Research Article
BibTex RIS Cite

Estimation of Pig Raw Iron with Artificial Neural Netowrks and 5th Blast Furnace Application

Year 2020, Ejosat Special Issue 2020 (ISMSIT), 155 - 162, 30.11.2020
https://doi.org/10.31590/ejosat.820018

Abstract

Liquid crude iron production from iron ore takes place in the blast furnace operation. This process has a long and complex nature. A casting takes 6-8 hours to complete, depending on the production capacity of the blast furnace. In this study, it is aimed to estimate the amount of liquid crude iron produced by using the raw material data of the blast furnaces of the integrated iron and steel factory through artificial neural networks. In this study, the working style of the blast furnace was examined and the input and output parameters were determined. 70% of 1000 production data belonging to 2016 and 2019 are reserved as training and the remaining 30% as test data. In the first step, the data are normalized and made available for the artificial neural network. The results obtained after the testing process were denormalized. On the other hand, the time periods in which the blast furnace is not producing were excluded from the data set. For artificial neural network architecture, experiments have been made on the number of neurons in the intermediate layer and the architecture with the highest test success has been selected. As the first step, the training process has been completed by showing 70% of the data set to the artificial neural network with its results. Then, for the 30% part whose input parameters were given, it was expected to be estimated from the artificial neural network without showing the results. During the training process, three different learning algorithms, Levenberg Marquardt, Bayesian and Broyden-Flecther-Golgfarb-Shanno, were used in the neural network. In the study where Matlab R2016a platform was used, the test results of the training algorithms were compared and the Levenberg Marquardt algorithm reached the best test result with a test success rate of 94%. The average absolute percentage error rate was found to be 5.89% in the artificial neural network where the forward backward propagation structure was used. In the last step, the artificial neural network designed on the Matlab platform was taken to the Visual Studio platform and the estimation results were compared within the mean absolute percentage error. In the comparison, it was determined that Matlab program performed better than the Visual Studio platform. 

References

  • Aksu, Y. (2019). İleri Beslemeli Geri Yayılımlı Yapay Sinir Ağlarının İncelenmesi. Yüksek Lisans Tezi, Van Yüzüncü Yıl Üniversitesi, Sağlık Bilimleri Esntitüsü, Van.
  • Assis, P., Carvalho, L., & Ansarbay, I. (2019). Artificial Neural Network-Based Committee Machine for Predicting Fuel Rate and Sulfur Contents of a Coke Blast Furnace. Internatıonal Journal of Science and Research, 1492-1495.
  • Beşkardeş, A., & Özdemir, M. E. (2017). Sinter Makinesinin Örüntü Tanıma Tabanlı Otomatik Hız Kontrolü. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 808-820.
  • Beşkardeş, A., Türkoğlu, S., & Acı, Ç. (2016). Prediction of the hot metal silicon content in the Blast Furnace. 24th Signal Processing and Communication Application Conference (SIU), (s. 709-712). Zonguldak.
  • Bozkurt, E. (2007). Yüksek Fırın Analizi ve Yapay Sinir Ağları ile Modellenmesi. Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya.
  • Demir, M. H. (2020). Thermal Modeling and Performance Analysis for a Chevron Type. European Journal of Science and Technology, 779-789.
  • Demirbay, B., Karakullukçu, B., & Acar, F. G. (2020). Artificial Neural Network (ANN) Approach for Dynamic Viscosity of Aqueous Gelatin Solutions: A Soft Computing Study. Avrupa Bilim ve Teknoloji Dergisi, 465-475.
  • GE, A. X. (1999). A Neural Network Approach To The Modeling of Blast Furnace. MEng Thesis, MIT Department of Electrical Engineering and Computer Science.
  • Gültepe, Y. (2019). Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme . Avrupa Bilim ve Teknoloji Dergisi, 8-15.
  • Jimenez, J., Mochon, J., Ayala, J. S., & Obeso, F. (2004). Blast Furnace Hot Metal Tempature Prediction Through Neural Metworks-Based Models. ISIJ Journal, 573-580.
  • Karadağ, K. (2020). Makine Öğren Yöntemleri ile Semen Kalitesi Tahmini. Avrupa Bilim ve Teknoloji Dergisi, 306-311.
  • Keleşoğlu, Ö. (2006). Yapay Sinir Ağları ile Betonarme Kiriş Kesitleri Analizi. İMO Teknik Dergi, 3935-3942.
  • Nıkus, M., & Saxen, H. (1996). Prediction of A Blast Furnace Burden Distribution Variable. ISIJ International, 1142-1150.
  • Özlem, A. (2005). Yüksek Fırın İşletmeciliğinde Optimizasyon. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
  • Peacey, J. G., & Davenport, W. G. (1979). The Iron Blast Furnace: Theory and Practice. Pergamon Yayınları.
  • Radhakrishnan, V. R., & Mohamed, A. (2000). Neural networks for the identification and control of blast furnace hot metal quality. Journal of Process Control, (s. 509-524).
  • Şahin, M. (2018). Karar Ağaçları ve Yapay Sinir Ağları Kullanılarak Kasko Sigortalarında Risk Değerlendirme. Yüksek Lisans Tezi,Yıldız Teknik Üniversitesi İstatistik Bölümü Anabilim Dalı, İstanbul.
  • Tomaş, M., & Dostoğlu, N. (2020). Smart House with Artificial Intelligence. Avrupa Bilim ve Teknoloji Dergisi, 486-493.
  • Toraman, M. (2019). Uçakların İtki Kuvvetinin Yapay Sinir Ağları ile Tahmini. Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Kayseri.
  • Yıldırım, M., Sokullu, R., & Pehlivan, S. (2020). Deep Learning for Communication Systems. European Journal of Science and Technology, 1012-1025.

Yapay Sinir Ağları ile Sıvı Ham Demir Tahmini ve 5.Yüksek Fırın Uygulaması

Year 2020, Ejosat Special Issue 2020 (ISMSIT), 155 - 162, 30.11.2020
https://doi.org/10.31590/ejosat.820018

Abstract

Demir cevherinden sıvı ham demir üretimi, yüksek fırın işletmesinde gerçekleşmektedir. Bu süreç, uzun ve karmaşık bir yapıya sahiptir. Bir dökümün tamamlanması, yüksek fırının üretim kapasitesine bağlı olarak, 6-8 saat sürmektedir. Bu çalışmada entegre demir-çelik fabrikasının yüksek fırınlarına ait hammadde verileri kullanılıp üretilen sıvı ham demir miktarı, yapay sinir ağları vasıtasıyla tahmin edilmesi amaçlanmıştır. Bu çalışmada yüksek fırının çalışma biçimi incelenerek giriş ve çıkış parametreleri belirlenmiştir. 2016 ve 2019 yıllarına ait 1000 adet üretim verisinin %70’i eğitim, geriye kalan %30’u test verisi olarak ayrılmıştır. Veriler ilk adımda normalize edilerek yapay sinir ağı için kullanılabilecek duruma getirilmiştir. Test sürecinin ardından elde edilen sonuçlar, denormalize edilmiştir. Diğer taraftan yüksek fırının üretim yapmadığı zaman dilimleri veri setinden çıkarılmıştır. Yapay sinir ağı mimarisi için ara katmanda bulunan nöron sayıları üzerinde denemeler yapılmış ve en yüksek test başarısına sahip mimari seçilmiştir. İlk adım olarak veri setinin %70’lik kısmı yapay sinir ağına sonuçları ile beraber gösterilerek eğitim süreci tamamlanmıştır. Ardından girdi parametreleri verilen %30’luk kısım için, sonuçlar gösterilmeden, yapay sinir ağından tahmin edilmesi beklenmiştir. Eğitim sürecinde yapay sinir ağında Levenberg Marquardt, Bayesian ve Broyden-Flecther-Golgfarb-Shanno olmak üzere üç farklı öğrenme algoritması kullanılmıştır. Matlab R2016a platformunun kullanıldığı çalışmada eğitim algoritmalarına ait test sonuçları karşılaştırılmış ve %94’lük test başarı oranı ile Levenberg Marquardt Algoritması en iyi test sonucuna ulaşmıştır. İleri yönlü geri yayılımlı yapının kullanıldığı yapay sinir ağında ortalama mutlak yüzde hata oranı %5,89 bulunmuştur. Son adımda, Matlab platformunda tasarlanan yapay sinir ağı Visual Studio platformuna alınmış ve tahmin sonuçları yine ortalama mutlak yüzde hata çerçevesinde karşılaştırılmıştır. Yapılan karşılaştırmada Matlab programının Visual Studio platformundan daha iyi performans gösterdiği tespit edilmiştir

References

  • Aksu, Y. (2019). İleri Beslemeli Geri Yayılımlı Yapay Sinir Ağlarının İncelenmesi. Yüksek Lisans Tezi, Van Yüzüncü Yıl Üniversitesi, Sağlık Bilimleri Esntitüsü, Van.
  • Assis, P., Carvalho, L., & Ansarbay, I. (2019). Artificial Neural Network-Based Committee Machine for Predicting Fuel Rate and Sulfur Contents of a Coke Blast Furnace. Internatıonal Journal of Science and Research, 1492-1495.
  • Beşkardeş, A., & Özdemir, M. E. (2017). Sinter Makinesinin Örüntü Tanıma Tabanlı Otomatik Hız Kontrolü. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 808-820.
  • Beşkardeş, A., Türkoğlu, S., & Acı, Ç. (2016). Prediction of the hot metal silicon content in the Blast Furnace. 24th Signal Processing and Communication Application Conference (SIU), (s. 709-712). Zonguldak.
  • Bozkurt, E. (2007). Yüksek Fırın Analizi ve Yapay Sinir Ağları ile Modellenmesi. Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya.
  • Demir, M. H. (2020). Thermal Modeling and Performance Analysis for a Chevron Type. European Journal of Science and Technology, 779-789.
  • Demirbay, B., Karakullukçu, B., & Acar, F. G. (2020). Artificial Neural Network (ANN) Approach for Dynamic Viscosity of Aqueous Gelatin Solutions: A Soft Computing Study. Avrupa Bilim ve Teknoloji Dergisi, 465-475.
  • GE, A. X. (1999). A Neural Network Approach To The Modeling of Blast Furnace. MEng Thesis, MIT Department of Electrical Engineering and Computer Science.
  • Gültepe, Y. (2019). Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme . Avrupa Bilim ve Teknoloji Dergisi, 8-15.
  • Jimenez, J., Mochon, J., Ayala, J. S., & Obeso, F. (2004). Blast Furnace Hot Metal Tempature Prediction Through Neural Metworks-Based Models. ISIJ Journal, 573-580.
  • Karadağ, K. (2020). Makine Öğren Yöntemleri ile Semen Kalitesi Tahmini. Avrupa Bilim ve Teknoloji Dergisi, 306-311.
  • Keleşoğlu, Ö. (2006). Yapay Sinir Ağları ile Betonarme Kiriş Kesitleri Analizi. İMO Teknik Dergi, 3935-3942.
  • Nıkus, M., & Saxen, H. (1996). Prediction of A Blast Furnace Burden Distribution Variable. ISIJ International, 1142-1150.
  • Özlem, A. (2005). Yüksek Fırın İşletmeciliğinde Optimizasyon. Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
  • Peacey, J. G., & Davenport, W. G. (1979). The Iron Blast Furnace: Theory and Practice. Pergamon Yayınları.
  • Radhakrishnan, V. R., & Mohamed, A. (2000). Neural networks for the identification and control of blast furnace hot metal quality. Journal of Process Control, (s. 509-524).
  • Şahin, M. (2018). Karar Ağaçları ve Yapay Sinir Ağları Kullanılarak Kasko Sigortalarında Risk Değerlendirme. Yüksek Lisans Tezi,Yıldız Teknik Üniversitesi İstatistik Bölümü Anabilim Dalı, İstanbul.
  • Tomaş, M., & Dostoğlu, N. (2020). Smart House with Artificial Intelligence. Avrupa Bilim ve Teknoloji Dergisi, 486-493.
  • Toraman, M. (2019). Uçakların İtki Kuvvetinin Yapay Sinir Ağları ile Tahmini. Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Kayseri.
  • Yıldırım, M., Sokullu, R., & Pehlivan, S. (2020). Deep Learning for Communication Systems. European Journal of Science and Technology, 1012-1025.
There are 20 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Articles
Authors

Ertan Köprü This is me 0000-0002-8453-0011

Caner Özcan 0000-0002-2854-4005

Publication Date November 30, 2020
Published in Issue Year 2020 Ejosat Special Issue 2020 (ISMSIT)

Cite

APA Köprü, E., & Özcan, C. (2020). Yapay Sinir Ağları ile Sıvı Ham Demir Tahmini ve 5.Yüksek Fırın Uygulaması. Avrupa Bilim Ve Teknoloji Dergisi155-162. https://doi.org/10.31590/ejosat.820018