Applied Machine Learning in Steel Process Engineering : Using Supervised Machine Learning Models to Predict the Electrical Energy Consumption of Electric Arc Furnaces

The steel industry is in constant need of improving its production processes. This is partly due to increasing competition and partly due to environmental concerns. One commonly used method for improving these processes is through the act of modeling. Models are representations of the reality that can be used to study and test new processes and strategies without costly interventions. In recent years, Machine Learning (ML) has emerged as a promising modeling approach for the steel industry. This has partly been driven by the Industry 4.0 development, which highlights ML as one of the key technologies for its realization. However, these models are often difficult to interpret, which makes it impractical to validate if the model accurately represents reality. This can lead to a lack of trust in ML models by domain practitioners in the steel industry. Thus, the present work investigates the practical usefulness of ML models in the context steel process engineering. The chosen application to answer this research question is the prediction of the Electrical Energy (EE) consumption of Electric Arc Furnaces (EAF). The EAF process was chosen due to its widespread use in the steel industry and due to the difficulty to accurately model the EE consumption using physical modeling. In the present literature, the use of linear statistical models are commonly used even though the EE consumption is non-linearly dependant on multiple important EAF process variables. In addition, the literature does neither investigate the correlations between input variables nor attempts to find the most optimal model with respect to model complexity, predictive performance, stability, and generalizability. Furthermore, a consistent reporting of predictive performance metrics and interpreting the non-transparent models is lacking. These shortcomings motivated the development of a Model Construction methodology and a Model Evaluation methodology that eliminate these shortcomings by considering both the domain-specific (metallurgical) aspects as well as the challenges imposed by ML modeling. By using the developed methodologies, several important findings originated from the resulting ML models predicting the EE consumption of two disparate EAF. A high model complexity, governed by an elevated number of input variables and model coefficients, is not necessary to achieve a state-of-the-art predictive performance on test data. This was confirmed both by the extensive number of produced models and by the comparison of the selected models with the models reported in the literature. To improve the predictive performance of the models, the main focus should instead be on data quality improvements. Experts in both process metallurgy and the specific process under study must be utilized when developing practically useful ML models. They support both in the selection of input variables and in the evaluation of the contribution of the input variables on the EE consumption prediction in relation to established physico-chemical laws and experiences with the specific EAF under study. In addition, a data cleaning strategy performed by an expert at one of the two EAF resulted in the best performing model. The scrap melting process in the EAF is complex and therefore challenging to accurately model using physico-chemical modeling. Using ML modeling, it was demonstrated that a scrap categorization based on the surface-area-to-volume ratio of scrap produced ML models with the highest predictive performance. This agrees well with the physico-chemical phenomena that governs the melting of scrap; temperature gradients, alloying gradients, stirring velocity, and the freezing effect. Multiple different practical use cases of ML models were exemplified in the present work, since the model evaluation methodology demonstrated the possibility to reveal the true contributions by each input variable on the EE consumption. The most prominent example was the analysis of the contribution by various scrap categories on the EE consumption. Three of these scrap categories were confirmed by the steel plant engineers to be accurately interpreted by the model. However, to be able to draw specific conclusions, a higher model predictive performance is required. This can only be realized after significant data quality improvements. Lastly, the developed methodology is not limited to the case used in the present work. It can be used to develop supervised ML models for other processes in the steel industry. This is valuable for the steel industry moving forward in the Industry 4.0 development.Stålindustrin är i ständigt behov av att förbättra sina produktionsprocesser. Detta beror dels på ökad konkurrens och dels på miljöhänsyn. En vanligt förekommande metod för att förbättra dessa processer är genom modellering. Modeller representerar verkligheten och kan därmed användas för att undersöka effekten av nya processer och strategier utan kostsamma interventioner. Under de senaste åren har maskininlärning (ML) framhävts som en lovande modelleringsmetod för stålindustrin. Detta har delvis drivits på av Industri 4.0, som lyfter fram ML som en av sina nyckelteknologier. Dessa modeller är dock ofta svåra att tolka, vilket gör det opraktiskt att validera om modellen representerar verkligheten. Detta kan leda till brist på förtroende för ML-modeller som modelleringsverktyg inom stålindustrin. Målet med denna studie är att undersöka om ML modeller är praktiskt användbart inom stålprocessteknik. För att besvara denna forskningsfråga har förbrukningen av elektrisk energi (EE) för ljusbågsugnen valts som inriktning. Processen valdes på grund av dess omfattande användning inom stålindustrin och på grund av svårigheten att exakt modellera EE-förbrukningen med hjälp av metallurgi och termodynamik. I den aktuella litteraturen används vanligtvis linjära statistiska modeller även om EE-konsumtionen är icke-linjärt beroende av flera viktiga processvariabler. Dessutom undersöker inte studierna i litteraturen korrelationerna mellan invariablerna eller försöker hitta den mest optimala modellen med avseende på modellkomplexitet, prediktiv prestanda, stabilitet och generaliserbarhet. Dessutom saknas en konsekvent rapportering av prediktiva prestandamätvärden och tolkning av icke-transparenta modeller. Dessa brister motiverade utvecklingen av en metodik för att skapa ML modeller och en metodik för att utvärdera ML modeller. De båda metodikerna eliminerar dessa brister genom att beakta både de processmetallurgiska aspekterna samt de utmaningar som ML modelleringen medför. Genom användadet av de två metoderna kunde flera viktiga slutsatser dras från de modeller som skapades baserat på data från två olika ljusbågsugnar. I motsats till vad man tidigare trott är en hög modellkomplexitet, styrd av ett förhöjt antal invariabler och modellkoefficienter, inte nödjvändigt för att uppnå bäst prediktiv prestanda på testdata. Detta bekräftades både av det omfattande antalet skapade modeller och av jämförelsen mellan de utvalda modellerna och de modeller som rapporterats i litteraturen. För att förbättra modellernas prediktiva prestanda bör fokus istället läggas på datakvalitetsförbättringar. Kompetens från experter inom både processmetallurgi och den specifika processer som studeras måste användas när man utvecklar praktiskt användbara ML-modeller. Expertenas kompetens stödjer både valet av invariabler och tolkningen av effekterna invariablerna har på på EE-förbrukningen i förhållande till etablerade fysikaliska lagar och erfarenheter om den specifika ljusbågsugn som studerats. Dessutom resulterade en datarensning utförd av en expert på en av de två studerade ljusbågsugnarna i den bäst presterande modellen. Skrotsmältningsprocessen i ljusbågsugnen är komplicerad och därför utmanande att modellera med fysikalisk modellering. Med hjälp av ML-modellering visades det att en skrotkategorisering baserad på skrotets yta-till-volymsförhållande skapade ML-modeller med högst prediktiv prestanda. Detta stämmer väl med de fenomen som styr smältningen av skrot och som är proportionellt mot skrotets yta-till-volymsförhållande; temperaturgradienter, legeringsämnesgradienter, omrörningshastighet och frysningseffekten. Flera olika praktiska användningsfall har exemplifierats i denna avhandling eftersom modellutvärderingsmetoden påvisade de verkliga effekterna av varje invariabel på EE-förbrukningen. Det mest framträdande exemplet var effekten av olika skrotkategorier på EE-konsumtionen. Tre av dessa skrotkategorier tolkades korrekt av ML modellen enligt stålverkets processingenjörer. För att kunna dra specifika slutsatser krävs dock en mycket högre prediktiv prestanda hos modellerna. Detta kan bara förverkligas efter betydande förbättringar av datakvaliteten. I sin tur kan detta endast genomföras av utvecklarna på det stålverk som ligger till grund för det data som användes för att skapa modellerna. Slutligen är den utvecklade metoden inte begränsad till den inriktning som används i detta arbete. Metoden kan användas för att utveckla ML-modeller för andra processer inom stålindustrin. Detta är värdefullt för stålindustrins utveckling av Industri 4.0.Avhandlingen har finansierats av "Hugo Carlssons stipendiefond för vetenskaplig forskning" som tillhandahålls av Jernkontoret. Stipendiumet har betalats ut till doktoranden.