Wykorzystanie uczenia maszynowego w ocenie zużywania się materiałów ogniotrwałych (typu MgO-C)

Abstract

W pracy wykorzystano wybrane techniki uczenia maszynowego w celu selekcji materiałów ogniotrwałych MgO-C o zbliżonej odporności korozyjnej z 20 różnych wariantów materiałowych do zastosowania w kadziach głównych dla procesu pozapiecowej obróbki stali. Celem pracy było zaprojektowanie i wytworzenie materiałów MgO-C oraz selekcja wybranych wariantów o zbliżonej odporności korozyjnej, ale zróżnicowanym składzie pod względem użytych kruszyw spiekanych i topionych. W części literaturowej omówiono procesy zachodzące w kadzi głównej, podstawy technologii materiałów MgO-C i mechanizmy ich korozyjnego zużycia. Omówiono techniki uczenia maszynowego oraz przykłady ich zastosowania w badaniu i projektowaniu materiałów MgO-C. W części eksperymentalnej zaprezentowano wyniki badań fizykochemicznych i odporności korozyjnej wytworzonych materiałów MgO-C różniących się zawartością kruszywa magnezjowego topionego i spiekanego. Wykorzystano techniki uczenia maszynowego tj. PCA (Principal Component Analysis), PAM (Partitioning Around Medoids), SOM (Self-Organizing Maps) do selekcji materiałów MgO-C o zbliżonych parametrach fizykochemicznych i odporności korozyjnej. Na podstawie wyników wybrano dwa warianty, które wyprodukowano w skali przemysłowej i zainstalowano w czterech kadziach głównych polskiej stalowni, w celu weryfikacji ich odporności korozyjnej, tym samym efektywności działania algorytmów. The aim of this thesis was to use machine learning techniques to identify MgO-C refractory materials of comparable corrosion resistance from 20 different material variants for application in ladles used in secondary metallurgy. The objective was to design and manufacture MgO-C materials, then select variants of comparable corrosion resistance, but diversified by different content of fused and sintered MgO aggregates. The literature review section discusses the processes occurring in the steel ladle, technology of MgO-C materials, and the mechanisms of its corrosion. The application of machine learning techniques in the research and design of MgO-C materials is briefly described. The experimental section presents the results of physicochemical properties and corrosion resistance of produced MgO-C materials, differentiated by the content of fused and sintered magnesia aggregates. Unsupervised machine learning techniques, including PCA (Principal Component Analysis), PAM (Partitioning Around Medoids), and SOM (Self-Organizing Maps), were applied to identify MgO-C materials with comparable physicochemical properties and corrosion resistance. Based on these analyses, two variants were selected, produced at an industrial scale, and installed in four ladles at a Polish steelworks to verify their corrosion resistance, thus confirming the effectiveness of the applied algorithms.