بهینه سازی تطبیقی برای پایش و واکنش هوشمند به بحران نشت گازهای CO,H۲S در کوره های بلند فولاد

این پژوهش به بررسی و ارائه یک چارچوب یادگیری تقویتی عمیق تطبیقی برای بهبود عملکرد سیستم های پایش و واکنش اضطراری در کوره های بلند، فولاد با تمرکز بر نشت گازهای سمی می پردازد. روش پیشنهادی با تلفیق یک مدل پیش بینی مبتنی بر شبکه های عصبی عمیق و یک عامل تصمیم گیری تطبیقی DRL قادر است زمان وقوع بحران را با دقت بالاتری تخمین زده و در عین حال تعداد هشدارهای کاذب را به شکل قابل توجهی کاهش دهد. نتایج شبیه سازی ها نشان داد که این رویکرد تطبیقی میانگین خطای مطلق پیش بینی زمان بحران را از ۴۵ ثانیه در سیستم های سنتی به ۱۲ ثانیه کاهش داد، همچنین مهم تر از آن میزان فعال سازی های کاذب سیستم ESD که یک چالش بزرگ در صنعت است تا ۸۲ درصد کاهش یافت. این بهبود نه تنها ایمنی عملیاتی را ارتقا می دهد بلکه از توقف های غیرضروری و پرهزینه تولید نیز جلوگیری می کند.

کلیدواژه ها:

یادگیری تقویتی عمیق ، کوره بلند ، نشت گاز ، واکنش اضطراری ، بهینه سازی تطبیقی