Développement de capteurs virtuels à base de réseaux de neurones récurrents pour un four pilote de réduction d'ilménite

La première priorité des opérateurs de fours à arc électrique est la sécurité de leurs opérations. Ces fours peuvent servir à l’enrichissement de minerais tel que l’ilménite, une espèce miné-rale riche en titane. Leur utilisation nécessite une grande quantité de réactifs et d’énergie, représentant des gains de productivité potentiels importants. L’amélioration des opérations de ces procédés est donc prioritaire pour les industries utilisant ce type de four. Lorsque des essais doivent être menés en dehors des plages opérationnelles habituelles, il est possible de les réaliser sur un procédé de taille pilote pour limiter les risques pour la sécurité des employés, l’intégrité du four et/ou la qualité des produits. Malgré ces efforts, les fours à arc électrique de taille pilote demeurent des équipements comportant des risques importants, notamment, en ce qui concerne les hautes températures du bain de matière en fusion qu’ils contiennent et la dégradation des briques réfractaires si elles viennent en contact direct avec le bain en fusion. La surveillance de ce procédé est réalisée à l’aide de nombreux thermocouples et à l’aide de mesures manuelles de la largeur de bain : une variable de substitution à l’épaisseur de matière solide protégeant la paroi interne du four. À chacune des coulées, une analyse de la composition chimique de la scorie, phase riche en titane, est réalisée en laboratoire. Des analyses ponctuelles entre les coulées sont aussi réalisées. L’article 1 de ce mémoire par articles porte sur le développement de capteurs virtuels destinés à améliorer la sécurité de l’opération d’un four pilote de réduction d’ilménite. Deux modèles sont proposés : (1) un prédicteur de température de la paroi du four et (2) un estimateur de la largeur de bain. Tous deux sont basés sur une architecture de réseaux de neurones récurrents permettant une prédiction à partir d’autres signaux mesurés sur le procédé : les mesures de température et les consignes d’opération pour les boucles de contrôle de la puissance, de l’alimentation en minerai et de l’alimentation en agent réducteur. Une discussion de l’article est proposée et porte sur l’impact du partitionnement des données en jeux de calibration et de validation sur les performances du modèle de largeur de bain. L’article 2 du présent mémoire propose le développement d’un capteur virtuel permettant d’estimer en ligne la composition en dioxyde de titane de la scorie dans le four à partir de signaux de procédé. Le choix des algorithmes et des fonctionnalités intégrées à l’architecture du modèle d’apprentissage automatique proposé tient compte des phénomènes de transferts thermiques et des phénomènes thermochimiques de la réduction de l’ilménite. Une analyse comparative avec un modèle autorégressif de type ARMA est conduite afin de comparer les performances de la méthode proposée dans le chapitre de discussion de l’article.

Abstract

The top priority for electric arc furnace operators is the safety of their operation. These furnaces are used to upgrade ore, such as ilmenite, a mineral rich in titanium. Their operation requires large amounts of reagents and energy, representing significant potential productivity gains. Therefore, improving the operations of these units is a priority for industries using this type of furnace. As an effort to improve the understanding of the process and finding productive operation conditions outside the normal operating ranges, pilot-scale units are often used to limit the inherent risks that come with unusual operations. While being smaller in size, pilot-scale electric arc furnaces are still equipment that requires the operator’s attention in terms of safety. Concerns about the high molten bath’s temperature are to be taken into account as well as the sidewall’s refractory bricks wear in order to ensure safe operations. Monitoring of temperature is done using thermocouples and a proxy variable for the amount of frozen material protecting the refractory bricks, called the bath size, is measured manually at every tap. At the end of every tapping cycle, the titanium dioxide content in the slag bath, the titania-rich phase, is measured from a sample of molten material in the laboratory. Article 1, the first contribution of this thesis, discusses the development of soft sensors aiming at enhancing process safety. Two models are proposed: (1) a furnace sidewall temperature predictor, (2) a bath size estimator. Both model architecture relies on recurrent neural networks using as input sidewall temperatures measurements and control loop setpoints for the electrical power, ore charge and reducing agent charge. A discussion related to the impact of the calibration-validation split on model performances is included for the sidewall temperature model. Article 2, the second contribution of this thesis, details the development of a soft sensor aiming at enhancing product quality. A model for the on-line estimation of the titanium dioxide content of the slag bath is proposed. The proposed model architecture is based on machine learning algorithms able to account for the complex thermal and thermochemical phenomena related to ilmenite reduction. A comparative analysis of the proposed model with an autoregressive moving average mode is conducted to benchmark the performance of the proposed solution.