EVRAZ implementa red neuronal para calentamiento de acero y reducción del consumo de gas en la laminadora

EVRAZ contó cómo en la laminación en caliente de NTMK sustituyó el ajuste manual de hornos por un sistema de recomendación basado en un modelo matemático y red neuronal. El objetivo no era la automatización por informe, sino reducir el consumo excesivo de gas durante el calentamiento del bloque sin perder calidad de laminación.

Por qué se desperdiciaba el gas

En la laminación en caliente, los bloques pasan por hornos de calentamiento antes de ser alimentados en el laminador, y en el papel esta etapa se ve estándar. En la práctica, cada horno se comporta de manera diferente: la construcción difiere, la condición del quemador, el desgaste del refractario e incluso la ruta que toma el bloque hasta el primer stand. El resultado también se ve afectado por el grado de acero, sección transversal, temperatura antes de la carga, transposiciones planificadas y paradas no planificadas.

Para un taller con amplia nomenclatura, esto significa que el mismo régimen casi nunca funciona para todos los lotes seguidos. Anteriormente, los operadores regulaban manualmente la temperatura, tiempo de calentamiento y consumo de gas basándose en la instrucción, experiencia y condición actual del equipo. Formalmente, las reglas eran comunes a todos, pero en turnos reales tenían que adaptarse constantemente a la situación.

Por esto, diferentes brigadas mostraban consumo de combustible diferente, y al cambiar entre tipos de productos, el consumo excesivo casi se convertía en la norma. EVRAZ describe directamente el problema a través de la brecha entre documento y piso de taller real.

"Seguir la instrucción tecnológica."

De qué estaba hecho el modelo

El equipo rápidamente comprendió que un modelo ML puro no ayudaría aquí. La temperatura del bloque se mide solo en la entrada y salida del horno, y hay casi ningún dato sobre cómo se calienta el metal durante el ciclo. Entonces hicieron la base física: un modelo numérico de calentamiento basado en la ley de conducción térmica, considerando el calor de los quemadores, convección, intercambio de calor por radiación y contacto, y propiedades del metal a diferentes temperaturas.

Separadamente, el modelo consideró la formación de cascarilla, que efectivamente crea una capa termiaislante en la superficie del bloque. Para hacer que el sistema funcionara en un taller real, el modelo tuvo que ajustarse para hornos específicos y modos de producción reales. Durante el ajuste, surgieron detalles raramente vistos en esquemas abstractos: succión de aire del taller, efecto del espaciado de la disposición de bloques, tiempo de parada conocido durante transposiciones y hasta dificultades con la interpretación de datos del pirómetro después del stand de laminación.

• diferencias de geometría del horno y ubicación del quemador
• succión de aire del taller hacia la atmósfera del horno
• espaciado de disposición de bloques y espacios entre ellos
• tiempo de parada conocido durante transposiciones del laminador
• características de decenas de grados de acero y diferentes formas de sección

Luego empacaron los resultados de la modelización numérica en una red neuronal. Se entrenó con datos de cálculo de decenas de miles de escenarios de calentamiento extraídos del archivo histórico durante varios años. Este enfoque híbrido le dio al sistema dos cosas a la vez: significancia física y velocidad suficiente para tiempo real suave. El resultado fue un gemelo digital del proceso de calentamiento que no solo predice la temperatura del bloque sino que sugiere a los operadores cómo ajustar las zonas del horno y quemadores para un lote específico.

Prueba en producción

Antes de la implementación, el modelo fue validado en dos criterios principales. Primero, compararon la temperatura calculada del bloque con datos del pirómetro en la descarga del horno, no después del stand de laminación donde la imagen ya está distorsionada por el enfriamiento subsecuente. Segundo, usaron pruebas archivadas de bloques instrumentados térmicamente con sensores dentro del metal.

Aunque el horno había pasado por reparación capital desde esas pruebas, los datos ayudaron confirmar que el modelo refleja correctamente el perfil de calentamiento real. Separadamente, EVRAZ evaluó qué tan precisamente el sistema calculaba el consumo de recursos energéticos requerido a lo largo del tiempo. Para esto, compararon valores reales y del modelo usando el coeficiente de determinación R².

La empresa reporta haber alcanzado 0,75 — suficiente para demostrar la adecuación del modelo para producción y gestión. Después de la parte técnica, crearon una interfaz funcional: los operadores ven el diagrama del horno por zonas y recomendaciones para ajuste de quemadores. El piloto en un taller fue considerado exitoso, las cifras exactas de ahorro no se divulgan, pero el sistema ya está siendo preparado para escalar a otros hornos de la empresa.

Qué significa esto

Este caso demuestra bien hacia dónde realmente se dirige la IA industrial. El efecto más útil aquí vino no de un chatbot universal, sino de una combinación de gemelo digital, datos históricos y sugerencias comprensibles para el operador. Si estos sistemas comienzan a proliferar, la metalurgia podrá ahorrar energía no a través de restricciones rígidas, sino a través de un ajuste más preciso del proceso para cada lote específico.