《Industrial & Engineering Chemistry Research》:Machine Learning-Based Time-Series Forecasting for Off-Gas Characterization and Decarbonization in Electric Arc Furnace Steelmaking
编辑推荐:
本文综述了机器学习(ML)在电弧炉(EAF)炼钢过程中用于时序预测的创新应用,旨在通过精准预测烟气(CO2, CO, H2O)动态变化,驱动动态碳捕集(CCUS)技术设计,为实现钢铁工业深度脱碳提供关键工具。
引言
钢铁行业是全球工业二氧化碳(CO2)排放的重要来源,约占全球工业总排放量的24%。其中,高炉-转炉(BF-BOF)长流程工艺占据主导地位,但其吨钢碳排放高达约2.2吨。为应对减排压力,钢铁企业正积极转向直接还原铁(DRI)与电弧炉(EAF)相结合的短流程工艺。电弧炉炼钢能显著降低碳排放,例如,以废钢为原料的电弧炉工艺吨钢排放可降至0.3吨CO2,但距离完全碳中和仍有差距。电弧炉并非零排放,其烟气中的CO2来源于天然气燃烧器、含碳原料(如DRI、喷吹碳)、电极消耗等。
电弧炉是一个间歇式(批量)操作的耐火材料内衬炉,用于将铁料熔炼成钢。其操作周期包括通电时间(电极向熔池供能,排放最高)和出钢至出钢时间(包含通电时间和炉子准备时间,排放较低)。操作过程中的物料分批加入、电弧的剧烈扰动等因素,导致烟气成分和性质出现剧烈、瞬态的波动,呈现出高度的随机性和不稳定性。这种动态特性对下游碳捕集技术的应用构成了巨大挑战,传统为稳态或简单阶跃变化设计的碳捕集技术难以有效应对。因此,开发能够适应这种动态变化的“动态碳捕集”技术势在必行,而其首要步骤是能够精准预测电弧炉烟气的时序变化特性。
建模方法论
为实现对电弧炉烟气的秒级精准预测,本研究基于Python环境,选用了支持多变量时间序列、协变量和概率性预测的Darts库。研究团队筛选并测试了多种基于PyTorch的全局预测模型,包括循环神经网络(RNN)、时序融合变压器(TFT)、DLinear、NLinear以及时间序列密集编码器(TiDE)。这些模型在复杂度和结构上各有特点,其中TiDE模型采用基于多层感知机(MLP)的编码器-解码器架构,能够有效处理历史数据和协变量中的非线性关系,在表征长期依赖关系方面表现出色。
研究采用了来自一个废钢电弧炉(EAF 1)和一个DRI电弧炉(EAF 2)的工业运行数据。数据经过清洗后,以85%:15%的比例划分为训练集和测试集,并保持时间序列的连续性。关键操作参数,如燃料、氧气和碳的流量,被用作协变量来增强模型预测能力。模型经过超参数优化(使用Optuna框架以最小化平均绝对误差MAE为目标),最终确定TiDE模型为最优模型,其优化后的超参数包括输入块长度、输出块长度、编码器/解码器层数、隐藏层大小等。
模型性能的评估不仅依赖于传统的误差指标,如均方根误差(RMSE)和平均绝对误差(MAE),更注重其在工程应用背景下的适用性标准:预测值应绝大部分(≥95%)落在训练数据范围内;能区分炉次的不同阶段;能体现操作的随机性;能再现由电弧引起的秒级剧烈波动数据形态。由于电弧炉运行本身存在高度可变性,模型的核心目标是预测数据在预期操作范围内的时序趋势,而非精确预测特定时间点的具体数值。
结果与讨论
针对废钢电弧炉(EAF 1)的预测结果表明,在测试的多种模型中,TiDE模型表现最佳。它能准确预测出在整个炉次过程中烟气成分的变化趋势,例如在加料和出钢阶段CO浓度的骤降,以及在熔炼和精炼阶段的上升。相比之下,RNN模型预测效果较差,经常错误预测高低值,且输出振荡剧烈,不符合实际过程。更简单的线性模型(DLinear, NLinear)和随机游走模型则完全无法捕捉数据的正确幅值和形态,误差远高于TiDE模型。时序融合变压器(TFT)模型虽能预测合理幅值,但倾向于输出平均值,错过了数据的尖锐峰谷。
研究还比较了TiDE模型使用过去协变量和未来协变量的效果。结果表明,使用未来协变量(在本离线研究中可用)能显著提升预测精度,其RMSE值比使用过去协变量至少降低了46%。因此,确定采用未来协变量的TiDE模型为废钢电弧炉烟气预测的最优模型。该模型对CO、CO2和H2O的预测均有超过94%的数据点落在测量数据范围内,且RMSE值较低,成功再现了数据的形态和随机波动特性。
该模型的一个重要优势是能够快速生成大量时序预测。通过对一个未来炉次进行上百次重复预测,可以生成每个时间点最可能值的分布及其波动范围。这种概率性预测对于设计能够应对全工况范围的下游碳捕集设备至关重要。与直接将历史多个长度不一的炉次数据对齐平均相比,模型预测的平均值能更好地保留真实过程的趋势和尖锐变化。
对于连续加料的DRI电弧炉(EAF 2),同样的建模和优化流程再次确认了使用未来协变量的TiDE模型为最优选择。该模型同样能准确预测烟气成分的时序变化,但由于连续加料使得操作更平稳,其烟气成分的周期性波动较废钢炉有所减弱,随机波动特征更为明显。模型预测的性能指标(RMSE和预测值在测量范围内的百分比)均表现良好,证明了该建模方法对不同操作模式电弧炉的适用性。
文章最后讨论了现有性能指标(如MDA)在评估此类复杂、高波动性系统预测模型时的局限性,指出开发能兼顾方向性和变长炉次特征的半聚合误差指标将有助于模型的进一步优化。
结论
本研究成功开发了针对两种不同操作模式(废钢炉和DRI炉)电弧炉的数据驱动机器学习预测模型。优化的TiDE模型能够生成秒级精度的烟气主要成分(CO, CO2, H2O)预报,不仅能再现炉次进程中的总体趋势,还能保留由电弧引起的剧烈、瞬态波动特征。该模型快速生成大量预测的能力,为设计和测试能够适应全工况范围的动态碳捕集设备提供了关键输入。与文献中常见的生成平滑平均结果的模型不同,本研究 deliberately 保留了数据的短期随机波动,这对于测试下游设备的动态响应至关重要。未来,该模型可进一步扩展至在线应用,为下游碳捕集设备的前馈控制提供预测信号,以提升操作稳定性并确保碳捕集率。随着更多工业数据的获取,模型还可增加对烟气温度、流量以及其他潜在成分(如H2, O2)的预测,从而为下游工艺的全面设计和优化提供更完整的依据。