Revista de Metalurgia, Vol 46, No 5 (2010)

Modelo global del comportamiento dinámico de la banda de acero en un horno de recocido de una línea de galvanizado


https://doi.org/10.3989/revmetalm.0948

F. J. Martínez-de-Pisón
EDMANS Group, Department of Mechanical Engineering, Universidad de La Rioja, España

A. Pernía
EDMANS Group, Department of Mechanical Engineering, Universidad de La Rioja, España

E. Jiménez-Macías
IDG Group, Department of Mechanical Engineering, Universidad de La Rioja, España

R. Fernández
EDMANS Group, Department of Mechanical Engineering, Universidad de La Rioja, España

Resumen


La predicción de la temperatura de la banda de acero dentro del proceso de recocido de una planta de galvanizado continuo en caliente es importante para garantizar las propiedades físicas del material procesado. El desarrollo de un modelo preciso que sea capaz de predecir la temperatura que va a alcanzar la banda según las variaciones de temperaturas y velocidades del horno, y sus dimensiones y propiedades químicas del acero, es una necesidad cada vez más demandada por este tipo de plantas industriales. En el presente estudio se muestra una comparativa realizada entre diversos tipos de algoritmos deMinería de Datos e Inteligencia Artificial para el desarrollo de un modelo de predicción eficiente y global que permita determinar la variación de temperatura de la banda según las características físico-químicas de las bobinas a procesar y las fluctuaciones de temperaturas y velocidades que aparezcan dentro del proceso de recocido. El objetivo final es la búsqueda de un modelo que sea eficiente ante bobinas con nuevos tipos de acero o dimensiones que no hayan sido procesadas anteriormente. Con este modelo es posible optimizar los modelos de control para poder conseguir homogeneizar el tratamiento en zonas de la banda donde existe la transición entre bobinas con diferentes dimensiones o tipos de acero.

Palabras clave


Línea de galvanizado continuo en caliente; Minería de datos; Inteligencia artificial; Modelado

Texto completo:


PDF

Referencias


[1] R.Mehta and S.S. Sahay, J.Mat. Eng. Perform 18 (2009) 8-15. doi:10.1007/s11665-008-9250-4

[2] S.S. Sahay and K. Krishnan, Ironmaking Steelmaking 34 (2007) 89-94. doi:10.1179/174328106X118170

[3] W. Wenfei, Y. Fan, Z. Xinxin and Z. Yi, J. Therm. Sci. 11 (2002) 2-134.

[4] X. Zhang, F. Yu, W. Wu and Y. Zuo, Int. J. Thermophys. 24 (2003) 1395-1405. doi:10.1023/A:1026115521232

[5] M.M. Prieto, F.J. Fernández and J.L. Rendueles, Ironmaking Steelmaking 32 (2005) 165-170. doi:10.1179/174328105X15896

[6] Y. Lu and S.W. Markward, IEEE Trans. on Neural Networks 6 (1997) 1328-1337.

[7] J. Tenner, D.A. Linkens, P.F. Morris and T.J. Bailey, Ironmaking Steelmaking 28 (2001) 15-22. doi:10.1179/030192301677803

[8] A.A. Gorni, The modelling of hot rolling processes using neural networks, http://www.gorni.eng.br/e/neural_1998.html, 1998.

[9] M. Schlang, B. Lang, T. Poppe, T. Runkler and K. Weinzierl, Control Eng. Pract 9 (2001) 975-986. doi:10.1016/S0967-0661(01)00086-7

[10] A. González-Marcos, J.B. Ordieres-Meré, A.V. Pernía-Espinoza and V. Torre-Suárez, Rev. Metal. Madrid 44 (2008) 29-38.

[11] F. J. Martínez-de-Pisón, J. Ordieres, A. Pernía, F. Alba and V. Torre, Rev. Metal. Madrid 43 (2007) 325-336.

[12] J. B. Ordieres-Meré, A. González-Marcos, J.A. González and V. Rubio, Ironmaking Steelmaking 31 (2004) 43–50. doi:10.1179/030192304225012060

[13] A. V. Pernía-Espinoza, M. Castejón-Limas, A. González-Marcos and V. Lobato-Rubio, Ironmaking Steelmaking 32 (2005) 1-9.

[14] C. Schiefer, H.P. Jörgl, F.X. Rubenzucker and H. Aberl, Proc. 14th IFAC World Congress, 1999, pp. 61-66.

[15] Y.I. Kim, K. CheolMoon, B. Sam Kang, C. Han and K. Soo Chang, Control Eng. Practice 6 (1998) 1009-1014. doi:10.1016/S0967-0661(98)00098-7

[16] F.J. Martínez-de-Pisón, F. Alba, M. Castejón and J.A. González, Ironmaking Steelmaking 33 (2006) 344-352. doi:10.1179/174328106X101565

[17] G. Bloch, F. Sirou, V. Eustache and P. Fatrez, IEEE T. Neural Networks 8 (1997) 910-918. doi:10.1109/72.595889 PMid:18255694

[18] J.R. Quinlan, Proc. Australian Joint Conf. on Art. Int. World Scientific, 1992, pp. 343-348.

[19] S. Haykin, Neural networks, a comprehensive foundation (2nd ed.), Prentice Hall, New Jersey, EE.UU, 1999.

[20] A.V. Pernía-Espinoza, J.B. Ordieres-Meré, F.J.Martínez-de-Pisón and A. González-Marcos, Neural Networks 18 (2005) 191-204. doi:10.1016/j.neunet.2004.11.007 PMid:15795116

[21] G.N.Wilkinson and C.E. Rogers, Appl. Statistics 22 (1973) 392-399. doi:10.2307/2346786

[22] S. Portnoy and R. Koenke, Statistical Sci. 12 (1997) 279-300. doi:10.1214/ss/1030037960

[23] D. Aha and D. Kibler,Mach. Learning 6 (1991) 37-66.

[24] I.H.Witten and E. Frank, DataMining: Practical machine learning tools and techniques, 2nd Edition, MorganKaufmann, San Francisco, EE.UU., 2005.

[25] M. Castejón-Limas, J.B. Ordieres Meré, E.P. Vergara, F.J. Martínez-de-Pisón, A.V. Pernía and F. Alba, The AMORE package: A MORE flexible neural network package, CRAN Repository, http://wiki.r-project.org/rwiki/doku.php?id=packages:cran:amore, 2009.

[26] R Development Core Team, R: A language and environment for statistical computing, http://www.R-project.org, R Foundation for Statistical Computing, Vienna, Austria, 2008, URL.




Copyright (c) 2010 Consejo Superior de Investigaciones Científicas (CSIC)

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.


Contacte con la revista revmetal@cenim.csic.es

Soporte técnico soporte.tecnico.revistas@csic.es