مدل سازی فرآیند در کوره گندله سازی با استفاده از روش های هوشمند: مطالعه موردی در شرکت معدنی و صنعتی گل گهر

فرآیند گندله سازی یکی از مراحل کلیدی زنجیره تولید فولاد است که در آن کنسانتره سنگ آهن به گندله های  قابل مصرف در کوره بلند تبدیل می شود. مرحله پخت در کوره، به دلیل تاثیر مستقیم توزیع دما و فشار بر ویژگی های فیزیکی و مکانیکی گندله، یکی از عوامل اصلی در کیفیت محصول است. هدف این پژوهش، توسعه مدلی داده محور برای پیش بینی رفتار کوره گندله سازی شرکت معدنی و صنعتی گل گهر بر پایه داده های عملیاتی واقعی است. بدین منظور، متغیرهای ورودی و خروجی فرآیند جمع آوری و پس از پیش پردازش، انتخاب ویژگی با سه روش امتیاز-اف، اطلاعات متقابل و ضریب همبستگی پیرسون انجام شد. سپس مدل های رگرسیون خطی چندگانه، جنگل تصادفی، k-نزدیک ترین همسایه و شبکه عصبی پرسپترون چندلایه در چارچوب چندورودی-چندخروجی برای پیش بینی همزمان ۳۶ متغیر دما و ۳۱ متغیر فشار آموزش داده شدند. نتایج نشان داد روش انتخاب ویژگی مبتنی بر اطلاعات متقابل موجب بهبود عملکرد مدل های غیرخطی شده و شبکه عصبی چندلایه بالاترین دقت را با میانگین ضریب تعیین۵۰/۹۱ درصد برای دما و ۶۲/۸۹ درصد برای فشار به دست آورد. یافته ها بیانگر آن است که استفاده از رویکردهای یادگیری داده محور می تواند رفتار پیچیده کوره را با دقت بالا مدل کرده و بستر مناسبی برای طراحی سامانه های کنترلی هوشمند و بهینه سازی شرایط پخت فراهم سازد.

کلیدواژه ها:

مدل سازی هوشمند ، یادگیری ماشین ، انتخاب ویژگی ، شبکه عصبی پرسپترون چندلایه ، کوره گندله سازی