پیش بینی مصرف برق کوره های قوس الکتریکی با رویکرد یادگیری عمیق

در حال حاضر بخش قابل توجهی از تولید فولاد جهان، بر استفاده از سوخت های فسیلی متکی است که به معنای تولید مقادیر زیادی از گازهای گلخانه ای توسط این صنعت است. بنابراین با مدیریت مصرف انرژی کوره های قوس، نه تنها به بهبود عملکرد این صنعت کمک می کند، بلکه باعث کاهش مصرف انرژی و انتشار گازهای گلخانه ای می شود. ‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌در این پژوهش روش شبکه های عصبی مصنوعی برای پیش بینی میزان مصرف انرژی به کار رفته است. پارامترهای موثر انتخاب شده شامل power off، power on، yield شارژ فلزی، مقدار آهک، مقدار کک،‌ مقدار دولومیت،‌ میزان اکسیژن استفاده شده در ذوب، درصد آهن اسفنجی(dri)، شیفت نیروی انسانی، دمای ذوب، تناژ تخلیه و میزان کربن استفاده شده و مقدار مصرف فروآلیاژها در ذوب بودند. در این پژوهش از شبکه های عصبی mlp و رگرسیون چند متغیره استفاده شد. مقایسه نتایج مدلها با یکدیگر نشان می دهد مدل شبکه های عصبی مصنوعی دو لایه با 2 نورون در لایه اول و 21 نورون در لایه دوم از بالاترین دقت و ضریب همبستگی برخوردار است و عامل power on و تناژتخلیه و yield از تاثیرگذارترین عوامل بر مصرف برق کوره قوس هستند.