EVRAZ déploie un réseau neuronal pour le chauffage de l'acier et la réduction de la consommation de gaz à la laminerie

EVRAZ a expliqué comment dans le laminage à chaud du NTMK il a remplacé le réglage manuel des fours par un système de recommandation basé sur un modèle mathématique et un réseau de neurones. L'objectif n'était pas l'automatisation pour le rapport, mais de réduire la surconsommation de gaz lors du chauffage de l'ébauche sans perdre la qualité du laminage.

Pourquoi le gaz était gaspillé

Dans le laminage à chaud, les ébauches passent par des fours de chauffage avant d'être alimentées au laminoir, et sur le papier cette étape semble standard. En pratique, chaque four se comporte différemment : la construction diffère, l'état du brûleur, l'usure du revêtement réfractaire et même le chemin que l'ébauche emprunte jusqu'au premier stand. Le résultat est également affecté par la nuance d'acier, la section, la température avant le chargement, les transpositions prévues et les arrêts non prévus.

Pour un atelier avec une large nomenclature, cela signifie que le même régime ne convient presque jamais à tous les lots d'affilée. Auparavant, les opérateurs régulaient manuellement la température, le temps de chauffage et la consommation de gaz en fonction de l'instruction, l'expérience et l'état actuel de l'équipement. Formellement, les règles étaient communes à tous, mais dans les vrais postes, elles devaient être constamment adaptées à la situation.

Pour cette raison, différentes brigades ont montré une consommation de carburant différente, et lors du passage entre les gammes de produits, la surconsommation devenait presque la norme. EVRAZ décrit directement le problème à travers l'écart entre le document et l'atelier réel.

« Suivre l'instruction technologique. »

Comment le modèle a été construit

L'équipe a rapidement compris qu'un modèle ML pur ne suffirait pas ici. La température de l'ébauche n'est mesurée qu'à l'entrée et à la sortie du four, et il y a presque pas de données sur la façon dont le métal se réchauffe pendant le cycle. Ils ont donc fait la base physique : un modèle numérique de chauffage basé sur la loi de conduction thermique, tenant compte de la chaleur des brûleurs, de la convection, de l'échange de chaleur par rayonnement et contact, et des propriétés du métal à différentes températures.

Séparément, le modèle a tenu compte de la formation d'oxyde, qui crée effectivement une couche d'isolant thermique à la surface de l'ébauche. Pour que le système fonctionne dans un atelier réel, le modèle a dû être adapté à des fours spécifiques et à des modes de production réels. Pendant l'ajustement, des détails rarement visibles dans les schémas abstraits ont émergé : l'aspiration d'air de l'atelier, l'effet de l'espacement de la disposition de l'ébauche, les arrêts connus lors des transpositions et même les difficultés d'interprétation des données du pyromètre après le stand de compression.

• différences de géométrie des fours et positionnement des brûleurs
• aspiration d'air de l'atelier vers l'atmosphère du four
• espacement de la disposition des ébauches et espacements entre elles
• arrêts connus lors des transpositions du laminoir
• caractéristiques de dizaines de nuances d'acier et de différentes formes de sections

Puis ils ont emballé les résultats de la modélisation numérique dans un réseau de neurones. Il a été entraîné sur des données de calcul provenant de dizaines de milliers de scénarios de chauffage extraits des archives historiques sur plusieurs années. Cette approche hybride a donné au système deux choses à la fois : la pertinence physique et la vitesse suffisante pour du temps quasi réel. Le résultat était un jumeau numérique du processus de chauffage qui non seulement prédit la température de l'ébauche, mais suggère aux opérateurs comment régler les zones du four et les brûleurs pour un lot spécifique.

Test en production

Avant la mise en œuvre, le modèle a été validé selon deux critères principaux. D'abord, ils ont comparé la température calculée de l'ébauche avec les données du pyromètre à la sortie du four, pas après le stand de compression où l'image est déjà déformée par le refroidissement ultérieur. Deuxièmement, ils ont utilisé des tests archivés d'ébauches instrumentées thermiquement avec des capteurs à l'intérieur du métal.

Bien que le four ait subi une révision majeure depuis ces tests, les données ont aidé à confirmer que le modèle reflète correctement le profil de chauffage réel. Séparément, EVRAZ a évalué la précision avec laquelle le système calculait la consommation nécessaire de ressources énergétiques au fil du temps. Pour cela, ils ont comparé les valeurs réelles et du modèle en utilisant le coefficient de détermination R².

L'entreprise rapporte avoir atteint 0,75 — suffisant pour démontrer l'adéquation du modèle pour la production et la gestion. Après la partie technique, ils ont créé une interface fonctionnelle : les opérateurs voient le schéma du four par zones et des recommandations pour le réglage des brûleurs. Le pilote dans un atelier a été jugé réussi, les chiffres exacts d'économie ne sont pas divulgués, mais le système est déjà préparé pour une montée en charge sur d'autres fours de l'entreprise.

Ce que cela signifie

Ce cas démontre bien où l'IA industrielle se dirige réellement. L'effet le plus utile ici est venu non pas d'un chatbot universel, mais d'une combinaison de jumeau numérique, de données historiques et de suggestions compréhensibles par l'opérateur. Si ces systèmes commencent à se multiplier, la métallurgie pourra économiser de l'énergie non pas par des restrictions rigides, mais par un réglage plus précis du processus pour chaque lot spécifique.