Prediction of Amount of Material used in Desulfurization Process using Machine Learning Techniques

Year 2022, Volume: 5 Issue: 1, 57 - 63, 02.03.2022

Emrullah Sonuç Esra Özcan

https://doi.org/10.38016/jista.993853

Abstract

Liquid raw iron is produced by using coke, sinter and other iron ore materials in the blast furnace facilities of an iron and steel factory with a basic oxygen furnace. The next step after the production, is the steelmaking process, and just before that, the liquid raw iron is processed in the desulfurization plant in order to reduce the available sulfur content by a certain amount. The purpose of this process, called desulphurization, is to achieve the target sulfur value by adding some desulfurization reagents. Different methods are used to determine the amount of material to be added. There are many studies in which basic and data-based models are applied in this desulphurization process. However, the use of artificial intelligence techniques in this area is quite limited. In this study, the material (magnesium, lime, fluorite) ratios in the desulfurization process were predicted by machine learning techniques. This problem is a regression problem and six different methods (Linear Regression, K-Nearest Neighbor, Decision Trees, Random Forest, XGBoost, Artificial Neural Networks) are tested on the dataset. The data used in the study belonged to the year 2020 and were taken from the desulfurization plant. 80% of the data is used for training and 20% for testing. Accuracy and Mean Absolute Percentage Error (MAPE) were used as evaluation criteria. According to the results obtained, Artificial Neural Network model obtained 85%, 95.4% and 80.14% accuracy for magnesium, lime and fluorite, respectively. The MAPE values are 14.99, 4.59 and 19.85, respectively, which shows that the model makes a successful prediction.

Keywords

Machine Learning, Artificial Neural Networks, Regression, Desulfurization

Makine Öğrenme Teknikleri Kullanılarak Kükürt Giderme İşleminde Kullanılan Malzeme Miktarının Tahmini

Abstract

Bazik oksijen fırınlı bir demir çelik fabrikasının yüksek fırın tesislerinde kok, sinter ve diğer demir cevheri malzemelerinin kullanılmasıyla sıvı ham demir üretilmektedir. Bu üretimden sonraki adım çelik üretim süreci olup, hemen öncesinde sıvı ham demir, içerisindeki kükürt oranının belirli bir miktar düşürülmesi amacıyla kükürt giderme tesisinde işlem görmektedir. Desülfürizasyon olarak adlandırılan bu işlemin amacı bazı kükürt giderici reaktifler ilave edilerek hedef kükürt değerini yakalamaktır. İlave edilecek malzeme miktarlarını belirlemek için farklı yöntemler kullanılmaktadır. Genel olarak temel ve veriye dayalı modellerin uygulandığı çalışmalar görülmektedir. Ancak yapay zekâ tekniklerinin bu alandaki kullanımı oldukça kısıtlıdır. Bu çalışmada kükürt giderme işlemindeki malzeme (magnezyum, kireç, florit) oranları makine öğrenme teknikleri ile tahmin edilmiştir. Problem bir regresyon problemi olup altı farklı yöntem (Lineer Regresyon, K-En Yakın Komşu, Karar Ağaçları, Rastgele Orman, XGBoost, Yapay Sinir Ağları) veri seti üzerinde test edilmiştir. Çalışmada kullanılan veriler 2020 yılına ait olup kükürt giderme tesisinden alınmıştır. Verilerin %80’i eğitim, %20’si test için kullanılacak şekilde ayrılmıştır. Değerlendirme ölçütü olarak Doğruluk ve Ortalama Mutlak Hata Yüzdesi (Mean Absolute Percentage Error, MAPE) kullanılmıştır. Elde edilen sonuçlara göre Yapay Sinir Ağı modeli magnezyum, kireç ve florit için sırasıyla %85, %95,4 ve %80,14 doğruluk değerlerine ulaşmıştır. MAPE değerleri ise sırasıyla 14,99, 4,59 ve 19,85 olup bu da modelin başarılı bir tahmin gerçekleştirdiğini ortaya koymaktadır.

Keywords

Makine Öğrenmesi, Yapay Sinir Ağları, Regresyon, Kükürt Giderme

References

• Alan, A., 2020. Makine Öğrenmesi Sınıflandırma Yöntemlerinde Performans Metrikleri ile Test Tekniklerinin Farklı Veri Setleri Üzerinde Değerlendirilmesi, Yüksek Lisans Tezi, Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ.
• Aswad, S.A., Sonuç, E., 2020. Classification of VPN Network Traffic Flow Using Time Related Features on Apache Spark. In 2020 4th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT) (pp. 1-8). IEEE.
• Alkan, O., 2019. Parkinson Hastalığının Teşhisinde Derin Öğrenme Yöntemi ile Spect Görüntü Analizi, Yüksek Lisans Tezi, Ağrı İbrahim Çeçen Üniversitesi Fen Bilimleri Enstitüsü, Ağrı.
• Başer, B.Ö., Yangın, M., Sarıdaş, E.S., 2021. Makine Öğrenmesi Teknikleriyle Diyabet Hastalığının Sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(1), 112-120.
• Baydilli, Y.Y., 2021. Polen Taşıyan Bal Arılarının MobileNetV2 Mimarisi ile Sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, (21), pp.527-533.
• Çetin, Z., 2016. Sürekli Döküm Prosesinde Pota Nozulu Tıkanma Probleminin Analizi ve Azaltılması, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Deo, B., Datta, A., Haressh, M., Kalra, P.K., Boom, R., 1994. Adaptive Neural Net (ANN) Models for Desulfurization of Hot Metal and Steel. Steel Research International, 65(11), 466-471.
• Dilwani, A.A.R., 2019. Makine Öğrenmesi ile Acil Triyaj ve Hastane Yatış Tahmini, Yüksek Lisans Tezi,Ankara Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
• Dolapci, B., Özcan, C., 2021. Automatic Ship Detection and Classification using Machine Learning from Remote Sensing Images on Apache Spark. Journal of Intelligent Systems: Theory and Applications, 4(2), pp.94-102.
• Elen, A., Avuclu, E., 2020. A Comparison of Classification Methods for Diagnosis of Parkinson's. International Journal of Intelligent Systems and Applications in Engineering, 8(4), 164-170.
• Ersöz, F., Ersöz, T., Erkmen, İ.N., 2016. Dünyada ve Türkiye’de Ham Çelik Üretimine Bakış. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen bilimleri Dergisi, 32(2), 1-12.
• Gök, B., 2017. Makine Öğrenmesi Yöntemleri ile Akademik Başarının Tahmin Edilmesi. Gazi Üniversitesi Fen Bilimleri Dergisi, 5(3), 139-148.
• Görgün, M., 2020. Makine Öğrenmesi Yöntemleri ile Kalp Hastalığının Teşhis Edilmesi, Yüksek Lisans Tezi, İstanbul Aydın Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul.
• Henrique, B.M., Sobreiro, V.A., Kimura, H., 2018. Stock price prediction using support vector regression on daily and up to the minute prices. The Journal of finance and data science, 4(3), pp.183-201.
• Jin, Y., bi, X.G., Yu, S.R., 2006. Kinetic Model for Powder Injection Desulfurization. Acta Metallurgica Sinica, 19(4), 258-264.
• Karaatlı, M., 2012. Yapay Sinir Ağları ile Otomobil Satış Tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87-100.
• Karabıçak, Ç., Avcı, S., Akman, G., Aladağ, Z., 2018. Determination of Demand Estimation Methods by Values and Variability Measures for Stock Items in a Cleaning Paper Company. Journal of Current Researches on Engineering Science and Technology, 4(1), 47-68.
• Liang, X.P, Ban, S.X., Wang, Y., Ge, W.S., Huang, Z.H., 2011. Research and Application of Desulfurizer Addition Amount Prediction Model Based on Neural Network. Metallurgical Industry.
• Özcan C., Köprü, E.Y., 2020. Yapay Sinir Ağları ile Sıvı Ham Demir Tahmini ve 5. Yüksek Fırın Uygulaması. Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı, 155-162.
• Özcan, E., 2021. Kükürt Giderme İşlemi İçin Kullanılan Malzeme Miktarının Makine Öğrenme Yöntemleri İle Tahmini, Yüksek Lisans Tezi, Karabük Üniversitesi Lisansüstü Eğitim Enstitüsü, Karabük.
• Özmen, K., Eskiyurt, T.G., Şahin, H., Erkal, H., Kocabaş, T., Çakır, M., Soysal Atan, B., 2018. Sıvı Ham Demir Kükürt Giderme Prosesinde Kullanılan Granüle Magnezyum Tüketiminin Seviye-2 Yazılımı ile Optimizasyonu. 19. Metalurji ve Malzeme Kongresi (IMMC 2018).
• Pekel, E., 2020. Estimation of soil moisture using decision tree regression. Theoretical and Applied Climatology, 139(3), pp.1111-1119.
• Rong, Z., Dan, B., Yi, J., 2005. A BP Neural Network Predictor Model for Desulfurization Molten Iron. International Conference on Advanced Data Mining and Applications, 22-24 July 2005, pp. 728-735.
• Salman K., Sonuç, E., 2021. Thyroid Disease Classification Using Machine Learning Algorithms. In Journal of Physics: Conference Series (Vol. 1963, No. 1, p. 012140). IOP Publishing.
• Türkoğlu, S., Özyıldırım, B. M., 2017. Developing Oxygen Amount Preediction Model of Basic Oxygen Furnace Steelmaking Process with Machine Learning Algortihms. Çukurova Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 39(12), 22-31.
• Ürün, S., 2019. Python ile Programlamanın Temelleri.
• Vinoo, D.S., Mazumdar, D., Gupta, S.S., 2007. Optimization and Prediction Model of Hot Metal Desulphurisation. Ironmaking & Steelmaking, 34(6), 471-476.
• Visuri, V.V., Vuolio, T., Haas, T., Fabritius, T., 2020. A Review of Modeling Hot Metal Desulfurization. Steel Research International, 91(4), 1900454.
• Yangın, G., 2019. Xgboost ve Karar Ağacı Tabanlı Algoritmaların Diyabet Veri Setleri Üzerine Uygulaması, Yüksek Lisans Tezi, Mimar Sinan Güzel Sanatlar Üniversitesi Fen Bilimleri Ensitüsü, İstanbul.
• Yıldız, K., 2017. Demir Çelik Metalurjisi. Sakarya.
• Zhan, D.P., Zhang, H, Jiang, Z., 2010. Prediction Model of Magnesium Powder Consumption During Hot Metal Pre-Desulfurization. China Metallurgy.