Bazik oksijen fırınında yapay sinir ağlarının uygulanması

Abstract

Yapay zeka baslıgı altında, son yıllarda üzerinde en çok arastırma yapılan dallardanbirisi Yapay Sinir Agı (Artificial Neural Networks) modelleridir. YSA arastırmaları;optimizasyon, kontrol, görüntü ve imaj isleme, konusulan dili anlama ve ayırma,dogal dil isleme ve tahmin gibi birçok alanda kullanılmaktadır.Bu çalısmada önce Yapay Sinir Aglarının yapısından ve çelik üretimi yapılan bazikoksijen fırınında çelik üretim prosesinden özet olarak bahsedilmistir.Deneysel çalısmalarda ise entegre bir demir çelik fabrikasında BOF'da üretilen?7112 K? çeliginin üretim sürecinde elde edilen gerçek veriler temin edilerek birmodel olusturulmustur. Alınan veriler alasımsız düsük karbon çeligi olup çeliginkimyasal bilesimi ve kullanılan baslangıç sıvı ham demirin bilesimi ve diger girdilerkullanılarak seçilen çıktı degiskenlerinin mümkün olan en düsük hata oranı iletahmin edilmesine çalısılmıstır. Program olarak ise MATLAB 7.0 R14 ? NeuralNetwork Toolbox kullanılmıstır.Olusturulan modelde 226 adet verinin 176 adedi egitim, geri kalan 50 adedi test içinkullanılmıstır. Girdi ve çıktı degiskenlerinin adet ve sayısal degiskenlik bakımındançok oldugundan programda degerler normalize edilerek tanjant sigmoid fonksiyonukullanılmıstır. Yapay sinir agında kullanılan iterasyon sayısı 3000 olarakgerçeklestirilmistir. Gizli Katman Nöron Sayısı için 5, 10, 15, 20 ve 25 degerlerikullanılmıs ve en düsük hata oranını veren Nöron Sayısı 25 adet olarak tespitedilmistir. Bunun sonucunda tüm tahmin edilen çıktı ortalaması hata oranı %0,38olarak bulunmustur.Bulunan tahmini degerler ve hata oranlarına bakıldıgında bazılarının gerçekdegerlere yakın oldugu; buna karsılık bazılarının ise (%C ve % Mn gibi) hataoranlarının yüksek çıktıgı gözlenmistir. Bunun sebebi baslangıç girdi verilerindekidegiskenliktir.Sonuç olarak, sınırlı sayıda girilen kural ve girdi degiskenlerine ragmen, gerçekdegerlere oldukça yakın tahmin sonuçları elde edildiginden BOF'un yapay sinir agıile modellemesi ve kontrolünün yapılabilecegi belirlenmistir.

In recent years, one of the research subjects which has been widely studied isArtificial Neural Network (ANN) Models. ANN researches are applied to variousfields such as optimization, control, image processing, language acquisition andrecognition, natural language processing and forecasting.In this study, firstly Structure of Artificial Neural Network and Basic OxygenSteelmaking were briefly described. In experimental work, a model was createdbased on real plant data?s for ?7112 K? low carbon steel, which was obtained fromBOF steel making unit working at domestic integrated iron and steel making plant.Real plant data?s used in this study for the prediction of outputs with the lowest errorratio as much as possible, which were included composition of molten pig iron,targeted steel composition and other inputs. MATLAB 7.0 R14 ? Neural NetworkToolbox was used throughout this work as computer program for modeling and forthe prediction of outputs.In the developed model the number of data used was 226 of which 176 of them wereused for training and the rest of 50 data for allocated for testing. Normalization wascarried out for inputs and outputs due to high number of data and their variability andinconsistency and tangent-sigmoid function was utilized as a function. The numberof iteration used was 3000 for the Artificial Neural Network. Trail and error methodwas applied for Number of Hidden layers or Neuron number, which was in the rangeof 5, 10, 15, 20 and 25 and the lowest error ratio for Neuron number was found at 25.As a result of this prediction studies, mean value of all prediction error ratio wasfound to be 0.38%.Some of the predicted values and their error ratios were very close to real plant databut on the other hand, some error ratio results (such as C % and Mn %) were foundto be very high. This may be due to the fluctuations of related input values.Consequently, although limited number of inputs and variables were used in theprediction and training stage, very promising prediction results that werecomparatively very close to real data were obtained. Therefore it was determined thatBOF steelmaking could be controlled and modeled by the application of artificialneural network.