An AI-powered holistic system for optimizing the usage of steel scrap in steel production
Tid: Fr 2025-03-28 kl 09.00
Plats: F3 , Lindstedtvägen 26-28
Videolänk: https://kth-se.zoom.us/j/68692480767
Språk: Engelska
Ämnesområde: Teknisk materialvetenskap
Respondent: Michael Schäfer , Processer
Opponent: Prof. Dr.-Ing Jan Conrad, Hochschule Kaiserslautern
Handledare: Universitets lektor Björn Glaser, Processer; Affiliated Professor Herbert Köchner, Processer
Abstract
Stålindustrin befinner sig just nu i en omvandlingsprocess för att i framtiden kunna producera på ett mer miljövänligt sätt. Den sekundära råvaran stålskrot spelar en avgörande roll i denna omvandling, eftersom återvinning av skrot i tillverkningsprocessen är både miljövänligt och hållbart. Den ökade användningen av stålskrot i stålindustrin innebär dock nya utmaningar. Processer måste förändras, produktkvalitet måste upprätthållas och det ökade flödet och efterfrågan på skrot måste hanteras. Digitalisering och användning av AI-teknik kan hjälpa till att optimera och automatisera de nya processerna.
När AI används i en industriell miljö finns ofta utmaningen att det inte finns tillräckligt med data av tillräcklig kvalitet. För att täppa till detta gap, presenteras en fritt tillgänglig datauppsättning av europeiska skrotklasser, som skapades med en ny AI-teknik (”tiling”), i denna avhandling. Skapandet och annoteringen av sådana domänspecifika datamängder kräver mycket tid och expertkunskap. Av denna anledning implementerades ett självövervakat tillvägagångssätt med hjälp av olika typer av förstärkningar för att extrahera de finkorniga strukturerna som är typiska för inre oordnade föremål som stålskrot. Dessa resultat användes för att kontrollera skrotinmatningen såväl som skrotanvändningen och på så sätt automatisera processen.
Skrotet som används i stålproduktionsprocessen varierar vanligtvis i ursprung och sammansättning, vilket försvårar sammansättningen. Vid sammanställningen av skrotblandningen förlitar sig stålproducenterna ofta på erfarenhet eller komplexa försök. En maskininlärningsmetod implementerades som kan användas för att simulera och optimera olika skrotsammansättningar. Dessutom utvecklades ett nytt tillvägagångssätt baserat på dessa modeller för att uppskatta det kemiska innehållet i de ingående materialen som används från standardprocessparametrar utan användning av ytterligare sensorer.
Integreringen av AI-modeller i en heterogen industriell miljö är en stor utmaning. Omgivande infrastruktur måste anpassas eller skapas efter behov. För att de olika lösningarna skulle kunna bäddas in, kombinerades de olika maskininlärningsteknologierna, infrastrukturen sattes upp efter behov och online modeller och gränssnitt implementerades för produktivt bruk.Sammanfattningsvis presenterar denna avhandling ett AI-drivet holistiskt system som kombinerar olika teknologier och optimerar och automatiserar skrotprocessen från skrotinträde till slutet av konverterprocessen.