear, hydro, solar, biomass and wind technologies. In particular, energy production from thermal power plants is an indispensable option for especially countries with rich coal deposits. To ensure the productivity and cost optimization in thermal power plants, technical, economic and environmental impacts such as raw material prices, thermodynamic process factors, NOx, SOx and CO2 emissions regulations should be taken into account. However, it has paramount importance of monitoring and tracking of effluent gas in the framework of rules in recent years. In this study, three critical process parameters that belong to different plants, are modeled using the input parameters that are considered most effective. Flame temperature of a blast furnace, generator output rate of a thermal power plant and effluent gas NOx rate of another thermal power plant, has been modeled and predicted using artificial neural networks, multiple linear regression and autoregressive integrated moving average models considering previous data that is received from process control systems. Further to these methods, support vector regression model is also employed to flame temperature prediction study. When the results of these experimental studies are investigated, especially the neural networks model has shown very high level of performance and accuracy, and remaining models are also found successful. Finally, the presented models should be integrated to plant automation systems which can be used as expert system or simulator in order to optimize the processes. Keywords: Artificial Neural Networks, Prediction, Process Parameter, Regression