Optimización y control del Horno Alto mediante la ...

UNIVERSIDAD DE OVIEDO

DEPARTAMENTO DE CIENCIA DE LOS MATERIALES E INGENIERÍA METALÚRGICA

Optimización y control del Horno Alto mediante la aplicación de las redes

neuronales a las señales de las sondas por encima de la carga

TESIS DOCTORAL

Íñigo Ruiz Bustinza Ingeniero de Minas

2011

UNIVERSIDAD DE OVIEDO

DEPARTAMENTO DE CIENCIA DE LOS MATERIALES E INGENIERÍA METALÚRGICA

Optimización y control del Horno Alto mediante la aplicación de las redes

neuronales a las señales de las sondas por encima de la carga

TESIS DOCTORAL Íñigo Ruiz Bustinza

Ingeniero de Minas

Directores

Luis Felipe Verdeja González Doctor en Ciencias Químicas Catedrático de Universidad

Javier Mochón Muñoz Doctor en Ciencias Físicas

Investigador del CENIM/CSIC

Oviedo, 11 de noviembre de 2011.

A mi familia

AGRADECIMIENTOS

Quiero agradecer a los Doctores D. Javier Mochón Muñoz, Investigador de

Centro Nacional de Investigaciones Metalúrgicas del CSIC y D. Luis Felipe

Verdeja González, Catedrático de Siderurgia de la Universidad de Oviedo por

sus valiosos consejos y amplia dedicación a la Dirección de esta Tesis

Doctoral.

También me gustaría agradecer la colaboración de otros miembros, tanto de

la Universidad de Oviedo como del CENIM, entre otros los Doctores D.

Fernando Garcia Carcedo, D. Alejandro Cores Sánchez y D. Manuel Gómez

Herrero por su ayuda en la redacción final del trabajo, así como a profesores

y compañeros de estudios de la E.T.S. de Ingenieros de Minas de Madrid.

También quisiera agradecer la ayuda prestada en la parte administrativa por

Dª Ana Mª López y D. Enrique Ruiz-Ayucar.

Asimismo, quiero expresar mi agradecimiento al Fondo de Investigación del

Carbón y el Acero de la Comisión Europea, Research Fund for Coal and Steel –

RFSC, gracias al cual, los trabajos en los que se ha basado esta Tesis, han

podido ser llevados a cabo.

I

RESUME N

La operación del horno alto ha evolucionado desde una perspectiva basada

puramente en la experiencia de los operadores de planta para ser una

operación que se ha mejorado científica y tecnológicamente. Una parte

importante de esta evolución, se refiere a la introducción de dispositivos de

detección cada vez más sofisticados, que proporcionan al operador de la

planta informaciones útiles sobre el estado del proceso interior del horno.

Un horno alto moderno está equipado con un gran número de estos

dispositivos/sensores de detección, lo que implica la monitorización de miles

de señales, que deben ser presentadas al operador de una manera directa,

significativa y fácil de comprender.

En los últimos años, los computadores han hecho posible una optima

actuación del proceso de control de los hornos altos, lo que permite no sólo

visualizar las señales representativas de las variables, sino también el

establecimiento de modelos, la comparación de las diferentes señales y la

creación de bases de datos para almacenar sus variables y su evolución

durante el proceso.

Desgraciadamente, no es posible para un ser humano analizar toda la

información recogida en tiempo real por los dispositivos de detección y los

ordenadores. Como consecuencia, los operadores en las plantas tienden a

seleccionar un número reducido de variables para su trabajo diario, prestando

poca o ninguna atención a las restantes.

Este hecho significa que parte de la inversión realizada en los equipos de los

hornos altos no se está aprovechando y que una parte considerable de la

información recogida queda sin utilizar.

II

Estos problemas se pueden resolver haciendo uso de técnicas modernas de

análisis de datos (Data Mining). Esta técnica comprende una amplia gama de

métodos tales como: el análisis estadístico clásico, análisis de componentes

principales, el procesamiento de señales y otros más avanzados tales como las

redes neuronales o la lógica difusa.

En las plantas modernas, hay enormes bases de datos que almacenan una gran

cantidad de variables de proceso. Partiendo de este punto, es posible extraer

información útil que está subyacentemente oculta en las señales y obtener las

relaciones entre los diferentes parámetros de los hornos altos. Este trabajo

realizado de manera clásica tomaría demasiado tiempo para hacerlo durante

las operaciones diarias de horno alto. Sin embargo, una vez realizado con las

técnicas modernas, y partiendo de los datos almacenados, sus resultados

pueden ser transferidas al computador de procesos de una manera que

permite que el operador de la planta pueda obtener una visión más

comprensible del significado de las variables actuales

En esta Tesis se muestran tanto la forma de aplicar las técnicas antes

mencionadas a algunas de las señales proporcionadas por las sondas

localizadas en el tragante y la cuba del horno alto como, también, los

resultados obtenidos.

El comportamiento de la parte superior del horno juega un papel decisivo en el

buen rendimiento de todo el horno. Las distribuciones del gas y de la carga

controlan la velocidad de reducción del mineral, determinan la forma y la

altura de la zona cohesiva y, por consiguiente, tienen una fuerte influencia en

el funcionamiento estable de los hornos altos.

El trabajo desarrollado se ha centrado principalmente en dos ámbitos:

III

Cómo se puede extraer información útil relacionada con los parámetros del

proceso y como controlar mejor la distribución de la carga desarrollando

modelos adecuados.

Las siguientes tareas se han llevado a cabo para alcanzar un objetivo común:

Se analizaron las señales de las sondas-termopares situados por encima de

la carga utilizándolas para establecer sus relaciones con la estabilidad de

todo el proceso.

Se desarrolló un estudio preliminar para establecer la influencia de otras

variables en los valores proporcionados por las sondas. Por lo tanto, se ha

demostrado que la velocidad de carga ocasiona cambios locales rápidos en

la temperatura del gas y, posteriormente, en la temperatura medida por

las sondas de la carga interior.

Las redes neuronales (los mapas autoorganizados o SOM) han sido la

herramienta seleccionada. Su capacidad ampliamente comprobada para la

tarea de clasificación las hace idóneas para extraer un conjunto de

patrones de los perfiles de temperatura que estaban vinculados con la

estabilidad del proceso. Quince de estos patrones se han usado para

evaluar todo el rendimiento del horno alto con 13 sondas situadas por

encima de la carga. Durante el desarrollo de la Tesis se ha comprobado

que estos patrones pueden agruparse en cinco clases principales de

acuerdo con el estado del horno alto. La primera clase representa los

períodos de alta estabilidad y con un rendimiento regular. La segunda

clase representa los periodos de comportamiento uniforme de horno alto

pero con una tendencia al empeoramiento. La tercera clase describe los

períodos de funcionamiento irregular de hornos altos. La cuarta clase

comprende los estados de alta inestabilidad con un mal funcionamiento y

IV

la quinta, sólo engloba a situaciones anormales relacionadas con las

paradas del horno alto.

Cada vez que se obtiene un perfil de temperatura de las sondas por

encima de la carga, se clasifica como perteneciente a una de las clases

representadas por los patrones y, posteriormente, se lleva a cabo un

diagnóstico válido del funcionamiento del horno alto. En algunos casos,

como consecuencia de los resultados obtenidos por las redes neuronales,

es posible pronosticar descuelgues y prevenir la alteración de la marcha

normal del horno con más de una hora de anticipación.

Una filosofía análoga es la que se ha desarrollado para aquellos hornos altos

equipados con 24 sondas termopares por encima de la carga relacionando las

señales obtenidas con parámetros de la marcha del horno.

V

ABSTRACT

Blast furnace practice has steadily changed from a purely experience-based

activity to a scientifically enhanced one. An important part of this evolution,

every time, deals with the introduction of more sophisticated sensing devices,

which report to plants operator useful information on the state of the process.

An up-to-date blast furnace is furnished with a large number of these sensing

devices, and this implies monitoring thousands of signals, that should be

presented to the operator in a meaningful way.

In more recent years, computers have made it possible to achieve a better

paramount of the blast furnace performance, allowing not only displaying the

variables but also establishing models, comparing different variables and

building up databases to store the variables and their evolution during the

process.

Unfortunately, it is not possible for a human being to analyse all the

information carried out by the sensing devices and computers, in real time. As

a result, plant operators tend to select a reduced number of variables for their

daily work, paying little or no attention to the remaining ones.

This fact means that part of the investment performed in blast furnace

equipment is not property profited and that a considerable part of the

information collected remains unemployed.

These problems can be overcome making use of modern techniques of data

mining. They comprise a broad set of methods such as: classical statistical

analysis; principal component analysis; signal processing and other more

advanced ones Iike neural networks or fuzzy logic.

VI

In modern plants, there are huge databases that store large collection of

process variables. Departing from this point, it is possible to extract useful

information buried in the signals and to obtain relationships among different

parameters of the blast furnace. This work takes too much time to be done

during daily B F operation. However, once performed, departing from the

stored data, its results can be re-transferred to the process computer in a

way that allows the plant operator to obtain a more comprehensible view on

the current variables meaning.

This Thesis shows ways to apply the aforementioned techniques to some of

the probes located in the throat and shaft of the blast furnace and also the

results obtained.

The behaviour of the upper part of the blast furnace plays a decisive role in the

good performance of the whole furnace. Gas and burden distributions control

the rate of ore reduction, determine the shape and height of the cohesive zone

and as a consequence, have a strong influence on the stable performance of

the blast furnace.

The work developed consisted of mainly two areas:

How to extract useful information on the stability of the process and how to

understand and control better the burden distribution.

The following tasks were undertaken under a common approach:

Thermocouple signals from above burden probes were analysed and employed

to establish their relationships with the stability of the whole process.

A preliminary study was developed to establish the influence of other variables

in the values cast by the probes. So, it has been proved that the charging rate

causes fast local changes in the gas temperature and subsequently in the

VII

temperature measured by the above burden probes.

Neural networks (self organising maps) was the tool selected. Their largely

proven capacity for classification task made them suitable to extract a set of

patterns from temperature profiles that were linked with the stability of the

process. Fifteen of such patterns have been employed to cover the whole

performance of the blast furnace. It has been proven, during the development

of the project, that these patterns can be regrouped in just five major classes

according to blast furnace performance. So, the first class stands for periods of

highly stability with a smooth performance. Second class represents periods of

regular blast furnace behaviour but prone to worsen. The third class describes

periods of irregular blast furnace performance. The fourth class comprises

states of high instability and bad performance and the fifth and last class only

covers abnormal situations related to blast stoppages or burden collapses.

Every time a new temperature profile is obtained from the above burden

probes, it is classified as belonging to one of the classes represented by the

patterns and subsequently a valid diagnosis on the blast furnace performance

is done. In some cases, following the results achieved by the neural networks,

it is possible to forecast hangings and burden collapses more than one hour in

advance.

Some of the blast furnaces involved in the project have included a new tool for

above burden probe interpretations, based on the aforementioned works that

allow the plant operator to obtain, not only the bare probe signals but also a

first interpretation of their meaning.

The effect of charging rate on the above burden probes, which means a

nuisance for the work just described, was employed for estimating the overall

ore to coke ratio. For this it was necessary to furnish the probes with a faster

VIII

data acquisition system. Once these modifications were done, the data

obtained were employed inside the main models. The results obtained are in

good agreement with indirect measurement taken by other sensing devices.

The model developed allows an on-line estimation of the ore to coke

distribution in the shaft.

IX

INDICE

1 ANTECEDENTES HISTÓRIC OS 1

INTRODUCCIÓN 1

1.1 HISTORIA DE LA SIDERURGIA EN ESPAÑA 3

1.2 LA SIDERURGIA ESPAÑOLA. SITUACIÓN ACTUAL 10

1.3 EL ACERO COMO MATERIAL ESTRUCTURAL. RELACIÓN CON OTROS MATERIALES 12

1.4 PROCESOS MINERALÚRGICOS BÁSICOS 14

1.4.1 REDUCCIÓN DE LOS MINERALES DE HIERRO 16

1.4.2 EMISIONES DE CO2. ENERGÍA UTILIZADA PARA DIVERSOS COMBUS TIBLES 18

1.4.2.1 V ÍAS DE OBTENCIÓN DE ACERO A PARTIR DE MINERAL 20

1.4.3 V ÍAS DE OBTENCIÓN DE ACERO A PARTIR DE PRERREDUCIDOS MINERALES 24

1.4.4 V ÍAS DE OBTENCIÓN DE ACERO A PARTIR DE CHATARRA 25

1.5 MATERIAS PRIMAS 27

1.5.1 LOS MINERALES DE HIERRO 28

1.5.2 SINTERIZACIÓN 29

1.5.3 PELETIZACIÓN 33

1.5.4 CARBÓN 35

1.5.4.1 COQUE SIDERÚRGICO 35

1.5.4.2 INYECCIÓN DE CARBÓN PULVERIZADO (PCI) 36

1.6 EL HORNO ALTO 37

1.6.1 INSTALACIONES PRINCIPALES DEL HORNO ALTO 39

1.6.1.1 SISTEMA DE EVACUACIÓN DEL GAS 39

1.6.1.2 CUERPO DEL HORNO 39

1.6.1.3 SISTEMA DE REFRIGERACIÓN DEL HORNO 42

1.6.1.4 SISTEMA DE CONTROL 43

1.6.2 PROCESO GENERAL DEL HORNO ALTO 46

1.6.2.1 REACCIONES DE LOS GAS ES CON LOS SÓLIDOS QUE DESCIENDEN AL

CRISOL 47

1.6.3 CONTROL DEL PROCESO DEL HORNO ALTO 52

1.6.4 PRODUCCIÓN, PRODUCTIVIDAD Y CAMPAÑA DEL HORNO ALTO 53

1.7 FUNCIONES DEL HORNO ALTO 55

1.8 EL ARRABIO, LA ESCORIA Y SU TRATAMIENTO 57

X

1.8.1 EL ARRABIO Y SU MANEJO 57

1.8.2 TRATAMIENTO DE LA ESCORIA 58

1.9 EL ACERO EN EL SIGLO XXI 59

1.9.1 CARBÓN 60

1.9.2 EL HIDRÓGENO 60

1.9.3 ELECTROLISIS 61

1.9.4 LA BIOMASA 61

1.9.5 CCS 62

BIBLIOGRAFÍA CAPÍTULO 1 63

2 REDES NEURONALES 65

INTRODUCCIÓN A LAS REDES NEURONALES 65

2.1 T IPOS DE REDES NEURONALES 67

2.1.1 PERCEPTRÓN MULTICAPA 67

2.1.2 REDES COMPETITIVAS 71

2.1.3 RED COMPETITIVA DE HAMMING 71

2.1.4 MAPAS AUTOORGANIZADOS 74

2.1.5 REDES L.V.Q ("LEARNING VECTOR QUANTIZATION") Y SUS MEJORAS 77

2.2 DESARROLLOS USANDO UNA RED NEURONAL BASADA EN UN MODELO DE

RECONOCIMIENTO DE PATRONES 79


3 PREVENCIÓN DE FALLOS EN UN HORNO ALTO CON 13 SONDAS DE TEMPERATURA POR

ENCIMA DE LA CARGA A PARTIR DE LA INTERPRETACIÓN DE LAS SEÑALES PROPORCIONADAS

POR ELLAS. 89

3.1 INTRODUCCIÓN 89

3.2 DESCRIPCIÓN DEL DISPOSITIVO 91

3.3 RECOPILACIÓN Y ANÁLISIS DE DATOS 94

3.4 PATRONES DE SONDAS SOBRE LA CARGA OBTENIDOS POR SOM 106

3.5 ANÁLISIS DE PATRONES OBTENIDOS 110

3.5.1 REAGRUPAMIENTO EN CLASES MAYORES 112

XI

3.6 RED NEURONAL PARA LA RECONSTRUCCI ÓN DE INFORMACIÓN 118

3.7 MODELO DE VALIDACIÓN 121

3.8 HERRAMIENTA DESARROLLADA PARA LA INTERPRETACIÓN DE SONDAS EN LÍNEA 128


4 CONTROL Y TOMA DE DECISIONES EN UN HORNO ALTO, CON 24 SONDAS ''ABOVE BURDEN'',

MEDIANTE REDES SOM 133

4.1 DESCRIPCIÓN DEL PROCESO ESTUDIADO 133

4.2 DESCRIPCIÓN DE LOS SENSORES Y SISTEMAS ANEJOS 133

4.2.1 SONDA SOBRE LA CARGA 133

4.2.2 PERFILES DE TEMPERATURA 135

4.2.2.1 EL SISTEMA DE REFRIGERACIÓN 137

4.2.2.2 IMPORTANCIA DE LA TEMPERATURA EN EL TRAGANTE 139

4.3 RECONOCIMIENTO DE PATRONES MEDIANTE REDES NEURONALES 140

4.3.1 INTRODUCCIÓN. UTILIZACIÓN DE REDES SOM 140

4.3.2 DEFINICIÓN DE LA RED SOM 141

4.3.3 TOPOLOGÍA DE LA RED 142

4.3.4 APRENDIZAJE 144

4.3.5 INTERPRETACIÓN DE RESULTADOS 146

4.4 APLICACIÓN DE LAS REDES SOM A UN HORNO ALTO 147

4.4.1 PLANTEAMIENTO DEL PR OBLEMA 148

4.4.2 CLASIFICACIÓN NO SUPERVISADA MEDIANTE SOM 153

4.4.2.1 ELECCIÓN DE LA RED NEURONAL 155

4.4.2.2 ENTRENAMIENTO DE LA PRIMERA RED SOM 158

4.4.2.3 ENTRENAMIENTO DE LA SEGUNDA RED SOM 160

4.4.2.4 RECONOCIMIENTO DE PATRONES 162

4.4.3 APLICACIÓN INDUSTRIAL 166

4.4.3.1 SOFTWARE DESARROLLADO 166

4.4.4 CORRELACIÓN ENTRE TEMP DEL ARRABIO Y LA CLASIF. DE LA SOM 168

BIBLIOGRAFÍA CAPITULO 4 171

XII

5 CONCLUSIONES 173

5.1 DISCUSIÓN DE LOS RESULTADOS OBTENIDOS PARA HORNOS CON 13 SONDAS

POR ENCIMA DE LA CARGA 173

5.2 DISCUSIÓN DE LOS RESULTADOS OBTENIDOS PARA HORNOS CON 24 SONDAS

POR ENCIMA DE LA CARGA 177

5.3 PERSPECTIVAS Y TRABAJOS FUTUROS 179

5.3.1 PARTE ALTA DEL HORNO, POR ENCIMA DE LA CARGA 179

5.3.2 MEDICIONES EN LA PARED, CUBA Y ETALAJES 181

5.3.3 ZONA DE TOBERAS Y 'RACEWAY' 182

5.3.4 CRISOL DEL HORNO Y NAVE DE COLADA 183

5.3.5 SELECCIÓN DE MODELOS 184

5.4 CONCLUSIONES 184

6 CONCLUSIONS 187

6.1 DISSCUSION OF THE RESULTS OBTAINED FOR BLAST FURNACES WITH 13 ABOVE BURDEN

PROBES 187

6.2 DISSCUSION OF THE RESULTS OBTAINED FOR BLAST FURNACES WITH 24 ABOVE BURDEN

PROBES 190

6.3 PERSPECTIVES AND FUTURE WORKS 193

6.3.1 UPPER PART OF THE FUR NACE, ABOVE THE BURDEN 193

6.3.2 MEASUREMENTS ON THE WALL, BOSHAND ETALAGES 194

6.3.3 ZONE OF TUYERES AND 'RACEWAY' 195

6.3.4 CRUCIBLE OF THE FURNACE AND CASTING BAY 196

6.3.5 MODELS 197

6.4 CONCLUSIONS 198

Publicaciones 201

XIII

LISTA DE FIGURAS

F IGURA 1.1 LA FORJA DE MIRANDAOLA (FERRERÍA VASCA) 5

F IGURA 1.2 A ANTIGUO HORNO ALTO DE LA CONCEPCIÓN (MARBELLA) 5

F IGURA 1.2 B ALZADO SUR DEL HORNO ALTO DE LA CONCEPCIÓN (MARBELLA) 6

F IGURA 1.3 SEPARADOR MAGNÉTICO 15

F IGURA 1.4 ELIMINACIÓN DE OXIGENO DURANTE LA REDUCCI ÓN DE FE2O3 A 1000 °C 17

F IGURA 1.5 BALANCE DE MATERIALES DE UN HORNO ALTO 23

F IGURA 1.6 PRODUCCIÓN ESPAÑOLA D E ACERO SEGÚN EL PROCESO 26

F IGURA 1.7 ESQUEMA DE UNA PLANTA DE SINTERIZACIÓN 30

F IGURA 1.8 MEJORA EN EL CONTROL DE LAS DIOXINAS EN EL PROCESO DE SINTERIZACIÓN 32

F IGURA 1.9 ESQUEMA DE H.A. MODERNO 38

F IGURA 1.10 PERFIL DE UN HORNO ALTO 41

F IGURA 1.11 DESCENSO DE LOS MATERIALES SÓLIDOS EN EL HORNO ALTO 45

F IGURA 1.12 RELACIONES ENTRE TEMPERATURA, % CO Y PRESIÓN INTERIOR 47

F IGURA 1.13 REACCIONES FUNDAMENTA LES 48

F IGURA 1.14 CURVAS DE EQUILIBRIO 49

F IGURA 1.15 REDUCCIÓN CON MEZCLA DE CO Y H2 50

F IGURA 2.1 ESQUEMA DE PERCEPTRÓN MULTICAPA 68

F IGURA 2.2 RED HAMMING (HAMMING NETWORK) 72

F IGURA 2.3 RED COMPETITIVA (’COMPETITIVE LAYER’) 73

F IGURA 2.4 MAPA AUTOORGANIZADO (FEATURE MAP) 75

F IGURA 2.5 RED L.V.Q 77

F IGURA 2.6 CAPA DE SIMPLE COMPETENCIA 80

F IGURA 2.7 CUANTIFICACIÓN DEL VECTOR DE APRENDIZAJE (LVQ) 82

F IGURA 2.8 EVOLUCIÓN DE UN PATRÓN PARTICULAR DURANTE EL ENTRENAMIENTO 84

F IGURA 2.9 EJEMPLO DE CLASIFICACIÓN DE TEMPERATURA PARA EL PATRÓN 1 85

F IGURA 2.10

EJEMPLO DE CLASIFICACIÓN DE TEMPERATURA EN EL PATRÓN 1 CON UN FALLO EN EL TERMOPAR Nº 5

86

F IGURA 3.1 POSICIÓN DE LAS SONDAS DE TEMPERATURA EN EL HORNO B OBJETO DE

ESTUDIO 93

F IGURA 3.2 POSICIÓN RELATIVA DE TERMOPARES CON RESPECTO AL EJE CENTRAL DEL H. A. 94

F IGURA 3.3 TEMPERATURAS MEDIAS D E LAS SONDAS SOBRE LA CARGA 98

F IGURA 3.4

CORRELACIÓN CRUZADA ENTRE EL VOLUMEN DE GASES Y LAS TEMPERATURAS DE LAS SONDAS SOBRE LA CARGA

99

XIV

F IGURA 3.5

CORRELACIÓN CRUZADA ENTRE EL NIVEL DE LA CARGA Y LA TEMPERATURA POR ENCIMA DE LA CARGA

101

F IGURA 3.6

CORRELACIÓN CRUZADA ENTRE EL CONSUMO DE COQUE Y LA TEMPERATURA POR ENCIMA DE LA CARGA

102

F IGURA 3.7

CORRELACIÓN CRUZADA ENTRE EL PCI Y LA TEMPERATURA POR ENCIMA DE LA CARGA

103

F IGURA 3.8

CORRELACIÓN CRUZADA ENTRE CARGAS/HORA Y LA TEMPERATURA POR ENCIMA DE LA CARGA

104

F IGURA 3.9

CORRELACIÓN CRUZADA ENTRE LA TEMPERATURA DE LOS GASES Y LA DE LAS SONDAS SOBRE LA CARGA

105

F IGURA 3.10 INTERFAZ DEL USUARIO DE LA RED NEURONAL (ENTRENAMIENTO) 108

F IGURA 3.11 PATRONES SOM OBTENIDOS TRAS EL ENTRENAMIENTO 111

F IGURA 3.12 EJEMPLO DE INTERPOLACIÓN SPLINE CUBICA PARA LAS CLASES 1, 5, 3 Y 6 112

F IGURA 3.13 GRAN CLASE 1. AGRUPA LAS CLASES 1, 3, 4, 7 Y 14 113

F IGURA 3.14 GRAN CLASE 2. AGRUPA LAS CLASES 2, 8 Y 10 114

F IGURA 3.15 GRAN CLASE 3. AGRUPA LAS CLASES 6 Y 11 115

F IGURA 3.16 GRAN CLASE 4. AGRUPA LAS CLASES 5, 12, 13 Y 15 116

F IGURA 3.17 GRAN CLASE 5. SOLO INCLUYE A LA CLASE 9 117

F IGURA 3.18

CLASES REORDENADAS POR FORMA SIMILAR, DE ACUERDO A LAS GRANDES

CLASES. (VERDE: GC1, AMARILLO: GC2, AZUL: GC3, ROJO: GC4 Y

MORADO: GC5)

118

F IGURA 3.19

RECONSTRUCCIÓN Y RECLASIFICACIÓN DE UN PERFIL AFECTADO POR EL SISTEMA DE REFRIGERACIÓN

119

F IGURA 3.20

RECONSTRUCCIÓN Y RECLASIFICACIÓN DE PERFI LES AFECTADOS POR EL SISTEMA DE REFRIGERACIÓN

120

F IGURA 3.21

DISTRIBUCIÓN ESTADÍSTICA DE LOS PERFILES DE TEMPERATURA SEGÚN LOS

PERFILES A LOS QUE PERTENECEN. (NEGRO: SEÑALES ORIGINALES; VERDE:

TRAS RECONSTRUIR LAS SEÑALES EN FORMA DE M)

121

F IGURA 3.22 EVOLUCIÓN TEMPORAL DE LOS PERFILES DE TEMPERATURA 122

F IGURA 3.23

CLASIFICACIÓN DE LAS TEMPERATURAS DE LAS SONDAS COLOCADAS SOB RE LA

CARGA DEL HORNO. COMPARACIÓN CON LAS M EDIDAS DE LAS BARRAS DE

CARGA ( INFERIOR)

123

F IGURA 3.24

CLASIFICACIÓN DE LAS TEMPERATURAS DE LAS SONDAS SUPERIORES EN UN

PERIODO DE 20 HORAS DE FUNCIONAMIENTO DEL H.A. COMPARACIÓN CON

LAS SEÑALES DE ALTURA DE LA CARGA Y LA CAÍDA DE PRESIÓN ENTRE

TRAGANTE Y TOBERAS

125

F IGURA 3.25

COMPARACIÓN ENTRE LAS CLASIFICACIONES DESPUÉS DE LA RECONSTRUCCIÓN

DE LOS PERFILES AFECTADOS POR EL SISTEMA DE REFRIGERACIÓN (SUP) Y LOS

PERFILES ORIGINALES (INF)

126

F IGURA 3.26 INTERFAZ DEL USUARIO 128

F IGURA 4.1 COTAS DEL HORNO ALTO Y DETALLE DE LOS TERMOPARES 134

F IGURA 4.2 ESQUEMA DE UN HORNO ALTO 135

XV

F IGURA 4.3 SONDA “ABOVE BURDEN” 136

F IGURA 4.4

PATRÓN DE TEMPERATURA EN FORMA DE M, PRODUCIDO POR LA ACCIÓN DEL SISTEMA DE ENFRIAMIENTO

137

F IGURA 4.5 RELACIONES DE VECINDAD EN UNA SOM DE MALLA RECTANGULAR 140

F IGURA 4.6 RELACIONES DE VECINDAD EN UNA SOM DE MALLA HEXAGONAL 141

F IGURA 4.7 RELACIONES DE VECINDAD EN UNA SOM DE MALLA IRREGULAR 143

F IGURA 4.8 ARQUITECTURA DE LA RED SOM (AUTOORGANIZADA) 144

F IGURA 4.9 REPRESENTACIÓN/RELACIÓN ENTRE ENTRADAS Y SALIDAS EN UNA SOM 145

F IGURA 4.10 ESTADÍSTICAS DE LOS DATOS DE TEMPERATURA 148

F IGURA 4.11 ESTADÍSTICAS DE LA TEMPERATURA DEL ARRABIO 149

F IGURA 4.12 PATRÓN DE TEMPERATURA ÓPTIMO 153

F IGURA 4.13 PATRÓN DE TEMPERATURA SUBÓPTIMO 153

F IGURA 4.14 PATRÓN DE TEMPERATURA REGULAR 154

F IGURA 4.15

HISTOGRAMA DE LOS DATOS CLASIFICADOS SEGÚN LAS 6 CLASES DE LA TABLA 4.1

155

F IGURA 4.16

HISTOGRAMA DE LOS DATOS CLASIFICADOS SEGÚN LAS 6 CLASES DE LA TABLA

4.1, CON LAS CLASES “ÓPTIMO” Y “SUBÓPTIMO” REDUCIDAS DEBIDO A UNA RED SOM AUXILIAR

157

F IGURA 4.17

GRÁFICA DE LA SOM AUXILIAR MOSTRANDO CUÁNTAS VECES HA GANADO CADA NEURONA DURANTE EL APRENDIZAJE

158

F IGURA 4.18

U-MATRIZ DE LA SOM AUXILIAR: LOS COLORES CLAROS I NDICAN QUE LAS

NEURONAS ESTÁN CERCA NAS ENTRE SÍ MIENTRAS QUE LOS COLORES OSCUROS INDICAN UNA DISTANCIA MAYOR

159

F IGURA 4.19

GRÁFICA DE LA SOM MOSTRANDO CUÁNTAS VECES HA GANADO CADA

NEURONA DURANTE EL A PRENDIZAJE

160

F IGURA 4.20

U-MATRIZ DE LA SOM: LOS COLORES CLAROS INDICAN QUE LAS NEURONAS

ESTÁN CERCANAS ENTRE SÍ MIENTRAS QUE LOS COLORES OSCUROS INDICAN UNA DISTANCIA MAYOR

161

F IGURA 4.21

PATRONES DE TEMPERATURA OBTENIDOS AL ENTRENAR LA RED SOM AUXILIAR DE 13 × 13 NEURONAS

162

F IGURA 4.22

PATRONES DE TEMPERATURA OBTENIDOS AL ENTRENAR LA RED SOM DE 10 × 10 NEURONAS

164

F IGURA 4.23

EJEMPLO DE CLASIFICACIÓN AUTOMÁTICA DE UN PATRÓN DE TEMPERATURA “ÓPTIMO”

166

F IGURA 4.24

EJEMPLO DE CLASIFICACIÓN AUTOMÁTICA DE UN PATRÓN DE TEMPERATURA “REGULAR”

167

F IGURA 4.25

EJEMPLO DE CLASIFICACIÓN AUTOMÁTICA DE UN PATRÓN DE TEMPERATURA “MALO”

168

F IGURA 4.26

COEFICIENTES DE CORRELACIÓN Y P-VALORES ASOCIADOS A LA HIPÓTESIS DE

QUE NO HAYA CORRELACIÓN SIGNIFICATIVA EN FUNCIÓN DEL TIEMPO

TRANSCURRIDO DESDE QUE SE INTRODUCE UNA NUEVA CARGA EN EL HORNO

170

XVI

LISTA DE TABLAS

TABLA 1.1. ESTADÍSTICAS PUBLICADAS POR EL IISI (VALOR ACTUALIZADO A 2011) 13

TABLA 1.2 EMISIONES SEGÚN EL TIPO DE COMBUSTIBLE 18

TABLA 1.3 RATIO DE EMISIONES DE CO2 (2010 - WORLDSTEEL) 19

TABLA 1.4 GRANULOMETRÍAS Y PRECIOS 23

TABLA 1.5 CONTROL DE MATERIALES Y FLUIDOS DE ENTRADA Y SALIDA DEL HORNO ALTO 53

TABLA 3.1

RESULTADOS ESTADÍSTICOS DE LAS SONDAS DE TEMPERATURA

POR ENCIMA DE LA CARGA

96

TABLA 4.1 CLASIFICACIÓN MATEMÁTICA DE LOS PATRONES DE TEMPERATURA 151

Capitulo 1 Introducción

1

CAPÍTULO 1

ANTECEDENTES HISTÓRICOS

1. INT ROD UCCIÓ N

La utilización del bronce y el cobre fue anterior a la del hierro. Este retraso

puede explicarse por el elevado punto de fusión del hierro puro, que hacía

prácticamente imposible que una vez tratados sus minerales se pudiese

obtener en forma líquida separado de la escoria [1]. Los hititas fueron el

primer pueblo con conocimientos siderúrgicos, y de que ya desde los años

4000 al 3000 a. C., el hierro se empleaba en el antiguo Egipto, donde se

fabricaron herramientas de hierro para la construcción de las pirámides. Hacia

el año 1000 a. C., en los países que rodean el Mediterráneo, la cultura del

hierro se fue expandiendo. Los fenicios extendieron más tarde su comercio del

hierro y de los metales por todo el mundo conocido.

El otro encuentro del hierro con el hombre sería casual. Seguramente preparó

un hogar con ayuda de piedras de mineral y al cabo del tiempo, en ese hogar

con combustibles carbonosos, se dio cuenta que había aparecido un material

dúctil y maleable. Pero, seguramente también por casualidad, encontró que lo

podía endurecer por la adición de carbono, es decir, por cementación.

Enseguida descubrió que llevándolo a una alta temperatura y enfriándolo en

agua, podría aun mejorar este proceso de endurecimiento: así se descubrió el

temple.

Nuestros antepasados metalúrgicos se las ingeniaron para, reproduciendo

todo lo que la casualidad y, al fin, su experiencia les había mostrado, poner a

punto la reducción directa del mineral.


2

Rodeaban el mineral totalmente de carbón de leña y provocaban de esta

forma el paso del óxido de hierro a hierro. Estos métodos rudimentarios de

que disponía el hombre primitivo para activar la combustión en su pequeño

horno, que construía en el suelo, no permitían lógicamente obtener una

temperatura lo suficientemente elevada para fundir el metal. En su lugar

obtenían una masa esponjosa, pastosa, mezcla de hierro y escoria que había

que martillear repetidamente al rojo vivo, para eliminar la escoria e impurezas.

En todo caso, aunque al principio la obtención accidental del hierro colado o

fundición, pareció una desgracia dada su fragilidad, lentamente se fue

reconociendo su verdadera importancia y seguramente que la palabra afino

que utilizamos hoy en día para la obtención del acero a partir del hierro colado

o arrabio, surgió entonces.

En aquel momento los esfuerzos del hombre siderúrgico tuvieron varias

opciones;

Por una parte se desarrollaron los hornos hasta llegar a los hornos altos

actuales, donde más adelante se sustituyó el carbón de leña por la hulla, y más

concretamente por el coque. Esta sustitución fue una necesidad, porque en las

comarcas donde estaban establecidas las empresas siderúrgicas se estaba

produciendo un continuo agotamiento de sus bosques.

Otro paso, más paulatino, consistió en ir aumentando las alturas de los hornos,

con lo que, y precisamente aprovechando las características resistentes del

coque, se podía aumentar las cargas de los mismos y en consecuencia su

producción. El tercer paso lo constituye el desarrollo para mejorar la marcha

del horno mediante el aumento, primero de la ventilación y más tarde del

calentamiento del aire soplado.


3

El invento trascendental ocurrió en 1855, cuando Sir Henry Bessemer

desarrolló el convertidor con soplado de aire (“oxígeno no puro”) por el fondo,

que marca el paso revolucionario de la obtención del acero a partir del hierro

colado o arrabio producido en el horno alto. Este importante desarrollo lo

completa Thomas en 1873, al conseguir convertir el hierro colado de alto

contenido en fósforo en acero de calidad, utilizando un convertidor similar

pero con revestimiento básico.

El siglo XIX fue igualmente fértil en el desarrollo de tecnologías de

transformación del acero producido, tales como una serie de técnicas de

laminación para obtener productos planos y largos (chapas, vigas, carriles,

tubos, etc.), así como en el desarrollo de máquinas y equipos de amplia

aplicación en la siderurgia. Se obtuvo así el acero con un contenido controlado

de C y una presencia limitada de impurezas.

1.1 H I STO RI A DE L A SI DER U RGIA EN ESPAÑA

En España, los ligures primero y los celtas y romanos después, descubrieron

enseguida nuestras riquezas en mineral de hierro e implantaron sus

rudimentarias industrias siderúrgicas, poco después de que comenzase la gran

difusión del hierro por el Mediterráneo [2].

Se destacan las favorables condiciones que ofrecían las zonas del Moncayo,

Inbilbilis (Calatayud) y Turiason (Tarazona) como región minera en la época

celtibérica [3], la abundancia y dispersión de pequeños y grandes yacimientos

superficiales de goethita y limonita de alta ley, fácilmente explotables por los

antiguos, así como la buena disponibilidad de combustible.


4

Los hornos de aquella época eran de grandes dimensiones, excavados en la

roca y revestidos de material refractario de alta calidad, y siempre situados en

una zona de paso privilegiado de viento

El análisis de las escorias, típicas del mundo celtíbero, indica la fabricación de

hierro dulce o acero de bajo contenido en carbono mediante un proceso de

reducción de la goethita sin uso de fundentes, y la posterior eliminación en

caliente de los residuos escoriáceos de las masas semifundidas a temperaturas

de 1100 a 1150 °C. Se estima que en alguno de aquellos hornos se obtuvieron

unas 100 Tm de metal, lo que se considera una cantidad importante para las

exiguas necesidades de la época.

Los métodos de forja y temple de los celtíberos, que no son conocidos con

precisión, sin duda constituyeron una técnica muy elaborada en la fabricación

de armas, la industria más afamada que la Celtiberia aportó al mundo romano,

adquiriendo justa fama entre estos por la alta calidad y temple de las espadas

allí fabricadas.

También hay que destacar el desarrollo de la producción de acero que

lograron los árabes que habían invadido la Península Ibérica. En Toledo

conocieron las técnicas de producción que llegaron a dar gran prestigio a las

espadas de Damasco. El proceso de Damasco, como se sabe, estaba basado en

la producción de acero líquido de alto contenido en carbono, tal como se llegó

a hacer en algunos lugares de la India, y en la forja perfecta del acero.

Después de las “ferrerías de monte” (haizeloa u horno de viento) que

funcionaron hasta mediados del siglo XIV, se produce otro despegue

espectacular de la siderurgia española sobre todo en dos regiones, Cataluña y

el País Vasco, allí donde se encuentra el agua motriz, el mineral y el

combustible, lo que hace posible la instalación de las “fargas” catalanas y las

ferrerías vascas (Figura 1.1).


5

Figura 1.1.- La forja de Mirandaola (ferrería vasca).

No podemos olvidar otra región de gran tradición metalúrgica, Asturias, donde

existían asimismo numerosas ferrerías ya en los comienzos del siglo XVIII.

Algunos consideran como primer horno alto el que establecería el Marqués de

Sargadelos en esa localidad gallega en 1797, mientras que otros consideran

que fue en Andalucía donde estuvo el origen.

Figura 1.2 a.- Antiguo horno alto de La Concepción (Marbella)

http://iluana.com/resize.asp?img=fotos/000072/marbella_ferreria_concepcion_IMG_3715_3682.jpg&width=800&height=533


6

En el año 1832 se construye en Marbella (Málaga) el primero de un conjunto

de seis hornos altos, la Sociedad Anónima de la Ferrería de Nuestra Señora de

la Concepción (figuras 1.2 a y b), llego a disponer de tres hornos [4], y más

tarde, Joan Giró construyó otros tres hornos altos en El Ángel. Aquí se llegó a

fabricar el 72% del hierro que se obtenía en España, utilizando mineral

procedente en su mayoría de la finca de El Peñoncillo (Ojén), mina que se

explotó hasta 1931. Estos hornos podían tener 8 metros de diámetro y unos

10 ó 12 metros de altura [5].

Figura 1.2 b.- Alzado sur del horno alto de La Concepción (Marbella)

Pero la producción en hornos de carbón vegetal resultaba mucho más cara que

la obtenida por medio de carbón de coque: en el año 1855 la tonelada de

hierro colado tenía un precio de coste de 632 reales en Málaga y 348 reales en

Asturias.

En Andalucía se montaron también algunos hornos altos en Huelva y Sevilla,

que fracasaron. En 1857, se fundó la factoría sevillana Portillo Hermanos &


7

White dedicada a fabricar máquinas de vapor, sin excesivo éxito, pues sólo

entregó 47 máquinas entre 1860 y 1867.

En Cataluña se desarrolló El Vapor de los hermanos Bonaplata (1832-35) y la

Maquinista Terrestre y Marítima.

Se sabe que en 1844 funcionaban los hornos altos Daoiz y Velarde de la Fábrica

de Cañones de Trubia, dirigida por el general Elorza. En Mieres, donde se había

fundado un horno alto en 1848, se creó la Sociedad Duro y Cía. La Felguera en

1857. Estas siderurgias utilizaban coque y es la razón por la que la industria

asturiana (que contaba con el carbón a pie de fábrica) tomó la delantera en los

años sesenta del siglo XIX, desplazando a Andalucía y Cataluña.

En Vizcaya el 14 de junio de 1848 arrancó el horno alto de carbón vegetal de la

sociedad “Santa Ana”, situado en Bolueta. A partir de 1860, la compañía

Ybarra impulsó la instalación de Altos Hornos en Baracaldo que, desde 1865,

introdujeron el uso de coque.

En 1858 el horno alto de la Fábrica de la Vega, en Langreo, que disponía ya de

baterías de coque. La minería del carbón y del hierro favorecería la captación

del capital extranjero y la generación de capitales propios para la creación de

la siderurgia asturiana y vizcaína. Las limonitas y los hematites bajos en fósforo

existentes en el anticlinal de Bilbao constituían las mejores minas europeas, y

eran especialmente adecuados para el empleo del convertidor Bessemer,

recién inventado en 1855, estando además excelentemente comunicados por

ferrocarril y cable aéreo con los cargaderos de la ría y puerto de Bilbao. En el

quinquenio 1866/70 se produjeron un promedio de 159.000 t de mineral/año,

producción que llegó a la cifra, muy elevada para la época, de 5.487.000 t

mineral/año de promedio en el quinquenio 1896/1900.

En 1866, según los datos de la encuesta gubernativa, había 27 hornos altos de

carbón vegetal y ocho de coque. Pero la demanda de hierro crecía mucho más


8

rápido que la producción nacional, por lo que se importaba parte de las

necesidades.

En buena parte el problema de la siderurgia española en este periodo estuvo

en la mala localización inicial y en la carencia de inversiones [6], lo que produjo

escasos beneficios o pérdidas acumuladas. El resultado fue un retraso evidente

de nuestra siderurgia con respecto a la de los países europeos más

desarrollados.

En 1875 existían tres importantes empresas asturianas. En ese año el francés

Numa Guilhou funda la sociedad Fábrica de Mieres, contando con dos hornos

altos y baterías de coque. También en 1875 la empresa Duro y Compañía, cuyo

principal promotor fue el logroñés Pedro Duro (arrancó su primer horno el 5

de enero de 1860), producía ya un tercio del hierro español y pasaría a ser

Duro Felguera a partir de 1904. La tercera gran empresa asturiana fue la

Fábrica de Moreda y Gijón, constituida con capital francés y dirigida por los

ingenieros franceses hermanos Claudel.

En 1880 arrancan en Sestao los dos hornos altos de la nueva compañía San

Francisco de la Mudela, creada por el Marqués de la Mudela y su sobrino

Martínez de las Rivas, importantes productores de mineral, fabricando en 1881

un tercio del hierro español y siendo hasta 1885 la mayor siderúrgica española.

En 1882 se constituye la empresa Sociedad Anónima de Metalurgia y

Construcciones “Vizcaya” (La Vizcaya), con el 100% de capital bilbaíno y con

tecnología belga, impulsada por tres ingenieros: los hermanos Chávarri y J. A.

de Olano. Víctor Chávarri sería un personaje decisivo, que logró el arranque de

los hornos altos de Sestao el 17 de junio y el 8 de diciembre de 1885. Puso en

marcha la batería de coque en 1889, trabajando hasta entonces con coque

inglés y llegando a ser la segunda empresa siderúrgica española, tras Altos

Hornos de Bilbao (AHB).


9

En 1882 se constituye Altos Hornos de Bilbao, en Sestao, sobre los terrenos de

la fábrica de El Carmen. El capital procedía de Madrid (Urquijo, etc.), Cataluña

(Girona, etc.), Francia (Angoloti, etc.) y del grupo vasco, principalmente Ybarra,

Zubiría y Vilallonga. El ingeniero catalán Vilallonga, de familia siderúrgica y

yerno de Ybarra, fue su primer presidente. La tecnología fue inglesa y los

nuevos hornos entraron en servicio en 1887 y 1888, arrancando los

convertidores Bessemer el 4 de febrero de 1886. En 1885 AHB era la segunda

compañía en España, entre todas las existentes dedicadas a cualquier actividad

tras la empresa de capital inglés Compañía Río Tinto. El desarrollo tecnológico

de las tres empresas vizcaínas fue espectacular, con aumentos paulatinos e

importantes de la productividad, de tal forma que en 1890 producían ya el

67% del lingote de hierro español, la práctica totalidad del acero Bessemer, el

64% del acero Martin-Siemens y el 67% de los productos laminados y

martillados.

Tras un breve antecedente de una planta en Ronda (Málaga), la hojalata

empezó a producirse por inmersión en baños de Sn fundido en la fábrica de La

Iberia (1887) y en La Basconia (1894), ambas cerca de Bilbao, compañías estas

que se integraron luego en AHV. El 26 de junio de 1901 las sociedades La

Vizcaya, AHB y la dedicada a la producción de hojalata La Iberia, acuerdan

integrarse en una nueva compañía denominada Altos Hornos de Vizcaya

(AHV). En 1919, absorbió a la siderurgia integral de San Francisco de Sestao y

en 1940 a la Compañía Siderúrgica del Mediterráneo de Sagunto (fundada en

1914). AHV lideró el sector siderúrgico español hasta bien entrada la segunda

mitad del siglo XX.

El 15 de junio de 1950 el Gobierno dictó un decreto encargando al INI la

construcción de ENSIDESA, en Avilés, que arrancó sus hornos altos en 1957,

1958, 1966 y 1969, pasando a ser la primera siderurgia del país. Las tres

primeras siderurgias asturianas antes aludidas arrancaron nuevos hornos altos


10

entre 1955 y 1959, para fusionarse al comienzo de los años 60.

Posteriormente, y acogiéndose a la acción concertada del Gobierno, crearon la

nueva siderurgia integral UNINSA en 1966, que reforzaría la posición de

ENSIDESA al ser absorbida por ésta a finales de 1973. Por otra parte en 1904 se

instaló en España el primer horno eléctrico para producción de acero en Araya

(Álava). Y en 1960 arrancó la primera instalación española de colada continua

en San Adrián de Besos (Barcelona). Con el horno eléctrico y la colada continua

se originó el concepto de miniplanta, principalmente para la producción de

redondos para hormigón. La presencia de las miniplantas en España ha

significado una importante contribución a la producción global de la siderurgia

española.

1.2 LA SI DER U RGI A ESPAÑOL A . S I TUACIÓ N ACTUAL

La producción europea fue seriamente afectada por la crisis económica en los

sectores consumidores, reduciéndose la producción de acero bruto en el año

2008 en un 5,7%, con una producción total de 198 millones de toneladas.

La siderurgia española no ha sido inmune a los problemas de la economía

mundial, agudizados en el caso de la economía española: a la disminución de la

demanda en el sector de la construcción, que ya había comenzado en 2007, se

unió, la crisis de confianza que siguió al colapso de la banca norteamericana de

inversión, que se extendió desde el mundo financiero a la economía real [7].

En 2008, el negocio siderúrgico estuvo marcado por los dos extremos del ciclo:

en el primer semestre se vivió la mayor escalada de demanda y precios en los

últimos cincuenta años, la demanda de materias primas (agrícolas, mineras y

energéticas) llevó a la inflación a máximos en la década. Sin embargo, la brusca

desaceleración del último cuatrimestre supuso la evaporación de la burbuja de


11

las materias primas, en particular de las energéticas, y en el ámbito siderúrgico

la reducción, por primera vez en diez años, de la producción mundial de acero.

En ese contexto, agravado en España por la crisis del sector de la construcción,

las empresas españolas redoblaron el esfuerzo exportador para compensar la

caída de la demanda interna, con una clara orientación hacia los terceros

países.

La producción total de acero bruto disminuyó ligeramente en el conjunto del

año, aunque con un descenso más acusado en la parte final del mismo.

Las importaciones, y en particular las procedentes de terceros países,

disminuyeron, en total, el 22% en el conjunto del año, lo que unido a un

importante aumento de las exportaciones (19%), dio como resultado que la

balanza comercial siderúrgica haya sido positiva en valor y con una mejora del

70% en volumen, aunque España siga siendo un importador neto de productos

siderúrgicos.

El consumo aparente de productos siderúrgicos descendió el 23%, siendo

mucho más acusado el descenso en productos largos (- 27%), que en

productos planos (- 16%).

La producción total de acero bruto en el año 2008 disminuyó ligeramente

respecto del año 2007 (- 1,9%) hasta situarse en 18,6 millones de toneladas

[8], aunque con un comportamiento dispar a lo largo del año, en consonancia

con el patrón de la siderurgia europea: mientras que hasta el verano la

producción creció a un ritmo de máximos históricos, desde el mes de

septiembre se produjo un parón en el mercado que no pudo ser absorbido por

la actividad exportadora de las empresas: en el mes de diciembre la

producción fue de 0,727 Mt, lo que representa un descenso del 48% respecto

de diciembre de 2007 y una cifra en valor absoluto similar a la del año 1996,


12

mucho antes de que entrasen en producción las nuevas capacidades instaladas

en la siderurgia española.

La producción anual de aceros aleados, tanto inoxidables como del resto de los

aceros aleados, disminuyó en conjunto el 10% y el 9% respectivamente,

mientras que la de acero común, tanto planos como largos, mantuvo un mejor

comportamiento, sobre todo merced a los productos largos, con una

disminución anual del 1% en el conjunto de esa calidad.

La siderurgia española sigue manteniendo el perfil de “horno eléctrico” en

contraposición con la siderurgia mundial, basada en la producción vía horno

alto. En el año 2008 la cuota de producción de horno eléctrico alcanzó el 78%

del total de la producción de acero bruto.

La producción de laminados en caliente descendió el 3,3% respecto del año

2007, hasta situarse en 18,1 millones de toneladas. La reducción fue más

acusada en productos planos (- 7,2%) que en productos largos (- 1,3%).

Como consecuencia de la bajada de la demanda de acero, la mayoría de los

hornos altos europeos, incluidos los dos españoles, no han estado empleando

la inyección de carbón pulverizado (PCI) hasta el segundo semestre de 2009.

1.3 EL ACE RO COMO MATER IA L EST RUC TU RAL . REL ACIÓN CO N OTRO S

MATE RI ALES .

El acero es uno de los materiales estructurales de mayor impacto económico.

En la tabla 1.1 se observa la importancia del mercado de diversos materiales

estructurales capaces de competir con él en diversas aplicaciones [9]. El acero

es el material con mayor mercado en la actualidad, 550 mil millones de €, que


13

para una producción de 1130 millones de toneladas anuales supone un precio

especifico de 490 € la tonelada, o aproximadamente de 0,50 euros el kg.

Producción anual (millones de toneladas)

Acero Aluminio Magnesio Plástico

1975 595 13 0.24 27

2005 1130 39,5 0,61 224

∆ + 90% + 204% + 154% +730%

Valor (mil millones de € anuales)

553 70 15 255

Tabla 1.1. Estadísticas publicadas por el IISI (valor actualizado a 2011)

El aluminio, otro material metálico que compite con el acero, destaca en que la

cantidad producida en peso es 25 veces inferior, sin embargo la producción de

aluminio se ha multiplicado por tres en el periodo analizado, mientras que la

producción de acero no ha llegado a duplicarse. El precio del aluminio es muy

superior, 1.770 € / t, es decir más de 3 veces el del acero.

El caso del magnesio corresponde al de un material costoso, 24,6 €/ kg, lo que

limita su utilización como mineral estructural de bajo precio, quedando solo

para aplicaciones muy especiales que justifiquen su uso en forma de

aleaciones. El volumen de producción es muy pequeño y difícilmente afectará

al mercado del acero a medio plazo.

En el caso de los materiales plásticos, el volumen de producción y el

incremento del mercado indican unas posibilidades de desarrollo capaces de

inquietar al mercado del acero a medio plazo. La producción de plásticos se ha

multiplicado por ocho en el periodo 1970-2005. La potencialidad de este

material como material estructural es muy importante considerando sus

densidades, 1 g/cm3, el plástico y siete el acero. El precio por unidad de peso


14

es más elevado que el del acero, alrededor de 1 €/kg, con la posibilidad de

fabricar paneles de revestimiento lo que lo convierte en un material barato si

lo referimos a m2 de panel. Las diferentes propiedades estructurales de los

aceros hacen difícil la concurrencia competitiva de ambos productos para usos

concretos.

La siderurgia actualmente está en un proceso de renovación por las demandas

del mercado, construcción de barcos, vehículos de transporte y edificaciones

de gran altura, por lo que es posible que se haga necesaria una reingeniería de

los procesos siderúrgicos haciéndoles más eficientes y disminuyendo los costes

de fabricación. Es especialmente interesante la posibilidad de reciclar los

productos siderúrgicos al final del ciclo de vida mediante técnicas magnéticas

de recogida.

El efecto de emisión de CO2 puede quedar muy disminuido si el porcentaje de

acero procedente de la chatarra aumenta al 70%. El coste de fabricación del

acero en los hornos eléctricos también quedaría muy ajustado si la energía

eléctrica utilizada fuera exclusivamente de origen nuclear, cuyo precio es del

orden de la mitad del kWh de origen térmico.

1.4 PROCESO S MI NE RALÚ RGI C OS BÁSICO S .

Los minerales antes de ser poder ser utilizados son normalmente procesados

[10] siguiendo las etapas:

1. Arranque

2. Trituración y Molienda,

3. Cribado,


15

4. Concentración (Magnética, Medios Densos, Flotación, Tostación

magnetizante...)

5. Lavado

6. Secado

7. Mezclado

8. Aglomeración (Sinterización - Peletización)

En la figura 1.3 se observa un dispositivo para separar con imanes naturales y

una virola giratoria para la separación de magnetita de otros minerales que no

contienen hierro y carecen de carácter magnético. Así es posible obtener

concentrados de magnetita del 95% de pureza. La magnetita puede ser natural

o sintética, esta última puede ser obtenida a partir de la hematites Fe2O3 o de

la goethita por tratamientos térmicos en atmósferas reductoras de CO o de H2.

Figura 1.3 Separador magnético

Es posible obtener con técnicas mineralúrgicas, como la separación magnética

de alta intensidad por vía húmeda o la flotación, superconcentrados de

hematites, goethita y magnetita de granulometrías inferiores a 8 mm,

características del sinter feed o concentrados de granulometría fina para

fabricar sínter.

También se pueden obtener por técnicas de separación concentrados de


16

granulometría más fina, pellet-feed, que se utilizan para producir pelets

cocidos de naturaleza hematítica 11.

Una vez obtenidos los concentrados con alto contenido en mineral de hierro se

realizan las etapas finales de:

9. Reducción,

10. Fusión con separación de escorias y

11. Conformación

La reducción de los óxidos de hierro se realiza en etapas (figura 1.4), pasando

del Fe(III) a Fe(0). Los gases usados en la reducción son monóxido de carbono

(CO) e/o hidrogeno diatómico (H2).

La reducción de la hematites y la goethita, sustancias que contiene Fe(III),

produce un compuesto que contiene el hierro en los estados Fe(III) y Fe(II), la

magnetita Fe2O3 · FeO. La reducción de la magnetita conduce a la wustita, FeO,

sustancia de Fe(II). Finalmente una última reducción de la wustita nos lleva al

hierro metálico Fe(0)

1.4.1 REDUCCIÓN DE LOS MINERALES DE HIERRO

Si se utiliza H2 ó CO, la reducción se rige por la cinética y las condiciones de

equilibrio.

A continuación se muestran las ecuaciones de reducción por etapas de los

óxidos de hierro, empleando el hidrógeno como agente reductor

3 Fe2O3 + H2 → 2 Fe3O4 + H2O

Fe3O4 + H2 → 3 FeO + H2O

FeO + H2 → Fe + H2O


17

La reducción de oxido de hierro mediante carbón sólido a alta temperatura

(1100 °C) es una reacción indirecta que se produce después de una formación

inicial de monóxido de carbono:

2C + O2 → 2CO

CO2 + C → 2CO

3 Fe2O3 + CO → 2Fe3O4 + CO2

Fe3O4 + CO → 3FeO + CO2

FeO + CO → Fe + CO2

El CO (gas) es un reductor químicamente muy activo. La reducción directa

carbón sólido-mineral sólido, por consideraciones cinéticas es poco

significativa.

∆ H (M J / kg mol)

Fe2O3 + 3 H2 → 2 Fe + 3 H2O 98,5

Fe2O3 + 1.5 C → 2 Fe + 1.5 CO2 233

Fe2O3 + 3 C → 2 Fe + 3 CO 492

Figura 1.4. Eliminación de oxigeno durante la reducción de Fe2O3 a 1000 °C


18

1.4.2 EMISIONES DE CO2. ENERGÍA UTILIZADA PARA DIVERSOS COMBUSTIBLES

Algunas ecuaciones características de la combustión son las siguientes

a) con Carbono

C + O2 → CO2 94 kcal/mol de C = 393 kJ/mol CO2 < > 7,8 kcal/g de C

CO + ½ O2 → CO2 68 kcal/mol de CO2 = 284 kJ/mol CO2 < > 1,8 kcal/g de CO

C + ½ O2 → CO 26 kcal/mol de C = 109 kJ/mol C < > 2,2 kcal/g de C

b) con Hidrógeno

H2 + ½ O2 → H2O 68,3 kcal/mol de H2O < > 34,1 kcal/mol de H2

c) Gas Natural

CH4 + 2 O2 → CO2 + 2 H2O 213 kcal/mol de CH4 = 890 kJ/mol CH4 < > 13,3

kcal/g de CH4

Combustible (1 gramo) kcal g de CO2 g CO2 / kcal

C 7,8 3,7 0,47

CO 1,8 1,2 0,66

CH4 13,3 2,75 0,21

H2 34,1 0 0

Tabla 1.2. Emisiones según el tipo de combustible

Los combustibles hidrogenados producen unas significativas reducciones en

cuanto a las emisiones de CO2. El hidrógeno aun siendo muy exotérmico, no

produce ninguna emisión de CO2


19

Según los datos de UNESID (tabla 1.3), la producción de acero en España ha

aumentado, en el periodo 1990 – 2006 en un 73%, fabricando productos más

elaborados, mientras que las emisiones de gases de efecto invernadero, entre

los que se encuentra el CO2, han disminuido un 13% en ese mismo periodo.

1990 2000 2002 2006 2010

Mt % Mt % Mt % Mt % Mt %

Producción de acero

acabado 10,8 100 14,5 134.3 15.9 147,2 18,4 173,1 16,3 150,9

Emisiones de CO2 14,0 100 10,4 74,2 10.7 76,4 12,1 86,5 10,7 76,5

Emisiones específicas

t de CO2/ t de acero 1,30 100 0,72 55,3 0,67 51,9 0,66 51,1 0,57 43,8

Tabla 1.3. Ratio de emisiones de CO2 (2010 - Worldsteel)

La gran disminución de las emisiones de CO2 en el periodo 1990-2000 está

relacionada con la modernización de las instalaciones siderúrgicas, con dos

hornos capaces de producir entre ambos 5,5 millones de toneladas anuales de

acero, y un consumo de coque más carbón de 450 kg por tonelada de arrabio.

Una tonelada de arrabio equivale, aproximadamente, a 1 tonelada de acero ya

que las pérdidas por formación de CO2 y el Fe oxidado que pasa a la escoria

son inferiores a los 100 kg/ton de arrabio. En la conversión se puede utilizar

chatarra externa a la fábrica, aprovechando el calor generado por la oxidación

del carbono cementítico y del hierro metálico, en este caso se pueden obtener

más de una tonelada de acero por tonelada de arrabio cargado en los

convertidores.

Desde el punto de vista medioambiental, el reciclaje de acero tiene un

enorme impacto en cuanto a la reducción de las emisiones de CO2. Si 450

millones de toneladas de acero laminado en caliente se pudieran producir

totalmente a partir de chatarra, las emisiones de CO2 disminuirían en 634

millones de toneladas. Si la producción de esa energía eléctrica, para la


20

obtención de acero “eléctrico”, se realiza en centrales térmicas, se producirá la

emisión de cantidades importantes de CO2, aunque inferiores.

1.4.3 VÍAS DE OBTENCIÓN DE ACERO A PARTIR DE MINERAL

El hierro se encuentra en la naturaleza, en la corteza terrestre,

predominantemente en forma de rocas que tienen un alto contenido de

minerales oxidados de hierro (III y II) junto a otros minerales que no contienen

hierro. Los procesos de obtención de acero se realizan separando los minerales

de hierro de los otros minerales presentes en la roca. Para efectuar la

separación es necesario utilizar técnicas de fragmentación y molienda que

liberen el mineral de hierro, dando lugar a fragmentos constituidos por

especies portadoras de hierro. Los más importantes minerales que contienen

hierro son: hematites (Fe2O3), magnetita (Fe3O4), limonita (Fe2O3.nH2O),

goethita e hidrogoethita (Fe2O3.H2O), siderita (FeCO3) y chamosita (3 FeO ·

Al2O3 · 2SiO2 · 3H2O)

Además, el hierro se recupera de un gran número de minerales extraídos para

la obtención de otros productos, el azufre de la pirita (FeS2) y pirrotita (FeS)3,

de la ilmenita (FeTiO3) el titanio y de menas complejas donde el hierro

acompaña a metales como el Ni, Cu, Co y V.

Hay rocas que contienen mineral de hierro con una ley en hierro que es

suficiente para utilizarlas directamente en los hornos siderúrgicos de

reducción. Estas rocas, con alto contenido en hierro, se trituran a una

granulometría de 40 mm, cribándose los finos inferiores a 5 mm. El producto

obtenido se denomina lump ore o mineral en trozos. La roca de los

yacimientos en explotación exige procesos de separación, entre los minerales

portadores de hierro y los compuestos minerales sin hierro, más complejos


21

que un simple cribado. Para liberar el mineral de hierro se necesita triturar la

roca a una granulometría más fina que los granos de los minerales portadores

de Fe y después aplicar procesos de concentración, obteniendo así productos

finos, de granulometría inferior a 6 mm, con un alto contenido en hierro (65%),

sinter feed, pero que deben ser aglomerados a tamaños de 40 mm, sinter útil,

para permitir el flujo de gases en los hornos de reducción denominados hornos

altos, donde se efectúa la separación del hierro y el oxígeno, gasificado en

forma de CO y CO2. El sinter feed alimentará a unas máquinas de

aglomeración, denominadas bandas de sinterización.

Previamente a la carga en las bandas de sinterización, se mezcla el sínter feed

con finos de coque y finos de sínter reciclado, nodulizando la mezcla con agua.

Esta mezcla húmeda se deposita en la banda de sinterización formando un

lecho permeable de unos 50 cm donde se somete a un proceso térmico,

quemando el carbón de la mezcla sin alcanzar el punto de fusión con aire que

se aspira a través del lecho. Se obtiene un aglomerado de granulometría

adecuada, entre 10 y 60 mm, llamado sínter útil adecuado para ser cargado al

horno alto, por su reactividad y por su resistencia. El Fe se encuentra en el

sinter útil, predominantemente, en forma de hematites.

Frecuentemente la roca del yacimiento exige, para separarla de sus impurezas,

molerla a granulometrías inferiores a las 500 μm (1μm = 10-6 m).

Como resultado de los procesos de separación aplicados se obtiene una

fracción más fina denominada pelet feed, que son los concentrados de oxidos

que alimentan las plantas de aglomeración por peletización donde se

obtienen, en unos discos o tambores granuladores, las bolas verdes o green

pelets. Estas bolas verdes se someten a un tratamiento térmico en atmósfera

oxidante, haciendo pasar gases calientes a 1350 °C, obteniendo unos nódulos

hematíticos altamente consolidados llamados bolas cocidas o pélets cocidos.

Estos concentrados tienen leyes en hierro del 65% e incluso superiores, lo que


22

corresponde a purezas de la hematita o goetita mineral del 95%. La

consolidación alcanzada en los pelets cocidos es suficiente para permitir el

transporte transoceánico de estos productos desde los yacimientos de

América del Sur, Australia y África hasta países europeos.

Estos aglomerados, el sínter útil y el pélet cocido son adecuados para ser

cargados en los hornos altos (figura 1.5).

El otro material que se carga en el horno alto es el coque o cok, que se obtiene

a partir de un carbón fósil coquizable en unos hornos donde se separan por

gasificación algunas impurezas volátiles. El material obtenido es carbonoso,

consolidado y reactivo, apto para soportar la carga en el horno alto. En el

horno alto se cargan aproximadamente 500 kg de carbón por cada tonelada de

arrabio producida.

En la figura 1.5 se muestra el balance de carga por cada tonelada de arrabio

(pig iron) producida en el horno alto, 278 kg de coque, y se inyectan por

toberas 160 kg de carbón equivalentes en los gases de coquería a los 500 kg

indicados. El carbono del coque se combina con el oxígeno del mineral

formando CO y CO2, y dejando tras la reducción, hierro metálico que después

funde y se deposita en el crisol.

El proceso de fusión en el horno alto permite una separación de los minerales

que no son portadores de hierro, en forma de escorias fundidas, que al no ser

miscibles con el hierro metálico, se pueden separar por vertido o colada. En

este proceso es posible inyectar por la parte inferior, en las toberas, aire

caliente y combustibles carbonosos adicionales.

El uso de estos combustibles carbonosos (PCI) permite un menor consumo de

coque


23

Figura 1.5. Balance de materiales de un horno alto

En la tabla 1.4 se indican los precios históricos de los minerales en trozos de

dos granulometrías distintas, para finos, para sínter o sínter feed y para pélets

cocidos.

Trozos de mineral 6 – 100 mm. 6.050 € FOB/ ton

Trozos de mineral 6 – 31 mm. 6.200 "

Finos < 6 mm. 4.800 "

Pelets 6 – 19 mm. 7.250 "

Tabla 1.4. Granulometrías y precios

El precio más alto corresponde a los pélets cocidos a 1350 °C. Para asegurar

precios bajos, las plantas de peletización son de gran tamaño; actualmente se

diseñan instalaciones capaces de producir hasta 10 millones de toneladas al

año de pélets cocidos a partir de concentrados de minerales de hiero.


24

1.4.4 VÍAS DE OBTENCIÓN DE ACERO A PARTIR DE PRERREDUCIDOS MINERALES

Otra vía de obtención de acero es a partir de prerreducidos. Se basa en la

obtención de hierro metálico sin llegar necesariamente a la fusión y sin separar

en forma de escorias algunos minerales que no son portadores de hierro. La

materia prima portadora de hierro se obtiene a partir de los concentrados

mencionados anteriormente. Estos concentrados minerales, de alta ley en

hierro, se transforman en pélets oxidados cocidos que después se cargan

directamente, en algunos casos en forma de pellet feed de granulometría fina,

en los hornos de reducción (horno alto y hornos de prerreducción). En estos

hornos de prerreducción se reduce el mineral utilizando gases reductores

calientes con CO e hidrógeno.

El producto obtenido son pélets de hierro metálico con las impurezas que no

se pudieron separar al no producirse la formación de escorias. En caso de

utilizar directamente finos, como materia prima de la carga, los finos de hierro

metálico obtenidos después de la reducción se suelen aglomerar en forma de

briquetas para facilitar su manejo y transporte a las acerías. Venezuela es un

país que produce solamente prerreducidos, dedicando una pequeña parte de

los mismos a su producción de acero y el resto a la exportación, donde se

suelen utilizar como complemento de la chatarra en el EAF (horno eléctrico de

arco).

Por disolución del pellet feed de alta pureza, en medio ácido o básico, seguida

de una etapa de deposición electroquímica, es posible obtener hierro

metálico. Estos nuevos métodos de obtención de hierro metálico son similares

al electrobeneficio del cobre, donde se obtienen cátodos de cobre de alta

pureza, depositados sobre placas de acero inoxidable, a partir de soluciones de

cobre en ácido sulfúrico. Análogamente, en la metalurgia extractiva del cinc se

obtiene cinc metálico de elevada pureza sobre placas catódicas de aluminio de


25

soluciones iónicas de sulfato de cinc en ácido sulfúrico preparadas a partir de

concentrados de minerales de cinc. Las placas de hierro metálico así obtenidas

no tienen carbono, sin embargo el arrabio producido en el horno alto tiene un

4% de C, y estas placas de hierro para convertirse en acero deben carburarse,

contrariamente al arrabio que para convertirse en acero hay que someterlo a

procesos de conversión que eliminan el exceso de C que contiene.

También pueden utilizarse los concentrados de alta pureza directamente en

forma de partículas finas para reducirlos con hidrógeno, CO u otros reductores,

obteniendo polvos de hierro casi puros, que posteriormente pueden utilizarse

para obtener piezas por pulvimetalurgia con procesos térmicos y mecánicos,

obteniendo productos metálicos consolidados y conformados, siguiendo

metodologías que recuerdan la obtención de materiales cerámicos. Estos

procesos permiten el control morfológico de los productos finales,

minimizando los costosos procesos de conformación. Las piezas de fundición

obtenidas por vertido del material fundido en moldes permiten obtener las

morfologías deseadas directamente.

1.4.5 VÍAS DE OBTENCIÓN DE ACERO A PARTIR DE CHATARRA

Otra materia prima portadora de hierro tan importante como el mineral es la

chatarra, obtenida al fin del ciclo de vida de las estructuras siderúrgicas. En

una situación donde la producción de acero esté equilibrada durante un largo

periodo de tiempo con el consumo, la cantidad de chatarra recogida debería

ser próxima a la cantidad necesaria para producir nuevo acero. La eficiencia de

la recogida está limitada, ya que hay parte del acero que resulta irrecuperable.

Esta eficiencia puede ser del orden del 75% en países industriales

consolidados.


26

España es uno de los países del mundo que produce más acero en horno

eléctrico a partir de la chatarra, un 76% en el año 2005 según datos de Eurofer

(figura 1.6), siendo el resto producido en el horno alto a partir de mineral. La

media europea se sitúa en torno al 39%, casi la mitad de la española.

Figura 1.6. Producción española de acero según el proceso

Países emergentes como China, el mayor productor actual de acero, tienen las

posibilidades de recogida de chatarra limitadas, porque su consumo de acero

ha sido bajo en tiempos recientes, por lo que la disponibilidad de chatarra

actualmente es escasa. Una ventaja inherente a las chatarras es que no es

necesario reducir el hierro, con ello nos ahorramos la energía de reducción,

3500 termias por tonelada de arrabio en el horno alto (1 termia = 106 cal =

4,18·106 J). Para reciclar la chatarra solamente se necesita fundirla, lo que

Producción de acero en 2005

17 826 000 Mt

Producción de acero por proceso Horno alto: 24%

Eléctrico: 76%


27

supone una energía de 500 a 600 kWh por tonelada de acero en forma de

energía eléctrica. Este ahorro energético, al obtener acero por fusión de la

chatarra, da un mayor valor a la chatarra, intensificando el interés de su

recogida, además el acero así obtenido no da lugar a emisiones de CO2

masivas. La fusión de la chatarra se realiza en hornos eléctricos utilizando

como fuente energética la energía eléctrica.

Esta energía eléctrica se obtiene a partir de fuentes térmicas por combustión

de carbón o de otros combustibles fósiles con rendimientos del 38,5%, o

centrales nucleares, con rendimientos del 33% lo que supone consumos

energéticos prácticos de 1600 termias térmicas por tonelada de acero, más

próximos a los del horno alto, y emisiones de CO2 próximas a la mitad de las

generadas en él. (1 kWh = 3,6 · 106 julios = 0,85 termias).

El reciclado de una tonelada de acero significa el ahorro de, aproximadamente,

1400 kg de mineral de hierro, 450 kg de carbón y 60 kg de caliza.

La chatarra se obtiene también mediante técnicas de fragmentación y

separación de las fracciones no reciclables de estructuras al final de su ciclo de

vida

1.5 MATER IAS PR IMAS

Las materias primas requeridas en los procesos de producción de arrabio y

acero, son fundamentalmente [12]:

Las materias primas férricas (minerales de hierro y aglomerados como

el sinter y el pelet).

Las materias primas combustibles y agentes reductores (carbón, coque

siderúrgico, gases y otros combustibles).


28

Las materias primas fundentes (caliza, dolomía, cal, etc.).

Elementos aleantes (manganeso, níquel, cromo, molibdeno, etc.)

según la calidad de acero que se desee obtener

1.5.1 LOS MINERALES DE HIERRO

El hierro, elemento básico constitutivo del acero, se encuentra en abundancia

en la naturaleza bajo la forma de minerales de hierro, que son compuestos de

hierro y oxígeno (óxidos diversos o carbonatos de hierro) junto con otros

elementos o compuestos que se consideran impurezas (la ganga). El mineral

de hierro es una materia prima fundamental para la siderurgia integral, basada

en el proceso del horno alto. Será preciso proceder a una eliminación del

oxígeno o reducción de los minerales, con descenso de las impurezas hasta los

niveles requeridos.

Existen diversos tipos de minerales de hierro, según varíen fundamentalmente

los compuestos de hierro y oxígeno: magnetita, basada en el compuesto óxido

ferroso-férrico Fe3O4; hematites, basada en el compuesto Fe2O3; limonita,

basada en un óxido ferroso-férrico hidratado Fe2O3-H2O; siderita, constituida

por carbonato de hierro (II). Las riquezas en hierro (ley de hierro) de estos

minerales varían según su composición, así como su aspecto físico,

características, impurezas más habituales, etc. La extracción, enriquecimiento

y preparación de los minerales son actividades propias de la minería. Se

enriquece el mineral reduciendo su contenido en ganga (lavado, separación

por flotación, magnética, etc.) y se prepara mediante operaciones de

trituración y cribado, obteniéndose:


29

Minerales gruesos, que podrían ser usados, en las proporciones y calidades

precisas, como materia prima del horno alto. Se exigiría, además de una

granulometría y una composición química determinadas.

Minerales finos y concentrados (ultrafinos) destinados a los procesos de

aglomeración que a continuación figuran (no pueden usarse directamente

en el horno alto).

Habitualmente se utilizan minerales diversos, y se procede a su mezcla u

homogeneización en grandes pilas o parvas de homogeneización, que además

cumplen misiones de parques de almacenamiento controlado.

Dentro de los procedimientos de aglomeración, distinguimos la sinterización y

la peletización.

1.5.2 SINTERIZACION

Es el proceso de aglomeración de los minerales finos para la obtención del

sinterizado (o sinter), cuyo empleo en el horno alto favorece su marcha

correcta (calidad, productividad y consumos específicos optimizados). A la

mezcla de minerales finos, procedente de la parva de finos homogeneizada, se

le adiciona agua y se noduliza en el tambor mezclador con vistas a optimizar su

permeabilidad.

Tras aportar la cantidad de combustible y de aditivos preestablecida, es

cargada con un tambor alimentador cuidadosamente controlado, sobre la

cinta o banda de la máquina de sinterizar, constituida por una serie de carros o

“pailas” dotados de parrillas protegidas por una capa de sobreparrilla de

sinterizado de granulometría precisa (Figura 1.7).


30

Figura 1.7.- Esquema de una planta de sinterización.

La sinterización es una tecnología de aglomeración muy difundida. Es una

tecnología asociada a los hornos altos ya que la acería eléctrica no la necesita.

Las bandas de sinterización, capaces de producir 4 millones de toneladas de

sínter útil al año, se sitúan al pie de horno alto, ya que este sínter útil está poco

consolidado y da lugar a gran cantidad de finos en su manipulación y

transporte. El transporte a grandes distancias es excepcional y solamente se ha

llevado a cabo aprovechando circunstancias coyunturales.

Es frecuente que las grandes instalaciones siderúrgicas europeas reciban de

ultramar finos para sínter, de granulometrías inferiores a los 10 mm de

distintas procedencias, que deben ser mezclados. La mezcla se realiza

formando grandes pilas de 100.000 toneladas, en capas o tongadas,

depositadas por las máquinas apiladoras, a fin de asegurar una composición

homogénea mientras se consume la pila. El mineral de la pila se humedece con


31

agua y se carga en unos tambores nodulizadores donde se añade el

combustible (aproximadamente 70 kg de finos de coque por tonelada de

sínter), los finos de retorno (hasta el 30% de la carga) y los aditivos,

normalmente caliza preparada, garantizan que el contenido en escorificable y

la basicidad del sinter son los previstos para el proceso del horno alto.

El núcleo de la banda de sinterización consiste en una parrilla móvil de gran

superficie (300 m2) que puede producir anualmente de 3 a 4 millones de

toneladas de sínter útil. Debajo de la banda se coloca un potente aspirador

capaz de asegurar un flujo de aire a través del lecho que se deposita en la

banda, asegurando depresiones en la parte inferior de la banda de 1500 a

2000 mm de columna de agua. (1 atm ≈ 10 m de columna de agua).

La aglomeración se produce por efectos de recristalización a altas

temperaturas del frente de llama (hasta 1300 °C) y por la formación de

silicatos de hierro de menor punto de fusión como la fayalita (SiO2·FeO),

formándose uniones entre las partículas de mineral que forman el mismo

nódulo, después del secado en la banda, y entre partículas de mineral

pertenecientes a diferentes nódulos contiguos.

Al cabo de unos 30 minutos, el frente de llama llega al fondo del lecho,

protegido con una capa de sínter útil. La velocidad de la banda se controla para

que este momento coincida con la descarga sobre una máquina

fragmentadora que reduce el tamaño de los grandes trozos de más de 50 cm,

descargados al voltear la banda de sinterización, a fragmentos de menos de 4

cm. Estos fragmentos se enfrían por aire soplado con otros ventiladores a una

banda anular móvil denominada refrigerador o cooler. Se realiza una

separación de los finos por cribado entre 6 y 9 mm, obteniendo finos de

retorno que se reciclan y se reincorporan a la mezcla nodulizada. Todo este

proceso trata de obtener un sinter de la mejor calidad: composición química


32

(ley en hierro, escorificabilidad, basicidad, contenido en álcalis, fósforo, etc.),

características físico-químicas (dureza, reductibilidad, degradación en caliente,

contenido en ferroso, etc.) y granulometría adecuadas, para optimizar el

proceso de fabricación del arrabio en el horno alto.

Las condiciones asociadas a los distintos frentes que recorren en sentido

vertical el lecho de la banda de sinterización, las temperaturas y las atmósferas

parcialmente reductoras con CO, favorecen la formación y emisión de dioxinas

y furanos. Actualmente se han desarrollado métodos capaces de reducir estas

emisiones altamente tóxicas, utilizando partículas sólidas de carbón activo que

se inyectan en los humos. Estas partículas se separan, ya cargadas de dioxinas

y furanos, de la corriente principal de humos, emitiéndose gases limpios con

un contenido de dioxinas y furanos inferior a 0,1 parte en 1012 partes en peso

de humos, como puede verse en la figura 1.8. Es decir los contenidos de

dioxinas y furanos son del orden de 0,1 nanogramos/m3 en los humos limpios.

Figura 1.8. Mejora en el control de las Dioxinas en el proceso de sinterización


33

Los humos deben ser desempolvados para evitar problemas en el ventilador

de aspiración. Los polvos se producen en el dispositivo rompedor o

fragmentador y en el propio proceso de aglomeración por rotura de nódulos o

arranque de sus capas superficiales en las etapas de secado y de

calentamiento previas a la consolidación por recristalización. La separación de

polvos se consigue normalmente con electrofiltros. Estos polvos pueden ser

reciclados al tambor nodulizador.

Se han desarrollando alternativas a los electrofiltros, que pueden operar en

caliente, consistentes en utilizar mallas de acero inoxidable sobre las que las

propias partículas presentes en los humos se depositan formando una capa

filtrante. Estos filtros también pueden utilizarse conjuntamente con los

electrofiltros.

1.5.3 PELETIZACION

La peletización (o pelletización) es el procedimiento de aglomeración de los

minerales ultrafinos y concentrados para la obtención de pequeños nódulos o

pelets, de dimensiones del orden de 10 mm a 15 mm, y con un elevado grado

de oxidación. El proceso consiste en la obtención previa de los pelets verdes,

formados en el peletizador con mineral fino de humedad controlada, al que se

ha añadido un elemento o agente aglomerante.

Posteriormente los pelets son secados y cocidos a alta temperatura para

obtener el pelet piroconsolidado de la calidad requerida: composición química

(ley de hierro, cantidad, tipo y basicidad del escorificable, elementos residuales

como álcalis, fósforo, etc.) y características físico-químicas.

La peletización se realiza cuando los concentrados de mineral tienen

granulometrías menores de 0,5 mm, al haber sido necesario alcanzar esos

tamaños de partícula para liberar los minerales de hierro y obtener


34

concentrados de alto contenido en hierro, en forma de hematites.

La peletización se basa en unir las partículas del concentrado utilizando fuerzas

de tensión superficial desarrolladas en un sistema que contiene fase sólida

(mineral), fase liquida (normalmente agua) y una fase gaseosa (aire

habitualmente). Entre las partículas de mineral se forma una red de conductos,

con agua en su interior que coexisten con aire, ya que la cantidad de agua

utilizada está limitada para asegurar la presencia simultánea de fase gaseosa y

fase líquida. En la superficie entre la fase gaseosa y fase líquida se desarrollan

fuerzas de tensión superficial que tratan de hacer que esta superficie sea

mínima, acercando las partículas de mineral unas a otras, hasta que entran en

contacto, así se consigue que la superficie de la fase líquida en contacto con el

aire sea más pequeña, al reducirse el tamaño de los huecos capilares entre

partículas. Los agregados de partículas van creciendo de forma análoga a como

la hacen las bolas de nieve. Los dispositivos utilizados se denominan discos

nodulizadores o tambores granuladores, donde se producen aglomerados de

12 a 20 mm, denominados bolas verdes o green pelets con una consolidación

suficiente para ser cargadas en unas bandas, que recuerdan a las bandas de

sinterización, donde los pelets se sinterizan con gases a 1350 °C, obteniéndose

pelets piroconsolidados o cocidos con alta porosidad y resistencia a la

compresión.

La consolidación es suficiente para asegurar el transporte, normalmente

transoceánico, desde los yacimientos, donde suelen estar situadas las plantas

peletizadoras, hasta las plantas siderúrgicas de horno alto o de prerreducción.

Existen bandas de peletización que pueden producir hasta 10 millones de

toneladas anuales de pelets cocidos con contenidos de hierro superiores al

65%


35

Los factores determinantes del coste variable de los pelets están en línea con

los apuntados para el caso del coste del sinterizado, teniendo en cuenta su

proceso de fabricación específico. Los pelets son fácilmente transportables,

por lo que (al contrario que en el caso del sinterizado) las plantas de

peletización se encuentran normalmente en las proximidades de las minas.

1.5.4 CARBÓN

El carbón es una roca sedimentaria de estructura heterogénea de origen fósil.

Desde el punto de vista de combustible sólido, el carbón se caracteriza por su

potencia calorífica, cuyo contenido es el siguiente: elementos propiamente

combustibles (carbono, hidrógeno, etc.), no combustibles (agua, nitrógeno,

oxígeno), impurezas (S, Cl, etc.…), y un resto de materias denominadas

cenizas. La aplicación actual del carbón en la siderurgia se basa en su empleo

como materia prima para la producción del coque siderúrgico y en la inyección

de éste por las toberas del horno alto.

La industria del acero es la mayor consumidora de carbón después de la de

generación de energía, del orden del 20% del total, teniendo en cuenta que

alrededor del 70% del acero que se produce en el mundo lo es mediante el

uso de procesos que necesitan del empleo del carbón.

En el año 2009, en el que se produjeron 1200 M de toneladas de acero, se

emplearon 761 M toneladas de carbón.

1.5.4.1 COQUE SIDERÚRGICO

El coque se obtiene de la destilación del carbón en ausencia de oxigeno y a alta

temperatura. El coque siderúrgico especialmente producido para su empleo en

el horno alto presenta las siguientes características:


36

Agente reductor, sobre la base de su alto contenido en carbono.

Agente térmico, sobre la base de su alto poder calorífico.

Agente mecánico, sobre la base de su resistencia para soportar la

carga del horno alto dotándole de la permeabilidad necesaria.

Agente carburizante formador de cementita

Se precisan unas determinadas características de los carbones para producir

un buen coque, para lo que se emplean mezclas de hullas coquizables.

Es importante la composición de los carbones, en especial la humedad,

contenido en azufre y cantidad y tipo de cenizas, además de las impurezas

(fósforo, álcalis, etc.) y el contenido en materias volátiles. Las baterías de

coque están constituidas por una serie de cámaras u hornos de coquizar de

dimensiones variables, por ejemplo, de siete metros de altura, 450 mm de

anchura media y 16 m de longitud (volúmenes útiles de hasta 50 m3 y más).

Los hornos están construidos en refractario de sílice y entre cada dos hornos

existe una cámara de combustión donde se sitúan quemadores a lo largo de

toda su longitud y a diferentes alturas, que mediante la combustión de gas

aseguran el calentamiento de las paredes de sílice adyacentes y la obtención

de las temperaturas adecuadas para la correcta coquización del carbón.

1.5.4.2 INYECCIÓN DE CARBÓN PULVERIZADO (PCI)

El empleo de la inyección de carbón pulverizado (PCI) en los hornos altos ha

reducido el consumo de carbón en un 30%. El consumo de este tipo de carbón

se ha incrementado desde los 17 M toneladas utilizadas en el año 1995 hasta

los 24 M toneladas del año 2004.


37

El uso de este tipo de carbón tiene unas limitaciones operativas que hacen que

su consumo no pueda ser mucho mayor que los 200 kg por tonelada de arrabio

obtenida.

Una de las ventajas del uso de la inyección de carbón es el aprovechamiento

de carbones con menor contenido en carbono. Además de las ventajas directas

de tipo económico se prolonga la vida de las actuales baterías de coque.

Otro de los caminos por lo que se está desarrollando el empleo de coque es en

la utilización de los tamaños menores (18 – 38 mm) añadiéndolos en pequeñas

cantidades a la banda de carga del horno alto mezclado con el mineral.

1.6 EL HO RNO ALTO

La siderurgia integral utiliza la ruta del horno alto para la reducción de los

minerales de hierro, eliminando el oxígeno y alcanzando un enriquecimiento

en hierro metálico que se traduce en un alto grado de metalización, es decir,

contenidos totales de hierro superiores al 95-96%, con lo que se obtiene el

arrabio [13].

El horno alto es un reactor vertical, de cuba, en el que se efectúa el proceso

de reducción en contracorriente entre una carga descendente de sólidos y una

ascendente de gas reductor, obteniéndose un producto intermedio: el arrabio.

Este arrabio, que contiene carbono, será tratado fuera del horno,

normalmente en una planta de desulfuración y será posteriormente afinado en

la acería LD para obtener el acero [14] con un contenido controlado de

carbono.


38

Figura 1.9.- Esquema de H.A. moderno

El horno alto ha demostrado alta eficiencia, adaptabilidad y capacidad

productiva, a la vez que efectúa un cierto pretratamiento del producto

obtenido, reduciendo los niveles de elementos no deseables en el arrabio

producido (azufre, silicio, sodio, potasio, etc.) previo a su afino en la acería LD.

Aunque el horno alto constituye probablemente el proceso siderúrgico más

completo, se ha llegado a un elevado nivel tecnológico en su diseño y control,

lo que junto con el proceso de acería LD, convierte a estas tecnologías en las

más adecuadas para la obtención de elevadas cantidades de aceros de alta

pureza y calidad, no alcanzables normalmente por otros métodos productivos.


39

1.6.1 INSTALACIONES PRINCIPALES DEL HORNO ALTO

Un horno alto [11] es un reactor vertical formado por una coraza construida en

acero soldado y revestida interiormente, en cada una de las zonas, de

refractario de diferentes calidades de acuerdo a las solicitaciones requeridas,

haciendo que su volumen interno está constituido por diferentes zonas

cilíndricas y troncocónicas, en función de los materiales que en cada zona

coexistan y de su estado (estado físico de los materiales y gases, así como

volúmenes que ocupan en cada zona).

En el horno alto se distinguen los siguientes sistemas principales:

1.6.1.1 SISTEMA DE EVACUACIÓN DEL GAS

Está constituido por las tuberías de evacuación del gas bruto pobre producido,

denominadas pantalones. También está dotado de válvulas de descarga

denominadas cascabeles o chapines, y controles de presión, temperatura,

composición del gas, etc.

1.6.1.2 CUERPO DEL HORNO

El horno propiamente dicho, está construido a partir de una coraza de acero

revestida de material refractario de diferentes características 15, en función

de las solicitaciones requeridas en cada zona y del diseño del horno,

refrigerado por el agua que circula por un sistema de chapas y cajas de cobre

denominadas staves, constituyendo una coraza más o menos continua. Tiene

un perfil que favorece su funcionamiento y el intercambio entre sólidos y

gases, que en diferente estado coexisten en cada zona. El perfil del horno es

variable a lo largo de su altura, distinguiéndose varias zonas.


40

En la figura 1.10, se representa esquemáticamente el perfil de un horno alto

moderno. Como se aprecia, las partes más importantes del horno son:

Tragante. Es la parte superior del horno por donde se cargan las materias

primas constituidas por mineral de hierro, coque y fundentes. Formado de

paredes verticales, la carga debe garantizar una distribución controlada de

cada material en el interior del horno. Actualmente el sistema más extendido

para controlar la distribución de carga es el diseñado por Paul Wurth frente al

sistema de campanas. El tragante PW consiste en unas tolvas provistas de

válvulas que alimentan una canaleta rotatoria cuyo ángulo de inclinación

respecto a la vertical es posible regular mientras se realiza la carga de material

al horno. De esta forma se puede distribuir la carga en una zona bastante

amplia del tragante. Este sistema, además mejora la estanqueidad y evita la

emisión de gases y polvo, haciendo posible trabajar a mayor presión en el

horno. Así pues, el sistema PW es más económico, más fácil de instalar y

mejora el funcionamiento respecto al sistema basado en campanas. [13].

Cuba. Situada entre el final del tragante y el vientre del horno. Contiene la

mayor parte de la carga y tiene forma troncocónica variando su diámetro

desde el menor coincidente con el del tragante hasta el mayor igual al del

vientre. El perfil de la cuba ha de favorecer el intercambio de calor entre

sólidos y gases que coexisten en diferentes estados.

Vientre: De paredes verticales con lo que el horno vuelve a tomar una forma

cilíndrica. Es la zona de mayor sección del horno, y lo es debido a que al

descender la carga y aumentar la temperatura, el aumento de volumen exige

que la cuba se ensanche, Esta zona es el enlace entre la cuba y la zona de

etalajes.


41

Figura 1.10.- Perfil de un horno alto.


42

Etalajes. Es la zona del horno donde se inyecta el aire o viento caliente

procedente de las estufas. El viento llega a una tubería circular o morcilla de la

cual, a través de las tuberías de bajada, es introducido en el horno por los

orificios de toberas. Su misión es hacer posible la combustión del carbón. El

número de toberas varía de un horno a otro y es función del tamaño del

mismo, pero siempre están equidistantes alrededor del horno. También en las

toberas, se realiza la inyección de combustibles auxiliares.

Crisol. De forma cilíndrica, es la parte inferior del horno donde se recogen el

arrabio y la escoria que serán periódicamente colados del horno a través de las

piqueras o agujeros de colada.

1.6.1.3 SISTEMA DE REFRIGERACIÓN DEL HORNO

Es variable en función de cada zona del mismo, pero en cualquier caso es el

más eficiente e intenso posible para mejorar la fiabilidad de marcha, la

duración del revestimiento refractario y en última instancia optimizar la

duración de la campaña del horno.

En el horno coexisten varias tecnologías de refrigeración: la refrigeración por

agua a alta presión de las toberas de doble cámara, la refrigeración por haces

tubulares del subcrisol o la refrigeración intensa por cajas de cobre de doble

cámara o por cajas verticales especiales o ‘staves’ de los etalajes y la cuba. Se

precisan, normalmente, varios circuitos cerrados de refrigeración, empleando

agua de calidad, con sus sistemas de bombas, torres de refrigeración,

tratamiento del agua, etc., además de sistemas de control de temperaturas,


43

presiones, caudales, cálculos de pérdidas térmicas, detección de fugas o fallos

de elementos refrigerados, etc.

1.6.1.4 SISTEMA DE CONTROL

Tiene por objeto gestionar el funcionamiento de los equipos del horno y de su

proceso. Multitud de sensores, tales como controles de temperatura, presión,

sondas de nivel, sondas de análisis de gas, etc., están instalados en el propio

horno junto con otros múltiples sensores de sus instalaciones auxiliares

constituyendo un sistema global de control.

El diseño del horno define su perfil, y existen varios parámetros característicos

de la capacidad productiva: el diámetro interno del crisol (o bien su superficie),

el volumen total del horno o capacidad interior entre las cotas de piquera y del

nivel teórico de llenado, el volumen útil o capacidad interior entre la cota de

toberas y la del nivel teórico de llenado. Esos parámetros definen la dimensión

del horno y ha podido constatarse una tendencia a un aumento de sus

dimensiones, siendo habituales hornos altos con diámetros de crisol entre 10

m y 15 m con producciones diarias que pueden superar ampliamente las

10.000 t. de arrabio.

El coque actúa como combustible, agente reductor y aportador de carbono,

además de como soporte de la carga. Por las toberas se inyecta el aire o viento

caliente (controlando la humedad del viento y su inyección de oxígeno

adicional), además de combustibles auxiliares como el carbón pulverizado y en

algunos hornos carbón granular.

Por el tragante se cargan materiales como los minerales, sinterizado, pelets y

coque, fundamentalmente. Como salidas del horno, por las piqueras del crisol

se cuela periódicamente el arrabio producido, que se separa de la escoria por


44

densidad en las regueras de la planchada de colada. Las características

térmicas del arrabio y de la escoria están determinadas por el proceso, además

de por otros factores de menor incidencia (incluso por el tamaño del horno), y

deben controlarse. Por el tragante se extrae también el gas pobre bruto (con

cantidades altas de polvo que tras su depuración será utilizado como

combustible).

El horno alto es un eficiente reactor que funciona a contracorriente: los

materiales sólidos cargados por el tragante descienden (con las

transformaciones que el proceso conlleva) hasta el crisol, mientras que los

materiales introducidos por toberas ascienden como gases hasta el tragante

sufriendo también diversas transformaciones. Los gases del tragante

mantienen un contenido significativo de CO en su composición.

El conjunto de reacciones a contracorriente que ocurren pueden analizarse

desde el punto de vista de cada elemento químico (por ejemplo: reacciones de

desulfuración o balance del azufre, etc.) o bien considerando aquí únicamente

de forma simplificada las que más afectan al primordial objetivo del proceso: la

reducción de los minerales de hierro. Las reacciones se favorecen con una

adecuada permeabilidad en el horno y trabajando con alta presión en el

tragante (trabajo a contrapresión)

Una alteración del proceso del horno puede derivar en un enfriamiento o

“emborricamiento”, con muy graves repercusiones sobre la marcha, que

puede tardar en normalizarse incluso varios días, exigiendo de los operadores

de planta una pericia y esfuerzo adicionales.

En la figura 1.11 se muestra el balance de materiales de un horno alto de hace

más de 40 años. Actualmente se usa la mitad de coque y se obtiene menos de

la mitad de escoria.


45

Figura 1.11.- Descenso de los materiales sólidos en el horno alto


46

1.6.2 PROCESO GENERAL DEL HORNO ALTO

Aunque la permanencia de la carga sólida en el horno alto es de bastantes

horas (de 12 a 18 horas), la permanencia de los gases es de muy pocos

segundos (de tres a cuatro), y en este escaso plazo de tiempo los gases pasan

de 1500 °C ó 1600 °C hasta alrededor de 200 °C, que es la temperatura de los

gases al salir por el tragante. Debido al contacto íntimo de los gases con los

materiales sólidos, el horno alto es un intercambiador de calor de un gran

rendimiento, que pasa, en general, del 85%.

La carga sólida que entra húmeda y a la temperatura ambiente, va sufriendo

una serie de transformaciones físicas y químicas como consecuencia de ir

progresivamente alcanzando zonas de mayor temperatura y de mayor

proporción de óxido de carbono en su composición, es decir, el horno alto es

un reactor en el que se realizan las reacciones físico-químicas del proceso de

reducción. Esta reducción se realiza no solamente sobre los óxidos de hierro,

cuya reducción puede realizarse a temperaturas relativamente bajas, entre

600 °C y 700 °C, sino que se extiende a la reducción de otros óxidos que

acompañan al mineral o al combustible que se carga en el horno alto y cuya

reducción se realiza, en general, a temperaturas más altas y con mayor

proporción de CO, por tanto, en zonas del horno más bajas y próximas a los

etalajes y al crisol del horno alto, siendo reacciones fuertemente endotérmicas

que absorben elevadas cantidades de calorías.

En este descenso de los materiales sólidos en el horno alto se producen,

además, otras reacciones, como son: la descomposición de los carbonatos que

se introducen en la carga, la formación de escoria y la eliminación parcial del

azufre de la carga con la escoria.


47

Para comprender bien la función del horno alto como reactor en el que se van

produciendo las reacciones químicas del proceso, se analiza a continuación lo

que va ocurriendo en cada zona del horno alto a medida que descienden los

materiales sólidos cargados en la zona alta (5).

Figura 1.12.- Relaciones entre temperatura, % CO y presión interior.

De ellas se deduce, por ejemplo, que a 1 atmósfera de presión y 1000 °C, el

98% del gas es CO, pero si la presión sube a 19 atmósferas, manteniendo la

misma temperatura, el gas que se encuentra está compuesto por un 76% de

CO y el 24% restante de CO2. El horno alto trabaja a sobrepresiones inferiores

a las 5 atmósferas.

1.6.2.1 REACCIONES DE LOS GASES CON LOS SÓLIDOS QUE DESCIENDEN AL

CRISOL

Las reacciones fundamentales de este proceso de reducción se muestran en la

figura 1.13, considerando el CO como agente reductor:

CO2

CO

> 1 atm

< 1 atm

0

20

40

60

80

100 0

20

40

60

80

100

300 400 500 600 700 800 900 1000 1100 1200

% C

O2

% C

O

Temperatura (°C)

0,10 atm

0,25 atm

1 atm

4 atm

19 atm

64 atm


48

Figura 1.13.- Reacciones fundamentales.

El óxido férrico se transforma en óxido ferroso-férrico según:

3 Fe2O3 + CO 2 Fe3O4 + CO2; (1.2)

a su vez el Fe3O4 se transforma en FeO según:

Fe3O4 + CO 3 FeO + CO2; (1.3)

el FeO, a su vez, en presencia de CO da:

FeO + CO Fe + CO2; (1.4)

también puede producirse:

Fe3O4 + 4 CO 3 Fe + 4 CO2; (1.5)

Estas reacciones son reversibles y según la temperatura a la que se produzcan

pueden quedar limitadas o desarrollarse de derecha a izquierda.

es decir, que se produzca una oxidación por acción del CO2 hacia óxidos

superiores.

La reducción con hidrógeno es también posible según las reacciones:

Fe3O4

FeO

Fe

0

10

20

30

40

50

60

70

80

90

100

0

5

10

15

20

25

30

35

300 400 500 600 700 800 900 1000 1100 1200 1300

CO

/(C

O+

CO

2)

% C

O

Temperatura (°C)


49

3 Fe2O3 + H2 2 Fe3O4 + H2O; (1.6)

Fe3O4 + H2 3 FeO + H2O; (1.7)

FeO + H2 Fe + H2O; (1.8)

Las curvas de equilibrio se representan en la figura 1.14 y de ellas se deduce

que para concentraciones altas en H2, las reacciones se producen en el sentido

de izquierda a derecha a temperaturas relativamente bajas, del orden de 600

°C ó 700 °C

Figura 1.14.- Curvas de equilibrio.

Aparte de otras consideraciones de tipo técnico, la reducción con hidrógeno

no se lleva a cabo en la práctica por ser el CO un reductor más económico que

el H2. También es posible la reducción con mezcla de CO y H2. La curva

representativa se reproduce en la Figura 1.15.

De ella se deduce que existe un gran intervalo de temperaturas, dentro de las

cuales el poder reductor de la mezcla se mantiene prácticamente constante a

partir de los 600 °C. La mezcla de H2 y CO es más favorable que la reducción

FeO

Fe

Fe3O4

0

10

20

30

40

50

60

70

80

90

300 500 700 900 1100 1300

[H2/

(H2+H

2O)]

*10

0

Temperatura (°C)

Fe3O4+4H2 3Fe+4H2O


50

sólo con H2, pues provoca un descenso de la temperatura y una paralización

más o menos acentuada de la reacción, lo que corrige la reducción con CO.

En la práctica, los óxidos de hierro presentes en los minerales están

combinados con otros óxidos o mezclados con determinadas impurezas. El

reductor, no está sólo formado por óxido de carbono, sino que también

contiene alguna proporción, aunque pequeña, de H2 como consecuencia de la

descomposición de la humedad del viento y tiene siempre un fuerte contenido

en N2 y varía de composición y de temperatura en el proceso. Por otra parte, el

coque tiene un contenido en cenizas que también aportan elementos que

entran en el proceso incorporándose a la escoria que sale del horno alto.

Figura 1.15.- Reducción con mezcla de CO y H2.

En zonas relativamente bajas del horno alto, hay reacciones importantes entre

el FeO, reducido de los óxidos superiores y la sílice y alúmina que como ganga

0

10

20

30

40

50

60

300 500 700 900 1100 1300

% C

O

H2 d

e la

me

zcla

Temperatura (°C)

CO+H2 H2O+C

2FeO+CO+H2 2Fe+CO2+H2O


51

acompañan a los minerales o contenidas en las cenizas del coque, formándose

silicatos de hierro, como se ha dicho anteriormente, más difíciles de reducir. Lo

mismo ocurre cuando en el horno alto se cargan minerales muy altos en sílice

y, sobre todo, silicatos de hierro. El proceso de reducción de los silicatos no

puede realizarse más que en zonas bajas del horno alto y, por tanto, de forma

poco económica, pues es necesario que previamente sean descompuestos los

silicatos por la acción de la cal, procedente de la descomposición de la caliza

según las reacciones:

Fe2SiO4 + 2 CaO Ca2SiO4 + 2 FeO; (1.9)

Fe2SiO4 + CaO CaSiO3 + 2 FeO; (1.10)

FeSiO3 + 2 CaO Ca2SiO4 + FeO; (1.11)

FeSiO3 + CaO CaSiO3 + FeO; (1.12)

El FeO es reducido a su vez por el gran contenido de CO, existente en zonas

bajas del horno según:

FeO + CO CO2 + Fe; (1.13)

y a su vez por la inestabilidad del CO2 a estas temperaturas y profundidades se

produce:

CO2 + C 2 CO; (1.14)

Realizándose en definitiva la reducción de los silicatos, como si hubiesen sido

reducidos directamente por el C, o sea con gran consumo de combustible.


52

1.6.3 CONTROL DEL PROCESO DEL HORNO ALTO

Se requieren importantes medidas de control del proceso para garantizar la

marcha adecuada del horno alto y de las instalaciones de fabricación de coque

y sinterizado con él relacionadas. Se trata de mantener una operación estable

del horno y de controlar y proteger el funcionamiento de los equipos

instalados. Se utilizan múltiples sensores y equipos de medición y control de

los materiales y fluidos de entrada y salida del horno. Concretamente se

controla:

En las entradas del horno: materias primas, combustibles principales y

auxiliares, viento caliente, oxígeno inyectado al viento, inyección del vapor

al viento (control de su humedad), inyección de carbón pulverizado, etc.

En los equipos del propio horno: instalación de cribado y carga de materias

primas, tragante y sistema de distribución de la carga, presiones y

temperaturas en diferentes zonas del horno, niveles de carga, muestras de

carga en diferentes áreas, etc.

En las salidas del horno: arrabio y escoria producidos, gas bruto, polvo y

lodos recuperados, gas del tragante, etc.

Tienen especial importancia los controles de la distribución de la carga en el

tragante y de las variables metalúrgicas que determinan el proceso,

apoyándose en modelos metalúrgicos, balances térmicos y de materia, además

de controles estadísticos de calidad, inteligencia artificial, etc. Con todo ello se

trata de lograr una operación estable del horno alto que redundará en un

incremento de la productividad, mejora de la calidad de los productos (arrabio,

escoria), aumento de la duración de la campaña del horno alto y reducción de

costes (mínimo consumo de coque y de combustibles auxiliares, etc.


53

Tabla 1.5- Control de materiales y fluidos de entrada y salida del horno alto.

1.6.4 PRODUCCIÓN, PRODUCTIVIDAD Y CAMPAÑA DEL HORNO ALTO

El control óptimo del proceso con el logro de una marcha estable del horno es

uno de los aspectos claves influyentes en la productividad (t/m3 volumen útil y

día), producción (t/año) y duración de la campaña del horno medida en

producción total en relación con la dimensión del horno y donde suelen

considerarse, por ejemplo, producciones totales por campaña anual de más de

Control de materiales y fluidos de entrada y salida del horno alto

Material/Fluido Principales variables controladas

Entr

adas

Q Carga (coque, sinterizado,

mineral, etc.)

Pesos, composiciones químicas, granulometrías, características

físico-químicas, comportamiento en frío y caliente, ensayos

específicos, etc.

V Viento caliente Volumen, presión, temperatura, humedad, inyección de

oxígeno, etc.

C Carbón de inyección Cantidad y distribución, granulometría, composición,

propiedades, etc.

Salid

as

A Arrabio Composición, temperatura, cantidad, frecuencia y desarrollo de

la colada, etc.

E Escoria Composición, cantidad calculada, evolución y desarrollo de

colada, etc.

G Gas de tragante Composición, temperatura, potencia calorífica, caudal calculado

y medido, presión, etc.

Varios (polvo, lodos) Composición, cantidad, humedad, evolución, etc.


54

6 000 t/m3 de volumen útil. Otros aspectos influyentes en la producción,

productividad y duración de campaña son:

El diseño del horno alto propiamente dicho (perfil, diámetro de crisol y/o

volumen útil, etc.).

La estrategia elegida de obtención de un producto determinado (calidad

del arrabio, producción de lingotillo, etc.).

La calidad y tipo de materias primas empleadas (porcentajes y tipos de

sinterizado, de pelets, etc.).

La calidad del coque y el empleo de combustibles auxiliares como el

carbón.

Las instalaciones auxiliares que permitan una óptima distribución de la

carga (tragante), altas temperaturas de soplado (estufas), inyecciones de

oxígeno óptimas, trabajo a contrapresión, nivel y regularidad de la marcha.

La calidad del diseño original de los equipos, el binomio

refractario/refrigeración, así como la fiabilidad de equipos, las tecnologías

aplicadas.

La operación y el mantenimiento adecuados.

Se han desarrollado técnicas especiales para prolongar la duración de la

campaña, tales como prácticas de proceso específicas, marchas de cargas

centrales y no periféricas, sistemas de refrigeración adicionales, inyecciones

externas de masas refractarias, mantenimiento específico, etc. La más utilizada

de estas técnicas consiste en la parada del horno con descenso de carga hasta

toberas, para su gunitado o reparación del refractario y de otros elementos

deteriorados, entrando en el horno y/o utilizando robots especialmente

diseñados.


55

1.7 FUNC IO NES DEL HO R NO A LTO

Las funciones que debe realizar el horno alto son muy complejas si ha de

llevarse a cabo el proceso de un modo económico y con el volumen de

producción necesario [16]. Una de estas funciones es de tipo mecánico, ya que

el horno alto debe permitir, de la manera más regular posible, que la carga de

materiales sólidos, compuesta por coque, mineral y fundentes, entre por la

parte superior del horno y se encuentre con la corriente de gases ascendente

bien distribuida y produciendo un contacto íntimo, aunque rápido, con los

materiales cargados. Para que esto se produzca de una manera regular,

conviene que la carga tenga una gran porosidad y esté muy bien repartida. La

mayor o menor porosidad de la carga depende de la forma y dimensiones de

los trozos de la carga. La mayor porosidad se obtendría con esferas del mismo

tamaño, tangentes y con centros en los vértices de un cubo. En este caso los

espacios vacíos dejados entre las esferas representarán el 52,3% del volumen

de éstas. Si las esferas fuesen tangentes, pero con centros en los vértices de un

romboedro, los espacios vacíos no serían más que de un 47,7%.

En la práctica, los trozos de mineral no son esféricos, y lo que es peor, no son

iguales, por lo que los tamaños finos colocados entre los huecos dejados por

los trozos gruesos pueden bajar fuertemente la porosidad de la carga, de

donde se deduce la conveniencia de preparar la carga y clasificarla, dejando los

tamaños homogéneos relativamente gruesos y sinterizando los finos, lo que ha

sido comprobado en la práctica, por lo que constituye una tendencia general

en la marcha de los hornos altos la preparación previa de la carga. El equipo de

carga influye también de una manera importante en la buena distribución de

la misma.


56

La inclinación de la campana de cierre, el diámetro relativo entre la campana y

el tragante y el recorrido vertical de la campana, influyen en la forma de

distribución de los materiales sólidos en el tragante del horno. También

influyen el peso específico de los materiales que se cargan y su ángulo de talud

natural. El talud que se forma al cargar los materiales es distinto del talud

natural de dichos materiales y se aproxima más al talud natural cuanto mayor

es el diámetro del tragante. La relación entre ambos taludes viene dada por la

fórmula empírica:

r

h·ktgtg 0 (1.15)

En la que:

: es el talud en el horno (grados)

0: es el talud natural (grados)

h: la altura de caída (metros).

r: radio del tragante (metros).

k: una constante adimensional que tiene en cuenta la naturaleza del

material y, entre otras cosas, la absorción del golpe de caída contra

las paredes del horno.

En los hornos grandes, lo corriente es que la carga se presente más alta en los

bordes que en el centro, que el mineral forme cuñas de más altura en los

bordes que en el centro y que, por el contrario, el coque forme cuñas de más

altura en el centro.

Mecánicamente, además, el horno alto debe distribuir los gases de tal manera

que baje la carga regularmente y sin formar zonas de paso preferente, que

daría origen a dificultades en la marcha. Tampoco debe producirse preferencia


57

de paso por las paredes o por el centro, para lo que dentro de ciertos límites

deberá poder controlarse la distribución de materiales más gruesos o más

finos en el centro o en las paredes. Por otro lado, como la carga al descender

va sufriendo modificaciones de composición, de temperatura y de volumen, el

horno alto debe favorecer todos estos cambios y permitir el descenso regular

de la carga, la formación de escoria, la colada de ésta y la colada del arrabio

por la parte inferior y la de los gases producidos por el tragante. Otra función

importante que debe cumplir el horno alto es la de intercambiador de calor.

1.8 EL ARR AB IO , LA ESCO RI A Y SU T R ATAM IENTO

1.8.1 EL ARRABIO Y SU MANEJO

El arrabio producido en el horno alto, es un material complejo, cuya

composición química puede variar dentro de amplios límites y cuya estructura

al solidificarse varía no solamente con la composición química, sino también

con la velocidad de enfriamiento [14]. El arrabio puede ser apropiado para

servir de base a la fabricación de piezas fundidas, según su composición, las

mezclas que se realicen y las condiciones de fabricación, o puede servir para su

conversión en acero por procesos que se adapten a la composición del arrabio.

Debido a lo que ocurre con cada uno de los elementos que entran en la carga

del horno alto, se puede afirmar que el operador del horno, sólo puede

controlar la composición del arrabio en lo que se refiere al Si, Mn y S, siendo

los demás elementos prácticamente incontrolables y dependientes de la

composición de la carga. Entre éstos es fundamental, por influir decisivamente

en el proceso de fabricación, que se elija el fósforo (P).


58

En cuanto al otro componente fundamental del arrabio, el carbono (C),

siempre se produce en el horno alto la saturación del arrabio y, por tanto, el

contenido en éste depende del contenido de los demás elementos que

influyen en el grado de saturación en C del arrabio y en su forma de

presentarse al solidificarse con mayor o menor proporción de grafito o de

carburo de hierro o cementita, en lo que influyen en uno u otro sentido el Si, el

Mn y el P. En la marcha industrial de los hornos altos se distinguen las

siguientes calidades de arrabio:

Arrabios con alrededor del 45 de C y contenido en Si altos, de 1,5%

a 2,5%; Mn entre 0,5% y 2% y P < 0,08%.

Arrabios de composición muy parecida al anterior, pero con mayor

cantidad de P, entre el 0,1% y el 0,7%.

Arrabios con contenido en Si inferior al 1 %; Mn, entre el 1% y el

2%; P, entre el 0,3% y el 0,6%; S < 0,045%; C, el 4%; resto, Fe.

Arrabios con contenido en Si inferior al 1%; Mn, del 1% al 2%; P,

del 1,5% al 2,5%; S < 0,06%;, un 4% de C y el resto, Fe

1.8.2 TRATAMIENTO DE LA ESCORIA

En cuanto al tratamiento de la escoria y siguiendo las directrices de la

Comisión Europea [17] se ha de obtener una máxima reducción de las

emisiones procedentes del sistema de tratamiento de la escoria y de la propia

escoria que se envía al vertedero.

Se ha de proceder al tratamiento de la escoria, preferiblemente por granulado,

cuando las condiciones del mercado lo permitan.


59

Se han de condensar los vapores si es necesario reducir olores.

En el caso de que la instalación utilice fosos de escoria, debe reducirse o

evitarse su refrigeración forzada con agua en la medida de lo posible y siempre

que las limitaciones de espacio lo permitan.

En el resto de los residuos o subproductos sólidos se ha buscar la máxima

reducción con alguna de las siguientes técnicas:

Máxima reducción de la producción de residuos sólidos.

Aprovechamiento efectivo (reciclado o reutilización) de los residuos o

subproductos sólidos, especialmente reciclando el polvo grueso

procedente del sistema de tratamiento de los gases del horno alto y el

polvo eliminado de la nave de fundición, y reutilizando toda la escoria (por

ejemplo, en la industria cementera o en la construcción de carreteras).

Vertido controlado de los residuos o subproductos inevitables (fracción

fina de los lodos derivados del tratamiento de los gases del horno alto,

parte del cascajo)

1.9 EL ACE RO E N EL S IGLO XXI

La industria del acero ha identificado el cambio climático como un desafío

importante desde hace más de 20 años.

Antes de que los resultados del Panel de Expertos sobre el Cambio Climático

(IPCC) de 2007 salieran a la luz [17], los productores de acero habían

reconocido que se han de afrontar las emisiones de CO2. Se ha mejorado el uso

de la energía, reducido las emisiones de gases de efecto invernadero, y se está

trabajando cerca de los límites establecidos por las tecnologías actuales de

producción de acero.


60

Con los importantes ahorros de energía logrados, y con las tecnologías

actuales no es posible reducir aún más las emisiones de CO2. Las reducciones

adicionales, solicitadas por los gobiernos y organismos internacionales exigen

la mejora y aplicación de nuevas tecnologías de producción.

Dentro de ellas se pueden citar direcciones clave en las que trabajar:

1.9.1 CARBÓN

Deberá seguir siendo utilizado como un agente reductor, pero el CO2

producido tendrá que ser capturado y almacenado. El enfoque es similar a los

esfuerzos de la industria de la energía para reducir las emisiones de las

centrales de combustibles fósiles, aunque las soluciones de producción de

acero son de estudiar la operación de oxígeno y la captura de CO2 durante el

proceso.

Las soluciones en el horno alto, van desde unas profundas modificaciones

para dar cabida a la CCS (captura de carbono y almacenamiento), en el

Proyecto ULCOS y el reciclado del gas de horno alto, así como al rediseño de

los procesos de reducción como el Isarna, HIsmelt, Finex, etc,.

1.9.2 EL HIDRÓGENO

Puede usarse como agente reductor, y al oxidarse sólo produciría agua. El

hidrógeno, ya sea puro, como gas de síntesis (Syngas) producido por

reformado de metano o como gas natural, puede ser utilizado en los reactores

convencionales de reducción directa o en unos futuristas reactores flash.

El hidrógeno debe ser producido utilizando tratamientos de carbones pobres:

electrólisis del agua o reforming del gas natural


61

Ambos pueden incluir su propio nivel de captura y almacenamiento. Esta

investigación está estrechamente relacionada con el modelo de la Hydrogen

Society.

1.9.3 ELECTROLISIS

Los electrones también podrían ser utilizados como agentes reductores. El

proceso correspondiente seria la electrólisis del mineral de hierro, o por otro

lado el empleo de bacterias. La UE y los EE.UU. están explorando sólo el primer

camino, y a día de hoy las bacterias que reducen totalmente el mineral a hierro

metálico no han sido identificadas. La electricidad en este caso se produciría

con el uso de tecnologías de gasificación de carbón.

1.9.4 LA BIOMASA

Puede ser utilizada para generar el agente de reducción, ya sea a partir de

carbón de leña por ejemplo, o gas de síntesis. La biomasa para este fin necesita

ser cultivada de manera sostenible, pero pueden provenir de plantaciones en

países tropicales o de explotaciones agrícolas o residuos forestales de climas

más templados. El interés en la biomasa es grande tanto en Brasil, Australia,

Canadá como en Europa.

La biomasa puede utilizarse en hornos altos, añadida a la carga habitual de

coque, utilizada como combustible en reactores de acero o en la reducción

directa como gas de síntesis, etc.


62

1.9.5 CCS

El uso de la captura de carbono y la tecnología de almacenamiento es una

condición necesaria previa para el uso continuado de combustibles fósiles

como agentes reductores en la producción de acero. Esta tecnología

emergente podría estar basada en diversas opciones de captura y

almacenamiento, algunas de las cuales sólo tendrían que adaptarse al contexto

del acero, mientras que otras aún necesitarán la investigación básica.

El almacenamiento puede ser en acuíferos salinos profundos, yacimientos

agotados de petróleo o gas, en las minas de carbón (almacenamiento

geológico), o transformado en forma de carbonato (almacenamiento

mineralógico).

El gas residual de la producción de acero difiere del de otras industrias por su

mayor contenido de CO2, su contenido de polvo, la composición de los otros

gases minoritarios, la temperatura y la presión. Se necesitan, por tanto iniciar

estudios específicos sobre estos gases y su captura y almacenamiento.


63

BIBLIOGRAFÍA CAPITULO 1

[1] F. Aranguren y A. Mallol: Siderurgia, Ed. Dossat, S. A, pp. 261-376, (1963).

[2] J. Apraiz Barreiro: Fabricación de hierro, acero y fundiciones. Ed. Urmo S.A.

Bilbao (1978).

[3] E. Sanz Pérez, I. Ruiz Bustinza, E. Sanz Sánchez, J. L. Enríquez y J. J. Calonge:

La minería antigua del Moncayo: un horno de fundición de hierro en el

estrecho de Araviana, sierra de Toranzo (Ólvega, Soria), Celtiberia Vol. 95,

33- 63 (2001).

[4] J. M. Navarro: Sierra Blanca y las ferrerías de río Verde. Ed. Iluana (2009).

[5] Revista Bienes Culturales, IPHE, Núm.7, Madrid (2007).

[6] J. Nadal: El fracaso de la revolución industrial en España, 1814-1913,

Barcelona, Ariel, 1984. ISBN 84-344-6505-1 (1975).

[7] M. Navarro Arancegui: Crisis y Reconversión de la Siderurgia Española 1978-

1988. Edit. JOP Pasajes (1989).

[8] Datos Eurofer 2008 – 2011.

[9] I. Ruiz Bustinza, F. G. Carcedo, J. Mochón, J. Robla, A. Isidro, A. Hernández,

A. Cores y B. Fernández: La Siderurgia en el siglo XXI. Evolución de los

diversos métodos para la obtención del acero (parte 1&2), Metales &

Metalurgia, Vol 1957, 10-14 (2008).

[10] A. Ballester, L. F. Verdeja y J. P. Sancho: Metalurgia Extractiva,

Fundamentos. Ed. Síntesis, Madrid (2000).

[11] J. P. Sancho, L. F. Verdeja y A. Ballester: Metalurgia Extractiva, Procesos de

obtención, Ed. Síntesis, Madrid (2000).

[12] UNESID: La fabricación del acero. Madrid (1998).

[13] S. G. Peacey y W. G. Davenport: El alto horno de hierro. Teoría y Práctica,

Ed. Limusa , México (1986).

[14] A. Babich, D.Senk, H. W.Gudenau y T. Mavrommatis: Ironmaking. Ed. RWTH

Aachen University, Department of Ferrous Metallurgy, Aachen, Alemania.

(2008).

http://www.mcu.es/patrimonio/docs/MC/IPHE/BienesCulturales/N7/15-Actuaciones.pdf


64

[15] L. F. Verdeja, J. P. Sancho y A Ballester: Materiales refractarios y cerámicos,

Ed. Síntesis, Madrid, pp. 156-176 (2008).

[16] S. Seetharaman: Fundamentals of metallurgy. Ed. Woodhead Publishing

Limited, Cambridge, UK. (2005).

[17] IPPC Bureau. Best Available Techniques on Emissions from Storage.

European Commission (2005).

[18] IPPC Bureau. Best Available Techniques on Production of Iron and Steel.

European Commission (2008).

Capitulo 2 Redes Neuronales

65

CAPÍTULO 2

REDES NEURONALES

2. INTRO DUCC IÓ N A L AS REDES NE U RO NALES

Hasta el presente las computadoras han resuelto numerosos problemas desde

una simple base de datos hasta un sistema SCADA (Control de Supervisión y

Adquisición de Datos, del inglés Supervisory Control And Data Acquisition).

Pero aún así existe otra parcela en la cual la revolución informática no ha

entrado todavía de lleno: sistemas ambiguos o imprecisos, toma de decisiones,

etc. Una característica común de este tipo de problemas es que difícilmente se

pueden solucionar utilizando sistemas secuenciales. La solución se encamina

hacia arquitecturas en paralelo.

Un claro ejemplo está en nuestra visión. ¿Cómo es posible que aunque el

tiempo de procesamiento de nuestras neuronas esté en el orden de los

milisegundos nuestro cerebro "vea" fotos y reconozca los objetos que

aparecen en ellas mientras que un súper ordenador con tiempos en el orden

de los nanosegundos no sea capaz de verlo? La respuesta se halla en un

paralelismo masivo y una alta interconectividad propia de los sistemas

neurobiológicos. En este contexto han aparecido las redes neuronales. Se

copia la forma de actuar de nuestro cerebro con la idea de aplicarla a este

nuevo tipo de problemas. Así pues, desde aquí en adelante en vez de estudiar

el modelo neurológico humano detallaremos los tipos de redes neuronales

usados en el desarrollo de esta Tesis.

En nuestro mundo actual las redes neuronales se presentan como una

prometedora técnica del aprendizaje automático. No es difícil entender el

interés creciente que la industria ha desarrollado con ellas, pues han sustituido

a los sistemas expertos que aunque son muy fiables para procesos


66

perfectamente conocidos, son excesivamente rígidos e incapaces de

generalizarse ante situaciones nuevas.

Las redes neuronales se han aplicado con éxito en campos de la investigación

como: la compresión de la información, la visión artificial computerizada, el

reconocimiento de patrones y la extracción de características entre otras.

También, la industria siderúrgica con sus hornos altos, plantas de sinterización

y laminación automatizadas, todos ellos monitorizados en tiempo real, ofrece

unos buenos escenarios para usar las redes neuronales [1], para ayudar a los

ingenieros y operadores de las plantas pues las reacciones que se producen en

el interior del horno alto son de modelización difícil debido al gran número de

variables que intervienen en sus procesos [2] [3] [4].

A pesar de ello, la aparente falta de información del proceso interno en parte

se contrarresta con el gran volumen de datos que provienen de todos los

sensores colocados a lo largo y ancho de toda la estructura del horno [5], y que

los ingenieros de planta deben saber interpretar correctamente para llevar a

cabo las acciones de control correctas y necesarias en cada momento para que

el horno alto produzca un arrabio de calidad óptima.

Un gran número de investigaciones se han centrado en estos temas que son de

una gran importancia, tales como: la predicción del contenido de silicio en el

arrabio [6], el control de la calidad del arrabio mediante una red de tipo

perceptrón multicapa MPL (MultiLayer Perceptron en inglés) [7] y el uso de las

redes neuronales como forma de mejorar la desulfurización del arrabio [8]. En

la literatura se encuentran dos tipos de aplicaciones de las redes neuronales:

para predecir y para identificar. Así se observa como la mayoría usa su

capacidad de predecir modelos y relaciones, aunque sea sin tener

explícitamente su expresión. En [9] se usa una red neuronal para obtener

correlaciones entre la composición, las propiedades y el proceso de fabricación


67

de los aceros inoxidables y en [10] se presenta un método de diseño de aceros

aleados usando una red neuronal como modelo.

En esta Tesis y en la aplicación desarrollada, se han elegido los mapas auto-

organizados (SOM, Self-Organized Maps en inglés) [11].

2.1 TIPO S DE REDES NEU RO NALES

Como se ha citado en la introducción, las redes neuronales se pueden dividir

en dos grandes grupos según que su tipo de aprendizaje sea supervisado o no-

supervisado. El primero de ellos se distingue porque la red necesita un

conjunto de entrada y un conjunto de salidas asociadas. Se introduce una

entrada a la red y se halla el error respecto a la salida real. La corrección de los

pesos se hará a partir de este error. El entrenamiento se basará en minimizar

dicho error y se considerará acabado cuando sea menor que una cantidad muy

pequeña ( ). En el aprendizaje no supervisado se tienen unos patrones de

entrada pero no sus salidas. El objetivo de la red es agrupar los vectores de

entrada mediante un criterio de similitud en unos ciertos patrones de salida. El

entrenamiento finaliza cuando los pesos sufren cambios muy pequeños en

cada iteración. El Perceptrón, multicapa y las redes LVQ poseen un aprendizaje

supervisado mientras el modelo de Kohonen, la red de Hopfild y las

arquitecturas ART son del tipo no supervisado.

2.1.1 PERCEP TRÓ N M ULTIC A PA

Una de estas redes está compuesta por una capa de entrada, varias capas

intermedias u ocultas y una capa de salida. Los pesos, las entradas o la

polarización son opcionales, pero se suelen añadir para evitar problemas de

“offset”.


68

Figura 2.1 - Esquema de Perceptrón multicapa.

El método “backpropagation” sigue una norma de corrección de los pesos

denominada norma Delta que los actualiza con idea de minimizar el error

cuadrático medio entre la salida real y la suministrada por la red. Dichos

errores se propagan hacia atrás en el sentido de que primero se modifican los

pesos de las neuronas de salida y luego de las capas intermedias y al final los

de la capa de entrada.

Se determina la dirección de cambio de los pesos calculando el gradiente del

error respecto a los pesos y yendo en el sentido contrario hasta que encuentra

un mínimo. Los pasos a dar para programar el algoritmo de backpropagation

son los siguientes:

X

b1(1)

a1(2)

b2(2)

ENTRADAS

X

CAPA NEURONAL 1 CAPA NEURONAL 2

P(2)

n1(2) n2(2)

W(1,1) P(1)

n1(1) W2(1,1) n2(1) F2

b1(2)

W1(S,R) P(R)

n1(S,R)

n2(S)

W(S2,R) a1(S)

b2(S)

) b2(2)

b1(S)

a1=F1(W1*P + b1) a2=F2(w2*p + b2)

F1

F2

F2

F1

F1


69

- Introducir el vector de datos a las neuronas de la capa de entrada:

- Calcular valores netos n de entrada a las neuronas de las capas ocultas:

j = número de neuronas.

h = cantidad de neuronas en la capa p.

N = número de unidades de entrada.

= entrada de polarización, de valor unitario.

w = matriz de pesos

- Los valores de salida de la capa oculta se calculan por:

- Y se repite con la capa de salida:

- Se calculan los valores de salida de la capa de salida

- Los errores en la capa de salida se calculan por:

- A continuación se calculan los errores para las capas ocultas:


70

- Se actualizan los pesos en la capa de salida:

- Se actualizan los pesos en las capas ocultas:

es un parámetro que determina la velocidad del aprendizaje. Suele

tomar valores entre 0.01 y 0.25.

- Posteriormente se calcula el error total:

- El aprendizaje finaliza cuando el error es menor que una cierta cantidad muy

pequeña,

Este algoritmo es más usado en la práctica dada su habilidad para aproximar

funciones no-lineales. Sin embargo, presenta una serie de dificultades entre las

que se pueden citar:

- Posible caída en un mínimo local en el que el proceso quedaría bloqueado.

La solución pasa por inicializar de nuevo las entradas o cambiar el número

de nodos de la capa oculta.

- La convergencia es lenta en situaciones de "valles". Esto se soluciona

añadiendo un momento que acelere el método.

De esta manera:


71

El valor de α se sitúa entre 0 y 1 y su función es añadir el efecto de los

cambios pasados a la actual dirección.

- La elección del tamaño de la red, constantes y demás parámetros puede

ser difícil.

Lo mejor es seguir un método de ensayo y error. Sistemas grandes podrían

tener tiempos de convergencia sumamente largos.

2.1.2 REDES COMPE TIT IVAS

Se parte de una red denominada Red de Hamming. Existe una técnica que

permite usar esta red neuronal para reconocimiento de patrones [12]. Esta

técnica requiere que los vectores prototipo sean conocidos de antemano e

incorporados a la red como filas de la matriz de pesos.

Las redes que se van a analizar tienen una estructura muy similar a la Red de

Hamming, sin embargo, utilizan reglas de aprendizaje asociativo para, de

forma adaptativa, aprender a clasificar patrones. Estos tres tipos de redes son:

Redes Competitivas, Mapas Autoorganizados, y Redes LVQ.

2.1.3 RED COMPETI TI VA DE HAMMI NG

La Red de Hamming es uno de los ejemplos más simples de red competitiva.

Las neuronas de la capa de salida compiten con las otras para determinar el

ganador, y este indica qué patrón prototipo es el más representativo del

patrón de entrada. La competición se implementa con inhibición lateral, un

conjunto de conexiones negativas entre las neuronas de la capa de salida.


72

Se van a ver algunos de los conceptos fundamentales de esta red.

Figura 2.2 - Red Hamming (Hamming Network)

La Red Hamming consta de dos capas. La primera de ellas realiza una

correlación entre el vector de entrada y el vector prototipo. La segunda capa

realiza la competición para determinar cuál de los vectores prototipo está más

cerca del vector de entrada. Permite la clasificación de patrones múltiples.

Sin embargo en la red competitiva de Hamming la segunda capa de neuronas

de la Red de Hamming se dice que está en competición, porque cada neurona

se excita a sí misma e inhibe al resto. Para simplificar el resto de las ecuaciones

se define la función de transferencia que hace el trabajo de la capa recurrente

competitiva:

“Capa hacia delante” “Capa Recurrente”

R

S

Sx1

n1

SxR

Rx1

p W

1

1 b1

+ Sx1

a1

a1 = purelin(W

1p+b

1) a

2(0) = a

1 a

2(t+1) = poslin (W

2a

2(t))

S

Sx1

a2(t)

Sx1 Sx1

a2(t+1)

SxS

D n

2(t+1)

W2


73

Esta red funciona buscando el índice i* de la neurona con la entrada a la red

mayor y pone su salida a uno (siempre buscando el índice más bajo). Todas las

otras salidas se ponen a cero.

Reemplazando la capa recurrente de la Red de Hamming con la función de

transferencia competitiva en la primera capa es más fácil entender el

funcionamiento de las siguientes Redes.

Figura

Figura 2.3 - Red competitiva (’Competitive Layer’)

Como en la Red de Hamming los vectores prototipo se almacenan en filas de

W. La entrada a la red n calcula la distancia entre el vector entrada p y el

prototipo W, (suponiendo que los vectores están normalizados a longitud L).

Capa Competitiva Entradas

S

Sx1

a n

SxR

Rx1

p W

C

Sx1

R a = Compet(WP)


74

La entrada a la red n, de cada neurona i es proporcional al ángulo θi formado

entre p y el vector prototipo W:

w

T

1

wT

2

wT

S

w

T

1

wT

2

wT

S

La función de transferencia competitiva asigna una salida 1 a la neurona cuyo

vector peso apunta en la dirección más cercana al vector de entrada

2.1.4 MAPAS AUTOO RGANI ZAD OS

Para tratar de emular la actividad de los sistemas biológicos [13], Kohonen

diseñó la siguiente simplificación: su Red Autoorganizativa determina primero

la neurona ganadora i* usando los procedimientos de la red competitiva.

Después, los pesos que se encuentran dentro de una cierta vecindad de la

neurona ganadora son modificados por la Regla de Kohonen.

,


75

Figura 2.4 – Mapa autoorganizado (Feature map)

Donde la vecindad contiene los índices para todas las neuronas que

están dentro de un radio d de la neurona ganadora i*:

Cuando se muestra a la red el vector p, los pesos de la neurona ganadora y las

vecinas se mueven hacia p. El resultado es que, después de varias

presentaciones, las neuronas vecinas han aprendido vectores similares. Si se

trata de una sola dimensión, cada neurona tendrá sólo dos vecinos dentro de

un radio de 1. Los mapas tienen también la ventaja de poderse adaptar al

espacio de entrada, teniendo unas dimensiones determinadas. Para una región

de entrada bidimensional, la red que se debe utilizar para clasificar también

debe ser bidimensional con agrupamientos de n n neuronas. Cada nodo es

una neurona y la mayor parte de ellos se encuentran en el interior de la región

del espacio de entrada y ocupan el espacio de una manera uniforme. Si se

tiene un espacio de entrada tridimensional y se utiliza una red bidimensional,

Entradas Mapa autoorganizado

S

Sx1

a n

SxR

Rx1

p W C

Sx1

R a = Compet(WP)


76

esta última se adapta al espacio de entrada pero no puede aproximar la

tercera dimensión nada más que mediante su valor medio.

Kohonen propuso distintos conceptos de distancias, y para ello estudió

vecindades rectangulares y hexagonales para conseguir una implementación

más eficiente. A pesar de esto normalmente las características de aprendizaje

de la red no son muy sensibles a la forma exacta. Cuando el vector p se

muestra a la red, los pesos de la neurona ganadora y las vecinas se mueven

hacia p. El resultado es que, después de varias presentaciones, las neuronas

vecinas han aprendido vectores similares.

Cabe mencionar que las neuronas de la red pueden ser agrupadas en las

dimensiones que se deseen [14]. Si se trata de una sola dimensión, cada

neurona tendrá sólo dos vecinos dentro de un radio de 1. Los mapas tienen

también la ventaja de poder adaptarse al espacio de entrada, teniendo unas

dimensiones determinadas. Para una región de entrada bidimensional, la red

que se debe usar para clasificar también debe ser bidimensional con

agrupamientos de n n neuronas. Cada nodo es una neurona y la mayor parte

de ellos se encuentran en el interior de la región del espacio de entrada y

ocupan el espacio de una manera uniforme.

El aprendizaje del espacio de entrada también es función del número de

iteraciones que se realicen. Si se dispone de un espacio de entrada formado

por vectores de entrada aleatorios que están limitados, por ejemplo, a un

plano cuadrado, después del entrenamiento, la distribución de las neuronas

debe ser uniforme a lo largo de todo el espacio. El proceso que ocurre hasta

conseguir esto, es como sigue: cada vez que un vector peso es presentado la

neurona con el vector peso más cercano ganará la competición y la neurona

ganadora y sus vecinas se moverán hacia dicho vector.


77

2.1.5 REDES L.V.Q (“LEARNI NG VECTO R QUANTI ZATIO N”) Y SU S

MEJORAS

Esta red utiliza dos tipos de aprendizaje: supervisado y no supervisado para

formar las clasificaciones. Como puede verse en la figura 2.5, cada neurona de

la primera capa se asigna a una clase. Cada clase se representa con una

neurona de la segunda capa. El número de neuronas de la primera capa, S1

será siempre mayor que el número de neuronas de la segunda capa, y S1

normalmente bastante mayor.

Figura 2.5 - Red L.V.Q

Como en las redes competitivas, cada neurona de la primera capa aprende un

vector prototipo, que permite clasificar una región del espacio de entrada. La

distancia al vector de entrada se calcula mediante la distancia euclídea. La

entrada de la red de la primera capa de la LQV será:

a1 = compet(n

1) n

= - a

2 = W

2 a

2

Entrada Capa Competitiva Capa Lineal

S2

R

S2x1

a2

S2x1

n2

S1x1

a1

S1x1

n1

Rx

1

p

W1

C W2

S1xr S1 S2xS1


78

La salida de la primera capa de la LQV es:

De esta manera, la neurona cuyo peso se encuentre más próximo al vector de

entrada dará 1 como salida, y el resto 0. La red LQV se comporta como la red

competitiva, pero la interpretación es diferente. En la red competitiva la

neurona ganadora indicaba a que clase pertenecía el vector de entrada. En la

red LQV, la neurona ganadora indica la subclase más que la clase. Puede haber

diferentes subclases dentro de cada clase.

La segunda capa de la red se usa para combinar las subclases dentro de una

clase. Esto se puede realizar con la matriz W2. Las columnas de W2 representan

las subclases, y las filas las clases. W2 tiene sólo un 1 en cada columna, con los

otros elementos cero. La fila en la que se encuentra el 1 indica cual es la clase

a la que la subclase pertenece.

subclase i es parte de la clase k.

El proceso de combinar las subclases para formar una clase permite a la LQV

crear saltos de clase complejos. La LQV resuelve el problema de trabajar con

regiones del espacio convexas. Aunque esta red trabaja bien ante multitud de

problemas, tiene dos limitaciones. La primera, como las redes competitivas, es

que ocasionalmente una neurona oculta puede tener un valor inicial que

nunca gana la competición. El resultado es una neurona muerta que no hace

nada útil. Este problema se resuelve con el mecanismo de consciencia.

En segundo lugar, dependiendo de cómo se inicialicen los vectores peso, un

vector peso tendrá que viajar a través de una región perteneciente a una clase

que no representa. Los pesos de esa neurona serán rechazados por los

vectores de la región que debe cruzar, y así nunca podrá clasificar


79

adecuadamente la región que le atrae. Esto se puede resolver aplicando una

modificación a la regla de Kohonen.

Si la neurona ganadora en la capa oculta clasifica el vector de entrada

incorrectamente, se mueve su vector peso hacia fuera del vector de entrada,

como antes. Sin embargo, se ajustan los pesos de la neurona más cercana al

vector de entrada que lo clasifique correctamente. Los pesos de esta segunda

neurona deben moverse hacia el vector de entrada.

Cuando la red clasifica correctamente el vector de entrada, los pesos de una

sola neurona se mueven hacia el vector de entrada. Sin embargo, si el vector

de entrada se clasifica de forma incorrecta, los pesos de dos neuronas son

modificados: un peso se mueve hacia el vector de entrada y el otro hacia fuera.

Hasta aquí se han descritos las redes más usadas tanto en esta Tesis como en

distintas aplicaciones que versan sobre el proceso de producción de hierro y

acero.

2.2 DESARROL LO S U SANDO UNA RED NEU RO NAL BASADA EN U N

MODELO DE RECO NOCIM I ENTO DE PAT RONES

Se han probado tres tipos de redes neuronales para dilucidar la mejor

estructura para fines de reconocimiento de patrones. La primera red neuronal

probada fue una capa de simple competencia. Su estructura se muestra en la

figura 2.6.


80

Figura 2.6: Capa de simple competencia

El funcionamiento de esta red es bastante simple: cada vez que una nueva

matriz (p) de temperaturas entra en la red, se realiza el producto escalar entre

esta matriz y cada columna de la matriz de pesos (w). Una nueva matriz que

contiene los valores de los productos punto (n) se pasa hacia delante a la

competitiva de la capa (C). En esta capa se selecciona el valor máximo entre los

productos punto. Así, la matriz de temperatura que se muestra a la red se

asocia con la columna de (w) que arroja el valor máximo para el producto

escalar. Cada columna de la matriz de pesos se puede considerar como un

patrón que representa una clase de matrices de la temperatura y las matrices

relacionadas como pertenecientes a esta clase.

Este tipo de red neuronal esta entrenada en el modo “no supervisada”, lo que

significa que las relaciones de pertenencia entre los datos de temperatura y las

clases, no se conocen antes del entrenamiento.

W

C p

R x 1

S x R

n

S x 1

a

S x 1

R S


81

De hecho, es la red neuronal la que establece las características de los

patrones, durante el entrenamiento, mediante la modificación de los valores

de la matriz de pesos (w) de acuerdo a la ley siguiente:

(Neurona ganadora)

(Neurona perdedora)

Los valores iniciales para la matriz de pesos deben ser distribuidos al azar entre

los valores máximo y mínimo de los datos de entrenamiento conjunto. El

número de columnas de esta matriz establece el número de clases que

utilizará. Cada vez que un conjunto de temperaturas entra en la red durante el

entrenamiento, la columna de la matriz de pesos, que arroja un valor máximo

del producto, se lleva hacia la matriz de entrada, permaneciendo el resto de

las columnas inalteradas. Después del entrenamiento, se espera que cada

columna de la matriz de pesos se ubicará en el centro de un conjunto de

medidas similares.

El segundo tipo de redes, llamadas Mapas auto-organizados (SOM), tiene la

misma estructura que la capa de la competencia. La principal diferencia entre

ellos está en el proceso de entrenamiento: las redes SOM actualizan no sólo la

columna ganadora de la matriz de pesos (valor máximo para el producto

punto), sino también las otras columnas que están dentro de la relación de

vecindad establecida antes del entrenamiento.

Esta característica puede mejorar el rendimiento de la red, asignando de más

patrones (clases) en aquellas áreas que tienen una mayor densidad de

muestras y disminuyendo en los de menor densidad. La ley de aprendizaje de

esta red será la siguiente:


82

(Neurona ganadora y vecinas)

(Neurona perdedora)

Según el entrenamiento progresa el vecindario afectado disminuye. La tercera

red empleada era la denominada LVQ (Cuantificación del Vector de

Aprendizaje) (figura 2.7). Esta red tiene una estructura más compleja que las

anteriores [15]. Tiene dos capas, la primera es una capa competitiva y la capa

de salida es una capa linear. La forma en que es entrenada también se

diferencia. El LVQ precisa de una serie de entradas y la clase a la que

pertenecen. Durante el periodo de entrenamiento, se actualizan los pesos (w1)

para poder definir una serie de subclases. Cada subclase forma parte de una

clase. Esto permite que se junten las selecciones de temperaturas que no son

similares pero que están relacionadas por otras razones (otras propiedades del

rendimiento del horno alto [16]).

Figura 2.7: Cuantificación del Vector de Aprendizaje (LVQ).

p

R x 1

R

W1

S1 x R

n1

S1 x 1

C a1

S2 x 1

S1

W2

S1 x S1

n2

S2 x 1

a2

S2 x 1

S2


83

La norma para la actualización de los pesos durante el entrenamiento de la

primera capa es la siguiente:

cuando p se clasifica correctamente

si no es así.

El estudio se centró en los Mapas Autoorganizados (SOM), uno de los tipos de

redes neuronales seleccionado anteriormente.

Esta selección estaba basada en el estudio llevado a cabo durante la primera

parte de la tesis. Las razones principales son: Los Mapas Autoorganizados

(SOM) son fáciles de tratar; pueden ser programados, entrenados, modificados

y transferidos al ordenador del horno alto de una manera rápida. Muestran un

comportamiento robusto para la el reconocimiento de patrones.

El algoritmo empleado ha sido modificado levemente: la vecindad se define en

términos de distancia euclidea (2.1), durante el proceso de entrenamiento, los

cambios en las neuronas perdedoras se calculadas empleando una función de

Gauss (2.2).

(2.1)

(2.2)


84

Donde ed es la distancia euclidea entre la neurona ganadora (nw) y una de las

perdedoras (nl), α y β el ritmo de aprendizaje y la vecindad afectada, y t una de

las muestras de los perfiles de temperatura empleados durante el

entrenamiento

0

5

10

15

0

20

40

60

0

200

400

600

Tem

pe

ratu

ra º

C

Epoch x 10 Sondas de temperatura

Figura 2.8: Evolución de un patrón particular durante el entrenamiento.

La figura 2.8 muestra la evolución de un patrón en particular durante el

entrenamiento. La tendencia de los patrones a estabilizarse según el

entrenamiento avanza, es un indicador de la bondad del enfoque.

Una vez que terminaron los entrenamientos de los Mapas Autoorganizados

(SOM) los resultados fueron validados empleando dos conjuntos de datos.


85

Figura 2.9: Ejemplo de clasificación de temperatura para el patrón 1.

Los resultados para el primer conjunto de datos se muestran en la figura 2.9,

en la que aparecen, en el lado izquierdo el patrón 1 (línea blanca) y varios

perfiles de temperatura clasificados por los Mapas Autoorganizados (SOM) en

estos patrones. El número total de muestras clasificadas en la clase 1 fueron

769. El lado derecho de esta figura representa la distancia del patrón a las

muestras. En el centro se localiza el patrón y los puntos azules representan la

posición de los perfiles de temperatura relativos al patrón. Esta ‘distancia’,

medida en grados centígrados, proporciona una estimación de cómo de bien el

patrón se asemeja al perfil de temperatura. Las distancias más cortas significan

un mejor encaje entre el patrón y el perfil medido.

50

100

150

200

250

300

350

400

450

500

550

600

135.07

Sondas de temp.

Distancia al patrón

Tem

pe

ratu

ra °

C

67.53


86

Figura 2.10: Ejemplo de clasificación de temperatura en el patrón 1 con un fallo

en el termopar nº 5.

Se obtuvo un resultado interesante con la segunda serie de muestras. En este

caso, el termopar de una de las sondas está fuera de servicio. La temperatura

medida por ella está por debajo del valor real.

Sin embargo, el Mapa Autoorganizado (SOM) no se ve afectado por este fallo,

y es capaz de clasificar los perfiles de temperatura correctamente ignorando la

medida incorrecta (figura 2.10).

Este ejemplo muestra la robustez de este sistema neuronal frente a fallos en

los valores de entrada, una vez que la red haya sido entrenada correctamente.

50

100

150

200

250

300

350

400

450

500

550

600

67.53

135.07

Sondas de temp.

Distancia al patrón

Tem

pe

ratu

ra °

C


87

B IBL IOG RAFÍ A CAP IT ULO 2

[1] M. Langer y B. Vogel: Synthesis of Plantwide Quality Prediction System for a

Sintering Plant. 15th Triennial World Congress, Barcelona, Spain (2002)

[2] X. Bi, K. Torssell y O. Wijk: Simulation of blast furnace process by a

mathematical model. ISIJ International 32, 470-480 (1992).

[3] I. Kobayashi, S. Inaba y M. Isobe: Application of Mathematical model

estimating cohesive zone in blast furnace. Ironmaking Proceedings. AIME.

Vol. 43, pp. 119-126 (1984) (1984).

[4] J. F. Jiménez Castellanos. (Tesis Doctoral). Diseño de la zona preparativa de

un Horno Alto a escala: aplicación al modelado del sistema de carga y del

flujo de gas. (1998).

[5] Henrik Saxén: Interpretation of probe temperatures in the blast furnace

using polynomial approximations. Steel Res. Int. 67, 73-78 (1996).

[6] K. Dammert: New process control technology for iron making. (1991).

[7] J. C. Bezdek: Fuzzy Mathematics in Pattern Classification, PhD thesis, Applied

Math. Center, Cornell University, Ithaca, (1973).

[8] P. Inkala, A. Karppinen y M. Seppanen: Computer systems for controlling

blast furnace operations at Rautaruukki. Iron and Steel Engineer Vol. 72,

Issue 8, 44-48 (1995).

[9] M. Konishi, Y. Otsuka y M. Konishi: Application of Neural Network to

Operation Guidance in Blast Furnace. Third European Seminar on Neural

Computing, The Market Place, Londres, (1990).

[10] ECSC Workshop. Bruselas, 22 - 23 enero 1998. Application of Artificial

Neural Network Systems in the Steel Industry.

[11] D. Alahakoon, S. K. Halgamuge y B. Srinivasan: Dynamic self-organizing maps

with controlled growth for knowledge discovery. IEEE Transactions on

Neural Networks, 11-3, 601-614, (2000).

[12] C. Catania y C. G. Garino: Reconocimiento de patrones en el tráfico de red

basado en algoritmos Inteligencia Artificial. Revista Iberoamericana de

Inteligencia Artificial, vol. 12, núm. 37 (2008).


88

[13] T. Yamakawa, K. Horio y T. Hiratsuka: Advanced self-organizing maps using

binary weight vector and its digital hardware design. Proceedings of the 9th

International Conference on Neural Information Processing Vol. 3 pp. 1330 -

1335 (2002).

[14] A. Gerardo y L. Colmenares: Stratified/PCA: un método de

preprocesamiento de datos y variables para la construcción de modelos de

redes neuronales Economía, XXV, 16. 45-71 (2000).

[15] M. Biehl, A. Ghosh y B. Hammer: Dynamics and Generalization Ability of

LVQ Algorithms. The Journal of Machine Learning Vol. 8, 323 - 360 (2007).

[16] M. Falzetti, J. Mochón y S. Kumar: Results and Perspectives of Using Artificial

Intelligence Techniques in Blast Furnaces: The FANCIM Project; Application

of Artificial Neural Network Systems in the Steel Industry; ECSC Workshop;

pp. 95-104, (1998).

Capitulo 3 Prevención de fallos 13 sondas…

89

CAPITULO 3

PREVENCIÓN DE FALLOS EN UN HORNO ALTO CON 13 SONDAS DE TEMPERATURA

POR ENCIMA DE LA CARGA A PARTIR DE LA INTERPRETACIÓN DE LAS SEÑALES

PROPORCIONADAS POR ELLAS.

La adaptación de los hornos altos a las nuevas tecnologías ha supuesto un

aumento muy importante de la información que se tiene de su

funcionamiento [1] [2], hasta el punto de que muchas veces los sensores

proporcionan un volumen de datos excesivo para los operadores de planta.

En este capítulo se describe una aplicación de los mapas auto-organizados

(SOM) como ayuda a la toma de decisiones en el control de un horno alto,

concretamente mediante el reconocimiento de los patrones de

temperatura que se obtienen de las sondas colocadas en el tragante, esta

vez con un número mayor de sondas, hasta 24. La clasificación de estos

patrones mediante un sencillo código de colores indicara al operador en

qué situación de funcionamiento se encuentra el horno alto, facilitando,

en su caso, las oportunas medidas correctoras que mantengan la

producción de arrabio en el óptimo.

3.1 I NT RO DUCC IÓN

Las redes neuronales constituyen, desde hace aproximadamente una

década una valiosa técnica de aprendizaje automático. Han sido aplicadas

satisfactoriamente a casi todos los campos posibles de la investigación,

como pueden ser la visión por computador, el reconocimiento de

patrones, la extracción de características e incluso la compresión de la

información. Debido a la versatilidad que presentan se han ido

introduciendo poco a poco en la industria [3] [4], en aplicaciones


90

tradicionalmente complejas y mal definidas, donde no se dispone de

modelos matemáticos que permitan analizar y predecir la respuesta de los

sistemas. Sus propiedades matemáticas junto con su configuración flexible,

tanto en su estructura geométrica como en la forma de aprendizaje

(supervisado o no) hacen de las redes neuronales una herramienta

polivalente y extremadamente sencilla de utilizar [8].

Por estas razones es fácil entender el creciente interés que demuestra

actualmente la industria por ellas, considerándolas como una alternativa

a los sistemas expertos, muy fiables para procesos perfectamente

conocidos y controlados pero que adolecen de una rigidez excesiva, siendo

incapaces de generalizar ante nuevas situaciones.

La moderna industria siderúrgica, con plantas automatizadas y hornos

altos monitorizados en tiempo real, ofrece una buena oportunidad de

utilizar las redes neuronales como ayuda para los operadores de planta [5],

ya que las reacciones que ocurren en el interior de los hornos altos son

difícilmente modelizables debido al gran número de variables que

intervienen [6] [7]. En cambio, esta aparente falta de información se

contrarresta con un gran volumen de datos que llegan de todos los

sensores colocados a lo largo de la estructura del horno y que los

operadores de planta deben interpretar correctamente para tomar las

acciones de control necesarias en cada momento de forma que el horno

alto produzca un arrabio de óptima calidad. Este es un tema de gran

importancia y que ha atraído un buen número de investigaciones: [8] se

centra en la predicción del contenido de silicio en el arrabio, [9] propone

controlar su calidad mediante una red del tipo perceptrón multicapa

(MultiLayer Perceptron, MLP en inglés) mientras que [10] busca en las redes

neuronales una forma de mejorar la desulfurización del arrabio. En la

literatura se pueden encontrar dos tipos de aplicaciones que utilizan


91

redes neuronales: para predecir y para identificar. La gran mayoría utiliza su

capacidad de predecir modelos y relaciones aún sin tener su expresión

explícitamente. En [11] se utiliza una red neuronal para obtener

correlaciones entre la composición, el proceso y las propiedades de los

aceros inoxidables, sin detenerse en considerar los fundamentos

matemáticos de la red. En [12] se presenta un método de diseño de aceros

aleados utilizando una red como modelo.

En la aplicación desarrollada se ha optado por utilizar mapas auto-

organizados (Self-Organized Maps, SOM en inglés), también llamados

mapas o redes de Kohonen.

Su principal característica es que son un tipo de red neuronal no

supervisada, propiedad muy interesante para la aplicación que se

pretende desarrollar [13], donde los datos de que se disponen no están

etiquetados y no existe la posibilidad de hacerlo.

3.2 DESCRIPC IÓ N DEL D ISPO SITI VO

La figura 3.1 muestra la posición de las sondas de temperaturas por encima de

la carga tal y como estuvieron situadas hasta el año 2005 en el horno alto B en

la factoría de Arcelor (Gijón). Hay dos sondas situadas en el mismo plano

vertical, cubriendo el diámetro del tragante del horno alto. Tal y como se

puede ver en la figura, la sonda de la derecha tiene siete termopares

equidistantemente distribuidos a lo largo de ella. La distancia horizontal entre

los dos termopares consecutivos es 671 mm. El primer termopar está situado a

100 mm de distancia de la pared del horno y el séptimo está sobre el eje

central del horno. La sonda del lado izquierdo tiene sólo seis termopares,

también están equidistantemente distribuidos a lo largo de la sonda, pero esta


92

vez la distancia entre dos consecutivos es de 710 mm. El primer termopar está

ubicado, como en el caso anterior, a 100 mm de distancia de la pared y el

último es sólo a 454 mm del último termopar de la sonda de la derecha. Es

importante tener en cuenta estas características dimensionales de las sondas,

ya que condicionan la interpretación de sus señales.

Ambas sondas se fijan con un ángulo de 9 ° de inclinación con respecto a la

horizontal. Con ello se pretende compensar el ángulo de inclinación de la

carga, tratando de colocar las sondas lo más paralelo posible a la superficie de

carga. Esto significa que la diferencia de altura entre el termopar central y los

más próximos a la pared del horno es de alrededor de 650 mm.

Al comienzo de la toma de datos, ambas sondas estaban equipadas con un

sistema de refrigeración por inyección de nitrógeno, que actuaba

principalmente en los dos termopares situados en el centro. Este sistema de

refrigeración tenía por objeto minimizar las fuertes cargas de calor soportadas

por las sondas, ya que a pesar de que los termopares pueden resistir

temperaturas más altas, la estructura metálica de la sonda se tiende a

deformar, doblándose hacia arriba. Aparte de los daños en las sondas, también

existe el riesgo de que la canaleta del sistema de carga se obstruya con las

sondas, afectando gravemente a la operación de carga.

Este sistema de enfriamiento, que estuvo operativo durante el desarrollo

inicial y las primeras tomas de datos, fue cambiado por otro que emplea agua

como refrigerante. El nuevo sistema permite obtener una señal de

temperatura más real, evitando la aparición de perfiles de temperatura “tipo

M”. Este problema se discutirá más tarde. En la parte inferior de la figura 3.1

aparecen numerados los 13 termopares (T01 - T13) y representados por un

triángulo.


93

Esta notación será la empleada en el resto de este capítulo para hacer

referencia a los termopares “por encima de la carga”.

Figura 3.1: Posición de las sondas de temperatura en el horno B objeto de estudio

Las señales de las sondas se envían y se almacenan en el ordenador de proceso

cada dos segundos. Este tiempo de muestreo es demasiado rápido para los

fines generales del estudio, lo que se ha hecho es promediar los valores de

períodos de dos minutos y almacenarlos de nuevo en la base de datos del

horno alto B.

4000 3000 2000 1000 0 1000 2000 3000 4000 0

500

1000

mm.

mm. T01 T02 T03

T04 T05

T06 T07 T08 T09 T10

T11 T12 T13


94

Figura 3.2: Posición relativa de termopares con respecto al eje central del H. A.

La figura 3.1 muestra que la posición de los termopares no es simétrica con

respecto al eje central del horno alto. La figura 3.2 muestra la posición de cada

termopar con respecto al centro de horno alto. Como puede verse, la

diferencia es mayor entre los termopares situados a ambos lados de la central,

T06 y T08, y tiende a disminuir al acercarse a la pared. Así, los termopares T01

y T13 se encuentran en una posición casi simétrica.

3.3 RECOPIL ACIÓ N Y ANÁL IS I S DE DATOS

Durante el trabajo, y como requisito previo, ha sido necesario crear una gran

base de datos, con las medidas obtenidas del horno B de Arcelor, que

comprende un período de más de dos años. Estos datos provienen de

diferentes dispositivos y sensores situados en el horno.

Como se ha explicado anteriormente, la tasa de muestreo fue de dos minutos

por cada uno de ellos. En los casos en que las variables son de evolución más

lenta, se ha repetido el último valor hasta que el dispositivo sensor lea uno

nuevo.

El conjunto de datos incluye las siguientes variables:


95

1. Temperaturas del horno alto:

1.1 Sondas por encima de la carga (13 medidas)

1.2 Temperaturas de la pared del horno (11 niveles, de 4 a 8

mediciones según el nivel)

2. Parámetros de la carga:

2.1 Colección de señales de la vara (dos de 6 m. y 16 m de un tiempo.)

2.2 Patrón de la carga

2.3 Relación mineral/coque

2.4 Tasa de carga

3. Parámetros del viento:

3.1 Volumen

3.2 Temperatura

3.3 Humedad

3.4 Enriquecimiento de O2

3.5 Presión

3.6 Tasa de inyección de carbón pulverizado (PCI)

4. Composición de los gases de escape:

4.1 % de CO

4.2 % de CO2

4.3 % de H2

5. Propiedades del arrabio:

5.1 Temperatura

5.2 Contenido de silicio

5.3 Principio y final de las coladas


96

Se han analizado estas variables para obtener su influencia en las señales de la

sondas de la temperatura por encima de la carga. En algunos casos, estas

relaciones se pudieron obtener por una simple inspección de los datos, en

otros casos, fue necesario emplear algunas técnicas de análisis de la señal,

como se describe a continuación.

La tarea principal de esta parte de la Tesis está relacionada con las sondas

situadas sobre la carga. El estudio de las variables se inició con la inspección de

las mismas. Se han realizado análisis estadísticos básicos sobre un total de

106.737 datos de cada variable, obtenidos de un período de 148 días

consecutivos de servicio del horno alto.

Estos análisis, aplicados en primer lugar a las temperaturas por encima de la

carga, consisten en el cálculo de la media, la mediana, la desviación estándar y

el valor máximo y mínimo de temperaturas alcanzado por cada termopar. Los

resultados se resumen en la tabla 3.1.

Termopar nº T min. °C T max. °C Media Mediana Desv. Std

T1 27 495 116.4 103.5 55.0

T2 28 550 109.9 94.8 62.4

T3 26 595 107.1 92.0 63.6

T4 26 554 127.7 112.1 66.7

T5 24 550 210.9 197.3 96.0

T6 21 548 309.4 313.1 120.1

T7 23 624 355.5 371.5 111.7

T8 24 684 339.9 347.8 117.6

T9 26 735 197.3 176.8 92.2

T10 28 683 124.2 109.5 64.1

T11 30 569 114.9 103.5 60.7

T12 30 489 117.3 105.5 60.8

T13 29 415 120.1 112.8 51.1

Tabla 3.1: Resultados estadísticos de las sondas de temperatura por encima de la carga.


97

Las temperaturas mínimas son esencialmente la temperatura ambiente y

corresponden a las paradas largas del horno alto. Las temperaturas máximas,

en general, son afectadas por el sistema de refrigeración, por lo que no

pueden ser consideradas como valores reales las temperaturas máximas

alcanzadas por el gas. Este efecto es más fuerte para los termopares situados

en la parte central de las sondas (T06, T07 y T08), que son los más afectados

por el sistema de refrigeración, ya que una vez que se superan los 500 °C, se

activa el flujo de nitrógeno de enfriamiento.

De un rápido análisis de los valores promedio y la mediana se desvelan otras

interesantes características de las señales; el valor máximo de los valores

medios se obtiene para la T07, el termopar central, como era de esperar. Sin

embargo, de acuerdo con la posición relativa de los termopares, también se

podría esperar que el valor de temperatura media para el T06 fuera más alto

que el valor medio para el T08.

De hecho, el comportamiento asimétrico del horno alto que se ve claramente

si se representan todas las temperaturas medias juntas, como en la Figura 3.3.

El gas parece estar más caliente en el lado derecho que en el izquierdo, por lo

menos, éste sería el comportamiento particular de este horno.

El fuerte efecto de los sistemas de refrigeración también se observa la

comparación de los valores de la media y la mediana de los termopares

diferentes. En el caso de los termopares exteriores (T01 a T05 y T09, T10 y T11)

la mediana es siempre inferior al valor medio.

Para el caso de los termopares interiores (T06 a T08) la media está por debajo

de la mediana. Este efecto está asociado con el fuerte y rápido descenso de la

temperatura que promueve el sistema de refrigeración, y que afecta

principalmente a los termopares centrales.


98

Por otra parte, el valor medio para los termopares centrales está muy por

debajo del valor esperado durante la operación normal, que sería cercano a los

500 °C.

Figura 3.3: Temperaturas medias de las sondas sobre la carga.

Tras el estudio preliminar antes descrito, los datos recogidos también fueron

utilizados para analizar la correlación entre las sondas de temperatura por

encima de la carga y otras variables relacionadas con el proceso. Se calcularon

las covarianzas cruzadas para cada termopar y las variables integradas en los

grupos B, C y E del conjunto total.

En algunos casos, los resultados obtenidos mostraron una pobre correlación y

no han sido citados aquí. Este es el caso de variables dentro del grupo E

(Propiedades del arrabio: temperatura - contenido de silicio - principio y final

de las coladas).

5000 4000 3000 2000 1000 0 1000 2000 3000 4000 5000 100

150

200

250

300

350

400

mm

Tem

p º

C

T01 T13 T12 T11

T10

T09

T08

T07

T06

T05

T04

T03 T02


99

Figura 3.4: Correlación cruzada entre el volumen de gases y las temperaturas de las sondas

sobre la carga.

La figura 3.4 muestra la covarianza cruzada entre las temperaturas de los 13

termopares y el volumen de gases. La covarianza cruzada es una estimación

estadística normalizada, por lo que el valor máximo que podría alcanzar seria

la unidad.

Como puede verse en la figura anterior, los termopares situados en el centro

del tragante del horno alto muestran una correlación más pobre que los

situados más cerca de la pared. Así, los termopares T01, T02, T03, T11, T12 y

T13 presentan una correlación negativa con el viento o volumen de gases.

Teniendo en cuenta la posición de los mínimos, los retrasos de la respuesta de

los termopares a los cambios de volumen de gas oscilan entre 20 y 50

minutos. Aunque las correlaciones son pobres, presentan un máximo con un

retraso de alrededor de 30 horas.

-3000 -2000 -1000 0 1000 2000 300

0

-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

Co

rre

laci

ón

cru

zad

a

T01 y T13 T02 y T12 T03 y T11 T04 y T10 T05 y T09 T06 y T08 T07

Tiempo (minutos)


100

Los termopares T05 y T09 muestran un mínimo en la parte anti-causal de la

gráfica. Se trata de un pico ancho y la explicación de estos resultados podría

ser que el volumen de gases se incrementa después de períodos de

funcionamiento anormal en el horno alto. Por lo general, durante estos

períodos, el volumen de gases se reduce y la temperatura dentro del horno

disminuye.

Después de estos periodos, aumenta el volumen de gases, recuperándose el

punto de trabajo. Esto significa que las medidas de temperatura de estos

termopares, situados a más de un metro del centro del horno, ofrecen una

información muy sensible sobre el estado térmico de los hornos altos.

También se observa que estos termopares, T05 y T09, presentan una débil

correlación con un desfase de 20 horas.

Por último, los tres termopares centrales, T06, T07 y T08 muestran una

correlación bastante pobre. Este fue un resultado esperado por diversas

razones: Estos termopares están fuertemente afectados por el sistema de

refrigeración descrito anteriormente, el centro de horno es más sensible a los

cambios que la periferia y el horno alto, por lo general, opera en marcha

central durante el funcionamiento normal. Estos termopares muestran una

máxima correlación con un desfase comprendido entre 12 y 16 horas.

Tomando todos estos resultados en conjunto, es posible concluir que el

volumen de gases tiene dos efectos, en un principio tiende a enfriar el horno

alto, y después de un tiempo, lo calienta, desde el centro hacia la parte

exterior.


101

Figura 3.5: Correlación cruzada entre el nivel de la carga y la temperatura por encima de la

carga.

La Figura 3.5 muestra el resultado de covarianza cruzada entre el nivel de la

carga del horno y las temperaturas de las sondas de una manera similar a la

del caso anterior. Una vez más el resultado se puede agrupar en tres casos:

Los termopares T01, T02, T03, T04 y sus simétricos T13, T12, T11 y T10

muestran un comportamiento similar. Tienen una correlación bastante buena

con la medida del nivel de la carga y, como es de esperar, su correlación es

positiva. Esto refleja el hecho de que el gas llega a las sondas más calientes

cuando la carga disminuye. No hay una demora apreciable entre estas

medidas, lo que significa que la respuesta de la temperatura del gas al nivel de

carga es muy rápida.

Co

rre

laci

ón

cru

zad

a

Tiempo (minutos) -1000 -800 -600 -400 -200 0 200 400 600 800 1000 -0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

Tiempo (minutos)

Co

rre

laci

ón

cru

zad

a

-50 0 50 -0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

T01 y T13

T02 y T12

T03 y T11

T04 y T10

T05 y T09

T06 y T08

T07


102

El resultado sigue siendo positivo para los termopares T05 y T09 pero la

correlación en este caso no es muy clara. Los termopares T06, T07 y T08

muestran una correlación negativa y muy pobre. Una vez más, el efecto fuerte

al sistema de refrigeración y el cambio más rápido de temperaturas en el

centro del horno alto pueden explicar este comportamiento.

El centro de la figura ha sido aumentado para mostrar pequeñas ondas que

tienen un periodo aproximado de 12 minutos. Esto encaja bien con el ritmo de

carga y sugiere la posibilidad de filtrar las señales de sonda para eliminar el

efecto de cambios en los niveles de carga.

Figura 3.6: Correlación cruzada entre el consumo de coque y la temperatura por encima de la

carga

La figura 3.6 muestra la correlación cruzada entre el consumo de coque y la

información de las sondas sobre la carga. Esta correlación está muy

relacionada con los resultados de la figura 3.7 que muestra la correlación con

el PCI (carbón pulverizado inyectado por las toberas). El consumo de coque y el

PCI tienen una relación inversa.

-3000 -2000 -1000 0 1000 2000 3000-0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

time (minutes)

cro

ss-c

ova

riance

T01&T13

T02&T12

T03&T11

T04&T10

T05&T09

T06&T08

T07

Tiempo (minutos)

Co

rre

laci

ón

cru

zad

a

T01 y T13

T02 y T12

T03 y T11

T04 y T10

T05 y T09

T06 y T08

T07


103

Normalmente, cuando la proporción de PCI disminuye el consumo de coque

aumenta. Comparando las dos figuras se puede observar la relación. En cuanto

al PCI, parámetro gobernante del proceso, es más valioso analizar los

resultados en la figura 3.7.

Figura 3.7: Correlación cruzada entre el PCI y la temperatura por encima de la carga

Aunque los valores máximos alcanzados por la correlación entre el PCI y las

temperaturas de T06, T07 y T08 sean pequeños, muestran un pico sin apenas

demora (serán dos minutos para el T07 pero los dos minutos es tan sólo el

periodo de muestra). Esto indica el ritmo rápido de calentamiento producido

por la inyección del carbón. Los resultados de otros termopares no son muy

significativos en cuanto al PCI, correlacionados con otras variables del volumen

de gases, en particular, el aumento del PCI significa incrementar el volumen de

gases. La respuesta, según se aproxima a las paredes, tiende a ser menor y

probablemente, se oculta completamente por el efecto global de los gases.

-4000 -3000 -2000 -1000 0 1000 2000 3000 4000

-0.6

-0.5

-0.4

-0.3

-0.2

-0.1

0

0.1

time (minutes)

cro

ss-c

ova

riance

T01&T13

T02&T12

T03&T11

T04&T10

T05&T09

T06&T08

T07

Co

rre

laci

ón

cru

zad

a

Tiempo (minutos)

-800 T01 y T13

T02 y T12

T03 y T11

T04 y T10

T05 y T09

T06 y T08

T07


104

En la figura 3.8 se puede ver la correlación cruzada entre el ritmo de carga y las

temperaturas de las sondas sobre la carga. Como es de esperar, la correlación

es negativa. Cuando se incrementa la velocidad de carga, la parte superior del

horno alto se enfría. La correlación presenta una demora de 8 minutos. Esto

está de acuerdo con el tiempo mínimo para introducir una nueva carga.

Otra característica interesante es el importante cambio justo antes que la

correlación llegue a su pico. Estos reflejan un fuerte enfriamiento debido a la

introducción de nuevas cargas frías. Para el termopar T07, hay una correlación

positiva por la misma demora descrita arriba (8 minutos). Aunque sea una

correlación extremadamente débil, se podría relacionar con la flexión local

hacia el centro sufrido por el gas cuando una nueva carga se introduce en el

horno alto.

Figura 3.8: Correlación cruzada entre cargas/hora y la temperatura por encima de la carga

-2000 -1500 -1000 -500 0 500 1000 1500 2000

-0.45

-0.4

-0.35

-0.3

-0.25

-0.2

-0.15

-0.1

-0.05

0

0.05

time (minute)

cro

ss-c

ova

riance

-14 -12 -10 -8 -6 -4 -2

-0.465

-0.4648

-0.4646

-0.4644

-0.4642

-0.464

-0.4638

-0.4636

-0.4634

-0.4632

T01&T13

T02&T12

T03&T11

T04&T10

T05&T09

T06&T08

T07

Tiempo (minutos)

Co

rre

laci

ón

cru

zad

a

T01 y T13

T02 y T12

T03 y T11

T04 y T10

T05 y T09

T06 y T08

T07


105

En cuanto a los patrones de carga empleados, tienden a concentrar coque en

el centro del horno alto para obtener una columna central de coque, siendo la

cantidad de mineral mayor cerca de la pared. Esto provoca un descenso de la

permeabilidad en zonas próximas a la pared y la posterior recirculación del

flujo de gas hacia el centro.

La figura 3.9 muestra la correlación cruzada entre la temperatura de gases y las

temperaturas de las sonda sobre la carga. Si se establecen comparaciones

entre los resultados de esta figura y aquellos obtenidos para el volumen de

gases, los dos muestran características similares. De hecho, la temperatura de

los gases y su volumen están muy correlacionados. Esta es la razón por la que

se obtiene una correlación negativa para los termopares periféricos. En el caso

de termopares centrales T06, T07 y T08, la subida de temperaturas muestran

una respuesta ligeramente más rápida que en el caso del volumen de gases.

No obstante, no se puede obtener una conclusión clara debido a las fuertes

relaciones entre patrones de gases.

Figura 3.9: Correlación cruzada entre la temperatura de los gases y la de las sondas sobre la

carga

-2000 -1000 0 1000 2000 3000-0.8

-0.7

-0.6

-0.5

-0.4

-0.3

-0.2

-0.1

0

0.1

time (minutes)

cros

s-co

varia

nce

T01&T13

T02&T12

T03&T11

T04&T10

T05&T09

T06&T08

T07

Tiempo (minutos)

Co

rre

laci

ón

cru

zad

a

T01 y T13

T02 y T12

T03 y T11

T04 y T10

T05 y T09

T06 y T08

T07


106

Con respecto a otros parámetros relevantes como pueda ser la humedad,

temperatura del arrabio, contenido de silicio, etc., no se ha obtenido una

correlación clara. Probablemente, la razón sea porque haya un

emparejamiento débil entre la parte superior (tragante y cuba) y la parte

inferior (tobera y crisol) del horno alto. De manera que, los efectos de la parte

inferior sobre la parte superior son muy lentos y la correlación permanece

completamente soterrada bajo la influencia de otras variables.

3.4 PATRO NES DE SO NDAS SO BRE L A C ARGA OBTENI D OS PO R SOM

El conjunto de las temperaturas obtenidas por las sondas sobre la carga,

contienen una información valiosa sobre la distribución de la temperatura de

gas. Para cada instante construyen un perfil de temperatura que evoluciona

en el tiempo. Un perfil típico tendría la forma mostrada en la figura 3.3.

Estos perfiles de temperaturas se pueden clasificar de acuerdo a su forma

particular [14], reuniendo los perfiles con una forma similar dentro de una

misma clase. El objetivo final de esta clasificación es el de obtener un conjunto

de clases que resuman el comportamiento del horno alto, permitiendo que los

operadores de la planta sepan lo que está ocurriendo en todo momento.

Las redes neuronales son unas herramientas útiles para estas tareas de

clasificación. En esta Tesis, los Mapas Auto Organizados (SOM) se han usado

para clasificar las señales de temperaturas de las sondas sobre la carga [15].

De esta forma, cada clase está representada por un patrón, que es un perfil

creado por la red neuronal durante el proceso de entrenamiento. Cuando se

presenta un nuevo perfil a la red neuronal para ser clasificado, el nuevo perfil


107

es comparado con los patrones existentes e incluido en esa clase cuyo patrón

representativo se asemeja mejor a la forma del perfil nuevo.

Las medidas de los termopares de la sonda sobre la carga se colocaron en un

despliegue 3-D, una coordenada por cada muestra de temperatura.

Estos despliegues fueron empleados durante el entrenamiento de la red

neuronal y la validación después de la estandarización [16].

La figura 3.10 muestra el interfaz del programa para el usuario de

entrenamiento de la red neuronal. Este programa ha sido diseñado

específicamente para entrenar los perfiles de las sondas sobre la carga,

teniendo en cuenta los resultados conseguidos durante el estudio de las

variables arriba descritas [17].

De manera que, no sólo las temperaturas de los termopares sobre la carga,

sino también una señal on/off y las señales de nivel de la carga han sido

incluidas como aporte. Estas dos señales adicionales son empleadas como

señales de control, de tal forma que permite al programa rechazar o aceptar

perfiles de temperatura para el entrenamiento.

Sólo se aceptan los perfiles si el horno alto está funcionando (en señal) y si el

nivel de carga está comprendido entre 0,5 y 1,0 metros. Las razones de estas

limitaciones se derivan del efecto de descenso de carga sobre los perfiles de

temperatura. Por otra parte, las temperaturas relacionadas con interrupciones

no son de interés.


108

Figura 3.10: Interfaz del usuario de la red neuronal (entrenamiento)

El programa se ha creado con un interfaz de usuario fácil de usar, tal y como se

ve en la figura 3.10. La ventana de la izquierda permite a los usuarios cambiar

los parámetros de entrenamiento, esto se puede hacer no sólo antes de

empezar, sino también durante el entrenamiento en sí.

En el lado izquierdo de esta ventana hay una columna de casillas de

verificación, que permite al usuario seleccionar qué neuronas serán

entrenadas. Normalmente, cuando se empieza el entrenamiento, cada

neurona se entrena pero según se presentan más y más muestras a la red

neuronal, el usuario puede decidir si parar el entrenamiento de una o varias

neuronas marcándolo en la casilla de verificación.

Las ilustraciones presentadas a la derecha de la casilla de verificación

previamente descrita, son factores que modifican el ritmo de aprendizaje para

la neurona correspondiente. De manera que, cada neurona puede ser

clase 1

lv 11926

nv 35 clase 2

lv 11539 nv

488 clase 3

lv 11920 nv

57 clase 4

lv 11596 nv

53 clase 5

lv 11825

nv 16 clase 6

lv 10316

nv 34 clase 7

lv 11912 nv

122 clase 8

lv 11933 nv

348 clase 9

lv 11884 nv

451 clase 10

lv 11721 nv

633 clase 11

lv 11914 nv

56 clase 12

lv 11931 nv

588 clase 13

lv 11552 nv

162 clase 14

lv 11879 nv

870 clase 15

lv 11932 nv

190


109

entrenada a un ritmo distinto. Esto evita oscilaciones cuando las clases llegan a

sus soluciones finales.

Debajo de las casillas de verificación se encuentran varios textos editables, que

permiten al usuario iniciar los pesos de la red neuronal al azar, cambiar el

vecindario afectado, el ritmo de aprendizaje, el número total de épocas y el

ritmo al que se presentan en la ventana mostrada a la derecha de la figura

3.10.

La columna de casilla de verificación, a la derecha, está relacionada con el

problema surgido con el sistema de enfriamiento de las sondas. Como se

explicó anteriormente, la activación del sistema de enfriamiento distorsiona la

forma de los perfiles, conduciendo a los perfiles con forma de M (un ejemplo

de perfiles con forma de M será de clase 8 en la figura 3.10). Para evitar éste

problema, el entrenamiento se lleva a cabo con un método llamado

“entrenamiento en cascada”. Después de un primer entrenamiento, se

obtienen unos patrones con forma de M. Estos son usados como filtros para

un segundo entrenamiento. Para seleccionar un patrón con forma de M como

filtro será suficiente con marcarlo en la casilla de verificación correspondiente,

en la columna de la derecha. Este entrenamiento filtrado será suficiente para

evitar patrones con forma de M en el conjunto final.

La ventana del lado derecho en la figura 3.10 muestra la evolución de los

patrones obtenidos durante el entrenamiento, para ser inspeccionados por el

usuario. Se puede recargar la ventana cada vez que se introduzca una nueva

muestra al programa, el patrón ganador será marcado en rojo y debajo de

cada patrón, se presenta el número de veces que haya ganado.

El programa se ha usado mucho para entrenamientos fuera de línea y en línea.

Su estructura, muy flexible, ha jugado un papel muy importante en la

obtención de patrones representativos.


110

3.5 ANÁLI SI S DE PATRO NES O BTENIDOS

Mediante este análisis se obtiene una forma final y un número de patrones

representativos para el reconocimiento de temperaturas en las sondas sobre la

carga.

El programa previamente descrito fue muy empleado para obtener patrones

representativos. El entrenamiento se llevó a cabo usando la mitad de los datos

disponibles. La otra mitad fue reservada para el propósito de validación. Se

llevó a cabo un primer entrenamiento bajo supervisión del usuario empleando

50 periodos. El entorno inicial empleado fue modificado en entrenamientos

sucesivos, para permitir que más patrones cubrieran áreas de muestras de

gran densidad y a su vez, evitando tener una concentración excesiva de

patrones en estas áreas.

El problema que surgió desde las primeras fases del estudio fue cómo decidir

el número total de patrones para emplear. Un gran número de patrones

pueden conducir a una dispersión excesiva de las muestras, forzando una

separación artificial de datos que tienen la misma situación en un horno alto.

Por otra parte, un número demasiado bajo puede conducir a clasificar

muestras conjuntamente, aun estando relacionadas con situaciones de horno

alto claramente distintas.

Por estas razones, se han llevado a cabo muchos ensayos con un número de

patrones con una variación desde 6 a 30. Después de examinar los resultados,

se ha elegido un conjunto de 15 patrones que son los que mejores resultados

han dado.


111

Figura 3.11: Patrones SOM obtenidos tras el entrenamiento (eje x: numero de sonda)

La figura 3.11 muestra los patrones obtenidos finalmente. El estudio de estos

patrones señala que muchos de ellos tienen una forma muy similar. En cuanto

a la red neuronal se basa en paradigmas de mapas auto-organizados (SOM).

Se clasifica en diferentes patrones de perfiles de temperatura que tengan una

forma similar, aunque su posición esté desplazada a causa del flujo asimétrico

del gas.

Por ejemplo, el patrón etiquetado como clase 1 en la figura 3.11 tiene la

máxima temperatura situada en alguna parte entre los termopares T07 y T08.

Igualmente, en clase 3 estaría situado entre los termopares T06 y T07.

class 1 class 2 class 3





clase 1 clase 2 clase 3





Tem

per

atu

ra (

°C)


112

Figura 3.12: Ejemplo de interpolación spline cubica para las clases 1, 5, 3 y 6

(eje x: numero de sonda)

Para obtener una imagen más clara de estos y otros efectos, será útil llevar a

cabo algún tipo de interpolación entre las temperaturas obtenidas para los

patrones [18]. En este caso particular se usó una interpolación spline cúbica.

Esto permite estimar cuál sería la posición de temperatura máxima. La figura

3.12 muestra un ejemplo de una interpolación spline cúbica para las clases 1,

5, 3 y 6, donde las líneas rojas representan los resultados de la interpolación,

mostrando la posición actual de los picos de temperatura.

3.5.1 REAGRUPAMIE NTO EN CL A SES M AYO RES

Después de llevar a cabo la interpolación con splines cubicas, se pueden

comparar los patrones fácilmente. La característica más notable que se pueda

llevar a cabo, es el efecto asimétrico en los patrones obtenidos. Así es que,

1 2 3 4 5 6 7 8 9 10 11 12 13 1 2 3 4 5 6 7 8 9 10 11 12 13

1 2 3 4 5 6 7 8 9 10 11 12 13 1 2 3 4 5 6 7 8 9 10 11 12 13

Tem

per

atu

ra (

°C)


113

algunos de ellos son muy similares siendo su diferencia principal la posición

asimétrica de la temperatura máxima. Este efecto debería estar relacionado

con el flujo de gas asimétrico. Se detectan ligeras asimetrías por la red

neuronal y son clasificadas en patrones distintos pero es necesario preservar

estos patrones porque un menor número conduce a errores en la clasificación

de temperatura.

Figura 3.13: Gran clase 1. Agrupa las clases 1, 3, 4, 7 y 14.

Es probable que sea necesario reagrupar las clases obtenidas para

relacionarlas con el estado del horno alto. Partiendo de los resultados, se

pueden reagrupar las clases iniciales en cinco grandes clases.

La figura 3.13 muestra la primera de estas clases. Esta gran clase agrupa

patrones que tienen un pico central estrecho y vientos llanos. Solamente el

patrón n. 4 presenta una forma enteramente simétrica con la temperatura

más alta centrada en el termopar T07. La clase 3 tiene su máximo desplazado

hacia la izquierda y el resto tiene su máximo desplazado hacia la derecha.

1 2 3

4 5 6 7 8 9 10 11 12 13

Clase 4

Clase 3

Clase 1

Clase 7

Clase 4

Termopares

400

300

200

100

Tem

pe

ratu

ra (

°C)

Clase 4 Clase 3 Clase 1 Clase 7 Clase 14


114

Todos estos patrones, ya reagrupados, están relacionados con un rendimiento

estable de horno alto con productividad alta. También están relacionados con

un flujo central de gas fuerte. Esto ha sido un resultado esperado con respecto

al horno alto B que normalmente es operado con una gran cantidad de coque

central causado por: una tasa alta de PCI, el estado actual de la pared del

horno alto que se calienta debido a las cargas térmicas fuertes y el bajo

contenido de álcalis en los minerales empleados en la carga que evitan la

formación de incrustaciones en la pared del horno.

La figura 3.14 muestra los patrones reagrupados en la segunda gran clase. En

éste caso, los patrones tienen un pico más extendido y las temperaturas no

son tan altas en el centro. Estos perfiles, con una forma más plana todavía, se

pueden considerar como representativos de un rendimiento estable del horno

alto. Algunas veces aparecen durante transiciones hacia perfiles de la clase

previa.

Figura 3.14: Gran clase 2. Agrupa las clases 2, 8 y 10.

Termopares

Clase 8 Clase 10 Clase 2

1 2 3 4 5 6 7 8 9 10 11 12 13

400

300

200

100

Tem

pe

ratu

ra (

°C)


115

Llegados a este punto, es importante comentar que los patrones fueron

obtenidos después de normalizar los perfiles de temperatura. En cuanto al

flujo de gas, puede que no sea simétrico, pero las temperaturas medidas por

sondas horizontales son proyecciones de la distribución tridimensional de las

temperaturas del gas sobre el plano de sondas. De manera que la

característica más importante no es la altura del pico, sino su anchura que

refleja una mayor o menor distribución de temperatura.

Los patrones pertenecientes a la tercera gran clase están representados en la

figura 3.15. Son menos frecuentes que los anteriores. Normalmente estos

patrones se asocian con:

a) Reducción en la entrada de flujo de aire,

b) Reducción del nivel de carga

c) Incremento de la bajada de presión en el horno alto.

Figura 3.15: Gran clase 3. Agrupa las clases 6 y 11.

La importancia de este tipo de perfiles de temperatura es grande cuando se le

relaciona con el caso c, porque este incremento en la bajada de presión dentro

1 2 3 4 5 6 7 8 9 10 11 12 13

Clase 6

Clase 11

400

300

200

100

Tem

pe

ratu

ra (

°C)


116

del horno alto está normalmente relacionado con una permeabilidad baja y

conducen a una horizontalidad de la zona cohesiva [19], a un descenso de

carga irregular y, como consecuencia, a un bajo rendimiento del horno alto.

Figura 3.16: Gran clase 4. Agrupa las clases 5, 12, 13 y 15.

Los grupos de patrones de la gran clase 4 se han representado reagrupados en

la figura 3.16. Representan una subida de flujo próxima a la pared. Cuando

aparecen éste tipo de perfiles y no son un resultado de cambios en la

distribución de carga, pueden dar lugar a colgaduras y posteriores colapsos en

el horno.

La última gran clase solamente incluye un patrón único. La figura 3.17 lo

muestra. Es un patrón muy llano y aparece solamente después de

interrupciones largas o colgaduras mayores.

Tem

pe

ratu

ra (

°C)

Termopares

1 2 3 4 5 6 7 8 9 10 11 12 13

Clase 5

Clase 12

Clase 13

Clase 15

400

300

200

100


117

Figura 3.17: Gran clase 5. Solo incluye a la clase 9.

Después de llevar a cabo esta nueva clasificación, los patrones antiguos se

reordenaron para poder reunir clases similares. La figura 3.18 muestra esta

nueva distribución. De manera que, los patrones situados en la columna

central tienen el patrón más centrado, su temperatura más alta está situada

muy cerca del termopar T07.

Los patrones situados en la columna derecha tienen su temperatura más alta

desplazada hacia la derecha y los patrones situados en la columna izquierda

tienen su temperatura máxima desplazada hacia la izquierda, excepto la última

que representa la clase relacionada con interrupciones y que se ha situado en

esa posición arbitrariamente. En la parte superior de la figura, los patrones

relacionados con flujo central y una situación estable, se han localizado. Según

se sigue la figura hacia abajo, los patrones representan situaciones con menor

flujo de gas central y, en general, menos estables.

1 2 3 4 5 6 7 8 9 10 11 12 13 Termopares

Tem

pe

ratu

ra (

°C)

Termopares

400

300

200

100


118

Figura 3.18: Clases reordenadas por forma similar, de acuerdo a las Grandes clases. (Verde: G

C 1, Amarillo: G C 2, Azul: G C 3, Rojo: G C 4 y morado: G C 5)

Esta nueva distribución permite a los operadores seguir la transición y

comprobar el estado del horno alto de una forma fácil [20].

3.6 RED NEURONAL PAR A L A RECO NST RUCC I ÓN DE I NFO RMAC IÓ N

Esta tarea no estaba planeada en el trabajo original de la Tesis. Se introdujo

más tarde con el fin de intentar recuperar parte de la información, pasada por

alto, por el fuerte efecto del sistema de refrigeración en la temperatura

registrada por los termopares situados en el área central del horno alto. El

sistema de refrigeración afecta principalmente el termopar T07. Cuando se

Sondas de temperatura

Tem

per

atu

ra (

°C)


119

pone en marcha el sistema de refrigeración, la temperatura mostrada por el

T07 se reduce drásticamente.

Se ha construido y entrenado una red neuronal para reconstruir la señal de

éste termopar. Esta vez se ha seleccionado una estructura Perceptrón de

multicapas. Los detalles de este tipo de red neuronal están recogidos en el

segundo capítulo de esta Tesis.

La red neuronal emplea como aportación los valores de los termopares

situados en ambos lados del T07. De hecho, se han empleado los valores de

T04, T05, T06, T08, T09 y T10. De manera que, la red neuronal tiene seis

aportaciones en total. El resultado único sería el del T07. Para entrenar a la

red se han empleado “los periodos limpios” en los que los perfiles de

temperatura no fueron afectados por el sistema de refrigeración.

Figura 3.19: Reconstrucción y reclasificación de un perfil afectado por el sistema de

refrigeración


120

La figura 3.19 muestra los resultados obtenidos por la red neuronal para un

caso en particular. Como se puede observar, el perfil original presenta una

temperatura extremadamente baja para el termopar T07 por lo que el sistema

lo situó en la clase 21. Después de haberse reconstruido para la red neuronal,

se obtuvo un valor más alto para el T07, y el perfil reconstruido se clasifica

dentro de la clase 6.

Figura 3.20: Reconstrucción y reclasificación de perfiles afectados por el sistema de

refrigeración.

El lado izquierdo de la figura 3.20 muestra perfiles de temperatura a lo largo

de un periodo de 30 minutos en donde tiene lugar una refrigeración

importante. Los perfiles con forma de M han sido dibujados en negro. Al lado

derecho, se representa el mismo periodo después de reconstruir las señales

con la red neuronal. Como se puede observar, solamente permanecen en

negro algunas señales.


121

3.7 MODELO DE VALI DACI ÓN

Validación por periodos largos

Una vez establecida una forma final para las clases, se empleó, de forma

extendida, un programa específicamente desarrollado para analizar la

información disponible. La versión final de este programa se describe a

continuación.

El análisis sistemático ha permitido establecer la relación entre patrones y el

estado del horno alto. Como resumen de los resultados obtenidos, la figura

3.21 muestra un diagrama de barras con la clasificación, llevada a cabo por la

red neuronal, por un periodo de más de un año.

Figura 3.21: Distribución estadística de los perfiles de temperatura según los perfiles a los que

pertenecen. (Negro: señales originales; Verde: tras reconstruir las señales en forma de M.)

Las barras negras representan la clasificación llevada a cabo por el mapa

autoorganizado para las señales originales. Las barras verdes representan la

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 0

2000

4000

6000

8000

10000

12000

14000

Nº de perfil


122

clasificación llevada a cabo por las mismas señales después de reconstruir los

perfiles afectados por el sistema de refrigeración. Las clases del 16 al 21 son

clases especiales para perfiles con forma de M. Como se puede observar,

después de reconstruir las señales, el número restante de perfiles con forma

de M se reduce drásticamente.

Las estadísticas muestran como los patrones relacionados con un rendimiento

normal del horno alto se obtienen con mayor frecuencia.

Normalmente, el rendimiento descrito arriba encaja bien con el rendimiento

del horno alto en sí y la clasificación de las temperaturas hechas por la red

neuronal permite describir el estado del horno y en algunos casos permite

prever colgaduras y colapsos.

Para ilustrar esto, se ha seleccionado un periodo de rendimiento de horno alto

irregular y los perfiles de temperatura obtenidos han sido clasificados

empleando el modelo desarrollado.

Figura 3.22: Evolución temporal de los perfiles de temperatura

La figura 3.22 muestra una representación en 3D, de la evolución temporal de

temperaturas de sonda sobre la carga durante éste periodo.

6.32 6.33 6.34 6.35 6.36 6.37 6.38

x 104

-5

0

5

100

200

300

400

500

600

700


123

El color asignado a cada perfil es arbitrario y ha sido introducido para clarificar

el gráfico.

Figura 3.23: Clasificación de las temperaturas de las sondas colocadas sobre la carga del horno.

Comparación con las medidas de las barras de carga (inferior).

La figura 3.23 reproduce en la parte superior las mismas temperaturas

mostradas en la figura 3.22. Esta vez sólo se muestra una vista frontal, así es

que, una única línea vertical representa cada perfil de temperatura. Cubren un

periodo de 180 horas. Cada una ha sido coloreada de acuerdo con el patrón al

que corresponde. Los periodos de señales coloreados en negro representan los

perfiles de temperatura que han sido alterados por la sonda del sistema de

0 20 40 60 80 100 120 140 160 1800

1

2

3

4

5

6

hours

m

0

200

400

600

800

ºCA

ltu

ra d

e la

car

ga (

m)

T

em

pe

ratu

ra (

°C)

Horas


124

refrigeración y no son de utilidad ya que la información fue destruida (los

perfiles con forma de M).

En la parte inferior de esta misma figura, la altura de la carga ha sido

representada para compararla con las señales de sonda sobre la carga. Hay un

cambio en la barra de medida empleada, a las 90 horas. Este cambio ha sido

marcado con un color distinto (señal roja en vez de azul). Se puede observar

un ligero cambio en el nivel de carga. Esta altura diferente puede ser la razón

para la ligera asimetría mostrada por el perfil de temperatura de carga

superior.

El periodo representado (una semana aproximadamente) se puede dividir en

cuatro zonas distintas:

La primera zona, hasta las 40 horas, es de gran estabilidad. La gran mayoría de

los perfiles pertenecen a la clases verdes, apareciendo alguno de las clases

rojas, y después de esto, un período de menos estables, con perfiles

clasificados como amarillo y azul. Esta menor estabilidad también se ve

reflejada en las medidas de las barras de medida de la altura de la carga.

La segunda zona corresponde a un periodo de 40 a 60 horas. Es una zona de

gran inestabilidad. Los perfiles de temperatura están clasificados en amarillo,

azul, rojo y eventualmente en morado. Tienen lugar muchas colgaduras y

deslizamientos durante el periodo entero que será revisado con mayor detalle

más adelante.

La tercera zona es un periodo altamente estable y cubre de 60 a 140 horas.

Los perfiles de temperatura han sido clasificados principalmente en verde.

Como se puede ver en la parte inferior de la figura, la bajada de la carga es

regular.


125

La cuarta y última zona comienza a las 140 horas. Corresponde a una parada

programada del horno alto y la posterior puesta en operación. Los perfiles de

temperatura están clasificados en morado. Después del arranque del horno

alto, los perfiles siguen clasificados en morado o rojo, indicando que el horno

alto no ha llegado a su rendimiento normal todavía.

Figura 3.24: Clasificación de las temperaturas de las sondas superiores en un periodo de 20

horas de funcionamiento del H.A. Comparación con las señales de altura de la carga y la caída

de presión entre el tragante y toberas

0

2

4

6

m

0 5 10 15 200

1

2

3

4

hours

Kg

/cm

2

0

200

400

600

800

ºCK

g/cm

2

Horas


126

En la figura 3.24 se puede observar, con mayor detalle, la segunda zona que se

ha descrito anteriormente, la comprendida entre las 40 y 60 horas. Se ha

añadido, en la parte inferior, la representación de la caída de presión entre la

zona de toberas y la zona del tragante del horno alto. Este periodo comienza

con dos horas de comportamiento normal en el horno alto. Luego, aparecen

perfiles azules, rojos y morados y la carga sufre un deslizamiento. La medida

de las alturas de la carga también muestra que algo anormal está ocurriendo.

En particular, la última señal parece estar parada justo antes del deslizamiento.

La bajada de presión sufre una subida repentina antes del deslizamiento y

después baja.

Es importante notar que las clases azules aparecen casi una hora antes de que

tenga lugar un primer deslizamiento grande. Esto da un aviso anticipado, de

alguna forma pronosticando el comportamiento anormal del horno alto que

tendrá lugar poco después.

0 20 40 60 80 100 120 140 160 1800

100

200

300

400

500

600

700

800

0 20 40 60 80 100 120 140 160 1800

200

400

600

800

Figura 3.25 Comparación entre las clasificaciones después de la reconstrucción de los perfiles

afectados por el sistema de refrigeración (superior) y los perfiles originales (inferior)


127

Después de esto, el horno alto parece recuperarse según señales de bajada de

presión en el stock rod. Esto no está tan claro si se tiene en cuenta la

clasificación de perfil de temperatura donde las clases de morado y rojo son

dominantes.

Después de seis horas, tiene lugar un periodo largo de mal rendimiento en el

horno alto. Durante más de 12 horas hay colgaduras y colapsos. Esto se

muestra claramente por la clasificación de la red neuronal que asigna perfiles

de temperatura a las clases rojas y moradas. Después del último deslizamiento,

aproximadamente a las 17 horas, el horno alto empieza a recuperarse

lentamente.

Este hecho no está reflejado por la clasificación que sigue manteniendo las

clases moradas y roja como dominantes, indicando que la recuperación

todavía no está completa.

La figura 3.25 muestra una comparación entre las clasificaciones establecidas

después de la reconstrucción de los perfiles afectados por el sistema de

refrigeración (parte superior) y la misma clasificación con los perfiles

originales. Es interesante resaltar como los perfiles originales clasificados en

patrones con forma de M, después de ser reconstruidos, se clasifican con los

mismos patrones como los perfiles vecinos. Por ejemplo, los perfiles

clasificados como “negros” en el periodo largo estable comprendido entre 60 y

130 horas, se clasifican como “verdes” después de haber sido reconstruidos.


128

3.8 HERR AMIE NTA DESARROLL ADA PAR A L A INTE RPRE TACIÓ N DE SONDAS

EN L Í NEA

Al mismo tiempo en el que se ha realizado esta Tesis, se implementó un

programa para clasificar los perfiles de temperatura y analizar los resultados

dados por otros parámetros de horno alto. Ha sido diseñado para trabajar en

línea, utilizando información del ordenador de proceso del horno alto y

también para trabajar fuera de línea descargando la información de un fichero.

El interfaz de usuario se muestra en la figura 3.26.

Figura 3.26 Interfaz del usuario

El interfaz presenta al usuario una serie de parámetros del horno alto para

comparar y estudiar su evolución. Se muestran gráficamente, la evolución

temporal de la humedad de los gases, enriquecimiento de oxígeno,

temperatura del arrabio, caída de presión entre toberas y tragante, y la altura

de la carga durante las dos horas previas. En la ventana principal, el perfil de

-150 -100 -50 0 39.5

40

40.5

humedad

-150 -100 -50 0 0

2000

4000

ox

-150 -100 -50 0 1450

1500

1550

hmt

-150 -100 -50 0 1.2

1.4

1.6

deltaP

-150 -100 -50 0 2

2.5

3 x 10

5

caudal

2 4 6 8 10 12 0

100

200

300

400

500

600

1

Te

mp

ºC

64 53

-120 -100 -80 -60 -40 -20 0 0

0. 5

1

alt. sonda

1 2 3 4 5 6 -8

-6

-4

60

50

40

30

20

10

0

1 2 3 4 5 6 7 8 9 10 11 12

13 14 15

16 17 18

19 20 21


129

temperatura actual se muestra junto a su patrón representativo. También se

muestran el número de patrones. El esquema coloreado en el lado derecho

muestra la distancia entre la medida de la sonda de temperatura y los

patrones obtenidos durante el entrenamiento, empleando un código de

colores. Cuanto más oscuro es el color del cuadrado, más cercano está la

muestra al patrón. La distribución de los cuadrados coloreados es la misma

que la descrita anteriormente para los patrones obtenidos pero se han incluido

seis nuevos patrones, del 16 al 21. Estos nuevos patrones están relacionados

con los perfiles con forma de M.

Se ha añadido al conjunto para evitar confusiones y una clasificación

equivocada cuando se produzcan estos tipos de perfiles de temperatura en

particular. Se presentan otras informaciones en formato numérico, como

puede ser el tiempo, el número de sangrías, la tasa de PCI, y la relación

mineral/coque en la carga.

Finalmente, se incluyen los resultados derivados de un modelo para el perfil de

carga. Cuando se trabaja fuera de línea se puede parar el programa, reiniciarlo,

hacer que avance o retroceda, etc. El programa reinicia la pantalla y la

información cada dos minutos, en el caso de estar en línea o cambiar la

información de un fichero en el caso de estar fuera de línea, pero también en

el segundo caso la información es muestreada cada dos minutos.


130


131

B IBL IOGR AFÍ A C API TULO 3

[1] S. L. Jämsä-Jounela: Current status and future trends in the automation of

mineral and metal processing, Control Engineering Practice, Vol. 9, Issue 9,

1021-1035 (2001)

[2] H. Saxen y F. Pettersson: Nonlinear Prediction of the Hot Metal Silicon

Content in the Blast Furnace, ISIJ Int. 47, 1732-1737 (2007).

[3] N. Nikus y H. Saxen: Prediction of a blast furnace burden distribution variable,

ISIJ Int. 36, 1142-1150 (1996).

[4] H. Saxen, N. Nikus y J. Hinnelä: Burden distribution estimation in the blast

furnace from stock rod and probe signals, Steel Res. Int. 69, 406-412 (1998)

[5] S. Rajashekaran y G. A. Vijayalakshmi Pai: Neural Networks, Fuzzy Logic and

Genetic Algorithms: Synthesis and Applications, Prentice Hall of India, pp. 1-

456. (2003)

[6] J. Hinnela, H. Saxen y F. Pettersson. Modeling of the Blast Furnace Burden

Distribution by Evolving Neural Networks. Ind. Eng. Chem. Res., 42, 2314 –

2323 (2003).

[7] J. Hinnelä y H. Saxen: A neural network model of burden layer information

dynamics in the blast furnace, ISIJ Int. 41, 142-150 (2001).

[8] E. H. Mamdani: Applications of Fuzzy Algoritms for Simple Dynamic Plant;

Proc. IEEE, 121, nº 12, pp. 1585-1588, (1974).

[9] L. A. Zadeh: A Theory of Approximating Reasoning. Machine Intelligence, 9,

Eds. J. E. Hayes, D. Michie, y L. I. Mikulich. New York: Elsevier, pp. 149-194,

(1979).

[10] S. Chiu: Fuzzy Model Identification Based on Cluster Estimation, Journal of

Intelligent & Fuzzy Systems, vol. 2, nº 3, 267-278 (1994).

[11] J.-S. R. Jang, C.-T. Sun y E. Mizutani: Neuro-Fuzzy and Soft Computing. A

Computational Approach to Learning and Machine Intelligence, IEEE trans. Vol

42 – 10, 1482- 1484 (2002)

http://www.sciencedirect.com/science?_ob=PublicationURL&_tockey=%23TOC%235703%232001%23999909990%23262919%23FLA%23&_cdi=5703&_pubType=J&_auth=y&_acct=C000050221&_version=1&_urlVersion=0&_userid=10&md5=0caac6a179985b1c64b59fc523b89780


132

[12] J. C. Bezdek: Pattern Recognition with Fuzzy Objective Function Algorithms;

Plenum Press, New York, (1981)

[13] X.J. Hao, F.M. Shen, G. Du, Y.S. Shen y Z. Xie. A blast furnace prediction model

combining neural network with partial least square regression, Steel Res. Int.,

76, 694-699 (2005)

[14] A. B. Bulsari y H. Saxen: Classification of blast furnace probe temperatures

using neural networks, Steel Res. Int. 66, 231-236 (1995).

[15] F. Pettersson, J. Hinnelä y H. Saxen: Blast furnace burden distribution

modelling with an evolutionary neural network, Proc. of Int. Conf. on

Advances in Materials and Materials Processing (ICAMMP-2002), Eds. N.

Charkraborti, y U.K. Chatterjee, Kharagpur, India, pp. 599-608 (2002).

[16] M. Konishi, Y. Otsuka, K. Matsuda y N. Tamura: Application of neural network

to operation guidance in blast furnace, Third European Seminar on Neural

Computing, London (1990).

[17] J. Hinnelä y H. Saxen: A system for interpretation of blast furnace stock rod

measurements, Proc. of the 56th Ironmaking Conf., Chicago, ISS, pp. 637-677

(1997).

[18] H. Saxen: Interpretation of probe temperatures in the blast furnace using

polynomial approximations. Steel Res. Int. 67 73-78 (1996)

[19] Y. Omori: Blast Furnace Phenomena and Modelling. Ed. The Iron and Steel

Institute of Japan, Elsevier Applied Science, London, (1987)

[20] H. Saxen: Simplified simulation of the transient behaviour of temperatures in

the upper shaft of the blast furnace, Metall. and Mat. Trans. B, 29B, 691-697

(1998).

Capitulo 4 Control y toma de decisiones. . .

133

CAPITULO 4

CONTROL Y TOMA DE DECISIONES EN UN HORNO ALTO, CON 24 SONDAS ''ABOVE

BURDEN'', MEDIANTE REDES SOM

4.1. DESC RIPC IÓN DEL PROCESO ESTU DI ADO

En este capítulo se ha desarrollado el estudio del horno del que se dispone de

datos, el horno alto “A” de la planta que ArcelorMittal dispone en Gijón.

La figura 4.1 muestra las dimensiones más importantes, así como la

distribución de los 24 termopares de que dispone el horno, en

contraposición con los 13 de los que se contaba para el estudio realizado en el

capito anterior. Éstos 24 termopares se agrupan en dos sondas, cada una

con 12 termopares equidistantes. La colocación de las sondas es simétrica

respecto del eje del horno, por lo que conforman un diámetro del mismo,

estando sujetas a la pared en el tragante.

4.2. DESCRI PCIÓ N DE LOS SE NSO RES Y S I STEM AS AN EJOS

4.2.1. SONDA SO BRE L A C ARGA

Para obtener arrabio, el horno alto se alimenta con capas alternas de

m i n e r a l d e hierro, sinter y pellets y coque, según el esquema mostrado en

la figura 4.2. La composición fundamental de la mena de hierro son óxidos

de hierro e impurezas. Por su parte, el coque es mayoritariamente carbono,

aunque también contiene impurezas.


134

Figura 4.1: Cotas del horno alto y situación de los termopares

Por las toberas dispuestas en la parte baja del horno se insufla aire caliente

cuya temperatura, cercana a los 1250 oC, es suficientemente alta para

encender el coque, manteniendo una combustión continuada. Esta

combustión se produce generalmente en defecto de oxígeno, de modo que

se genera monóxido de carbono.

El CO reacciona con los óxidos de hierro, a los que reduce al combinarse

con el oxígeno que tenían presente, dando lugar a CO2 y hierro.


135

Figura 4.2: Esquema de un horno alto

4.2.2. PERFILES DE TEMPER ATUR A

Las sondas colocadas en el tragante del horno alto proporcionan 24

medidas de temperatura. Debido a su disposición, la información equivale a

un corte a lo largo de uno de los diámetros del horno, del que se obtiene

su perfil de temperatura.


136

Figura 4.3: Sonda “above burden”

Estos datos son enviados al centro computerizado de control del horno,

donde los operarios deciden, en función de la forma que presente el perfil

si el horno está funcionado adecuadamente y en caso necesario, modifican

el patrón de carga del horno para llevar el perfil de temperatura al

deseado.

Los perfiles obtenidos están relacionados directamente con la temperatura de

salida de los gases del horno, indicando según sean estos, cual es la marcha del

horno. Las sondas que nos indicarán cual es el perfil de las temperaturas en el

tragante, son similares a la que se muestra en la figura 4.3.

4.2.2.1. EL S I STEM A DE RE FRIGER ACIÓ N

El horno alto está equipado con un sistema de refrigeración dirigido a

proteger las sondas de temperaturas, ya que si la temperatura es muy

alta éstas comienzan a doblarse. La refrigeración funciona bajo dos criterios:


137

Si la temperatura supera un umbral fijado se dispara un chorro de agua en el

centro del horno.

Si no se alcanzan temperaturas por encima del umbral, el horno es enfriado de

todas formas a intervalos regulares de tiempo.

En teoría, el chorro de agua del sistema de enfriamiento debería ir dirigido

exactamente al centro del horno. Sin embargo, un estudio de los patrones

característicos que se producen cuando actúa el sistema - llamados

patrones en M o en W - muestra un ligero descentramiento hacia una

pared del horno. La figura 4.4 ilustra este fenómeno. Como resultado, se

puede ver claramente que el sistema de enfriamiento produce cuando

actúa, perfiles de temperatura anómalos, ya que la temperatura indicada

localmente por los termopares afectados es irreal.

Figura 4.4: Patrón de temperatura en forma de M, producido por la acción del sistema

de enfriamiento


138

Esto no presenta ningún problema en el funcionamiento normal del horno,

pero debido a la política de almacenamiento de datos seguida por

p r á c t i c a m e n t e l a t o t a l i d a d d e l a s empresas siderúrgicas tiene cierta

importancia: tras unos meses, para ahorrar espacio, se reducen los datos

guardando sólo datos de hora en hora, lo que puede ocasionar que se

tomen como temperaturas medias de toda la hora aquellas producidas

instantáneamente por el sistema de refrigeración.

Para evitar este inconveniente, que falsearía los resultados de determinadas

aplicaciones, s e propone en todos los casos interpolar mediante splines

cúbicos la curva del perfil de temperaturas [1]. No se ha utilizado esta

solución, ya que las redes neuronales pueden aprender los patrones con

que se les entrene [2] [3]. Puesto que los perfiles en M corresponden a un

tipo de patrón que se puede encontrar en la práctica, se ha optado por

incluirlos sin modificarlos. De esta forma se gana tanto en fiabilidad y

robustez de la red como en tiempo de cálculo y recursos computacionales

al no tener que interpolar previamente los datos proporcionados

por cada perfil de temperatura que llegue.

4.2.2.2. IMPORTANCI A DE L A TEM PER ATU R A E N EL TR AG A NTE

Un horno alto es una instalación diseñada para funcionar continuamente,

sin paradas, más allá de las previstas para el mantenimiento. De esta forma

el horno se va alimentando conforme se consume la carga anterior, de

manera que siempre haya capas descendiendo por su interior. La dinámica

del horno es extremadamente lenta; una capa de carga puede tardar más

de siete horas en llegar a la zona cohesiva, donde s e comienzan a formar


139

las primeras gotas de hierro líquido. Esta zona está representada en la

figura 4.2 por unas pequeñas gotas amarillas y la ausencia de mineral de

hierro. Puesto que la respuesta del horno alto es tan lenta, es necesario

controlar la temperatura en el tragante en todo momento, intentando

anticiparse a lo que ocurrirá cuando la carga situada en su nivel llegue a

fundirse completamente en el crisol. En ese momento se habrá convertido

en arrabio y buena parte de sus propiedades dependerán del perfil de

temperaturas que había en el tragante. Además, la calidad del acero

obtenido posteriormente en la acería también se verá afectada por la

temperatura de dicho arrabio. Actualmente son los operarios de planta los

que se encargan de vigilar la temperatura que registran los termopares

de las sondas, modificando la disposición y composición de las capas de

material con que se carga el horno, en función de la forma que tenga el

perfil de temperaturas.

4.3 RECO NOCIM IENTO DE PAT RO NES ME DI ANTE RE D ES NEU RO NALES

4.3.1. INT ROD UCCIÓ N . U TI L I ZAC IÓN DE RED ES SOM

La utilización de redes neuronales en la industria no es nueva [4] [5]. Desde

hace varios años ha aumentado el interés por ellas debido a que se

adaptan especialmente bien a problemas mal conocidos o estructurados,

donde no se conocen las ecuaciones o leyes que rigen el comportamiento

de sistemas o donde sencillamente los métodos tradicionales fallan [6]. Su

potencia radica fundamentalmente en dos propiedades: la posibilidad que

tiene la MLP ( p e r c e p t r o n m u l t i c a p a ) de aproximar con una precisión

arbitraria cualquier función continua y el descubrimiento y clasificación de

estructuras o relaciones ocultas que realiza la SOM. Hay muchos otros


140

tipos de redes neuronales, como las RBF, pero se puede decir que las dos

redes que predominan son la MLP y la SOM. La primera necesita un

aprendizaje supervisado y se puede utilizar para clasificar, aproximar o

comprimir-descomprimir información, si bien la mayoría de las aplicaciones

la utilizan para clasificación y reconocimiento de patrones. La SOM en

cambio se entrena sin supervisión, lo que favorece que la red se reorganice

de forma que las estructuras o relaciones ocultas que tenían los datos entre

sí salgan a la luz. Es por ello que en esta Tesis se ha elegido la utilización de

redes SOM, ya que al no disponer de más información que los datos

previamente mencionados, el entrenamiento no supervisado representa

una ventaja. Además, la organización automática que hace esta red de los

patrones de temperatura del tragante es particularmente útil si se

desea obtener una clasificación automática de los mismos, que sirva de

ayuda a los operadores de planta.

Figura 4.5: Relaciones de vecindad en una SOM de malla rectangular


141

4.3.2. DEFI NIC IÓN DE L A RE D SOM

Una red de Kohonen, o SOM (Self-Organizing Map), es una red neuronal no

supervisada, competitiva, distribuida de forma regular en una malla de una

o dos dimensiones, cuyo fin es descubrir la estructura subyacente de los

datos introducidos en ella. A lo largo del entrenamiento de la red, los

vectores de datos son introducidos en cada neurona y se comparan con el

vector de pesos propio de cada neurona. La neurona que presenta menor

diferencia (medida como distancia) entre su vector de pesos y el vector de

datos es la neurona ganadora y ella y sus vecinas verán modificados sus

vectores de pesos.

Figura 4.6: Relaciones de vecindad en una SOM de malla hexagonal


142

4.3.3. TOPOLOGÍA DE L A RE D

La estructura de una red SOM queda definida por su topología. Puesto

que la relación entre sus neuronas es una relación de vecindad, la

estructura quedará fijada al definir los vecinos de una neurona.

Típicamente se utilizan tres tipos de vecindad:

- Malla rectangular: cada neurona (salvo las de los bordes de la red)

tiene cuatro vecinas (figura 4.5).

- Malla hexagonal: cada neurona interior de la red tiene seis vecinas

(figura 4.6).

- Malla irregular: cada neurona tiene un número variable de vecinas,

que se puede definir manual o aleatoriamente, según interese. En la

figura 4.7 se muestra un mallado con vecindad aleatoria.

Las dos primeras relaciones de vecindad son las más utilizadas ya que al

ser regulares permiten tener un mayor control sobre lo que pasa en la red

durante su entrenamiento. Esto es importante ya que durante el

aprendizaje, aunque hay varias técnicas, lo más normal es que las neuronas

cercanas a la neurona ganadora para cada muestra de aprendizaje se

muevan hacia ella.

La noción de “cercanía” viene determinada por la relación de vecindad, de

forma que para un mallado irregular se puede dar la situación de que dos

neuronas estén muy próximas en términos de distancia pero no sean


143

vecinas. En las figuras 4.5, 4.6 y 4.7 la vecindad se representa por los

segmentos azules que unen cada neurona con las demás.

Figura 4.7: Relaciones de vecindad en una SOM de malla irregular

4.3.4. APRENDI ZAJE

La figura 4.8 muestra la arquitectura de una red SOM. Durante el

aprendizaje se dispone de un conjunto de muestras de dimensión R que se

le presentan a la red como vectores R × 1. El proceso de aprendizaje

consta de varios pasos:

1. Llega una muestra como vector R × 1 (véase la figura 4.8

para entender las entradas y salidas de la red).

2. Se calcula la distancia de cada neurona a la muestra.

3. Se determina la neurona ganadora para dicha muestra,

que será la que presente una menor distancia.


144

4. Se actualizan los pesos de la neurona ganadora y de sus

vecinas.

5. El proceso se vuelve a repetir hasta haber introducido todas

las muestras de aprendizaje, lo que se conoce como una

época de entrenamiento.

Figura 4.8: Arquitectura de la red SOM (autoorganizada)

Entre los parámetros que se pueden modificar en una red SOM se

encuentra la métrica utilizada para el cálculo de la distancia y el grado de

vecindad o cercanía necesaria para que las neuronas se desplacen hacia la

posición de la muestra introducida. Típicamente se utiliza una distancia

euclídea, aunque también se pueden ver aplicaciones que se basan en la

distancia de Manhattan o de Mahalanovich. En cuanto al desplazamiento,

lo normal es que las neuronas más cercanas se desplacen más que las

vecinas más lejanas. Además, se suele imponer una relación temporal, de


145

forma que para las últimas épocas del aprendizaje las neuronas se muevan

menos que para las primeras aunque la distancia que las separe de la

muestra sea la misma.

Figura 4.9: Representación/Relación entre entradas y salidas en una SOM

4.3.5. INTER PRE TACIÓ N DE RES U LTADOS

A diferencia de las redes neuronales supervisadas, como las MLP o las RBF,

donde se puede calcular un error de aprendizaje y se puede comparar una

entrada con una salida porque ambas son conocidas y están etiquetadas,

las redes SOM no permiten estos cálculos. La razón es sencilla: al ser no

supervisada, durante el entrenamiento no se le “dice” a la red la etiqueta

que tiene cada muestra de aprendizaje, por lo que ésta no podrá devolver


146

ninguna información al respecto durante el uso normal. La respuesta que

ofrece la red SOM es el mapeo de un espacio de entrada de dimensión R

en otro de dimensión reducida, normalmente 1 ó 2, de forma que las

neuronas se distribuyan cubriendo lo mejor posible el espacio de entrada.

Puesto que la estructura y el método de aprendizaje de las redes SOM está

basado en los conceptos de distancia y vecindad, lo único que se podrá

asegurar será precisamente la topología de la red, pero sin obtener ningún

criterio cualitativo que permita evaluar su eficacia o el error que se comete

al utilizarla.

Típicamente, puesto que se sabe qué neurona gana con cada muestra, se

suele analizar el mapa para identificar las regiones en las que se activan

neuronas cuando entran muestras similares (o del mismo tipo si se trata

de muestras etiquetadas).

Si la SOM ha sido bien entrenada y el problema está bien definido, lo

normal es que se respete el concepto de vecindad: muestras cercanas entre

sí activan neuronas cercanas entre sí. Por tanto, la etapa posterior de

supervisión permite identificar las regiones en las que se divide el mapa

atendiendo a dónde se encuentran las neuronas que se activan con cada

dato. Una vez definidas estas regiones, la red SOM ya está lista para

clasificar nuevos datos.


147

4.4 APLIC ACIÓ N DE L AS RE DES SOM A U N HO RNO ALTO

4.4.1. PL ANTEAMIE NTO DEL P R OBLEMA

El objetivo de esta Tesis es utilizar una red SOM para clasificar

automáticamente los datos de temperatura proporcionados por las dos

sondas colocadas en el tragante [7 y 8.

Al Utilizar su principal característica, el entrenamiento no supervisado, se

pretende llegar a una caracterización de los perfiles de temperatura [9

y 10 que permita informar al operario de planta de cómo está

funcionando el horno, ya que como se ha comentado anteriormente, hay

una relación entre la temperatura en el tragante y la calidad del arrabio

que se obtendrá varias horas después.

Los datos proporcionados por ArcelorMittal del horno alto “A” de la

factoría de Gijón son los siguientes:

- 24 datos de temperaturas, correspondientes a los 12 que registra cada

una de las dos sondas del horno.

- Concentración de CO en el tragante.

- Concentración de CO2 en el tragante.

- Concentración de H2 en el tragante.

- Temperatura media de las sondas.

- Temperatura del arrabio.

- Contenido de Si presente en el arrabio.


148

Figura 4.10: Estadísticas de los datos de temperatura

Todos los datos están tomados al mismo tiempo, a intervalos regulares de una

hora. En un principio sólo se han tenido en cuenta los datos de temperatura de

las sondas y la temperatura media del arrabio, aunque se viene desarrollando

un creciente interés por aplicar las redes neuronales para la predicción del

contenido de Si en el arrabio. Las figuras 4.10 y 4.11 recogen los valores más

representativos del estudio estadístico realizado a los datos de que se

disponen. Nótese que el patrón de temperatura, que debería ser idealmente

simétrico, presenta una zona bastante llana alrededor de los termopares

números 10 y 12, en contraposición con sus simétricos, que presentan una

pendiente siempre ascendente. Cabe pensar, como se comentó

anteriormente, que la actuación del sistema de refrigeración es el causante de

esta anomalía, siendo más acusada en un lado que en otro, debido a la

direccionalidad del chorro de agua proyectada. También hay que destacar la


149

enorme variabilidad que muestran los datos: la longitud de los segmentos

indica una dispersión típica muy elevada y las cruces rojas indican los datos

atípicos, que como se ve son muy numerosos. En cambio, la figura 4.11 no

presenta particularidades reseñables de la temperatura del arrabio, por lo que

será la SOM la que permita concluir si efectivamente existe una relación entre

la temperatura en el tragante y la del arrabio. Puesto que los datos

proporcionados por la factoría no venían clasificados por los operadores de

planta, ha sido necesario establecer una primera clasificación que permita

analizar de alguna forma los resultados que proporcione la SOM, ya que al

ser una red no supervisada, los criterios clásicos como el gradiente del

error no son aplicables. Para e llo se ha propuesto una clasificación

matemática, basada en dos criterios fundamentales:

Temperatura máxima alcanzada.

Termopar en el que se alcanza la temperatura máxima.

Figura 4.11: Estadísticas de la temperatura del arrabio


150

La tabla 4.1 recoge la formulación matemática de estos dos criterios, junto con

una pequeña descripción de lo que está pasando en el horno y el nombre

descriptivo (clase) que se da a cada caso. Estas clases resumen los perfiles de

temperatura en seis situaciones de funcionamiento de un horno alto:

1. Óptimo: el horno alto funciona perfectamente.

La carga es central y simétrica (el mineral de hierro se sitúa cerca de las

paredes y el coque en el centro), lo que permite obtener la máxima

temperatura en la zona central del horno. Además, la carga tiene la

porosidad suficiente como para permitir que los gases calienten la zona

p o r e n c i m a d e l a c a r g a hasta los 300 oC - 450 oC (figura 4.12).

2 . Subóptimo: el horno alto funciona muy bien.

La máxima temperatura se sitúa entre los 300 oC - 450 oC, aunque ahora

ya no se produce en el centro sino que se encuentra desplazada hacia la

pared. Quizá la operación de carga ha sido asimétrica y se está produciendo

un calentamiento anormal cerca de las paredes (figura 4.13).

3 . Bueno: el horno alto funciona b i e n .

La temperatura máxima se localiza en la zona central, aunque es algo baja

(300 oC – 200 oC).

4. No bueno: el horno alto no funciona bien.

La carga se sitúa cerca de la pared y la temperatura es baja, se sitúa por

debajo de los 300 oC. Es el momento de poner en funcionamiento las

acciones correctoras pertinentes.


151

5 . Regular: el horno alto funciona mal.

La temperatura máxima es muy baja (< 200 oC) a pesar de estar

centrada. El arrabio que se obtendrá será de calidad inferior (figura 4.14).

6. Pobre: el horno alto funciona realmente mal, está fuera de control.

La temperatura máxima en el tragante está por debajo de 200 oC y hay

irregularidades en el patrón de alimentación del horno que hacen que el

pico de máxima temperatura esté descentrado. La calidad del arrabio será

pobre.

Perfil

Temperatura

450 oC - 300 oC 300 oC - 200 oC < 200 oC

Central Óptimo Bueno Regular

Temperatura

máxima desviada a la

derecha

Subóptimo No bueno Pobre

Temperatura

máxima desviada a la

izquierda

Subóptimo No bueno Pobre

Carga en pared

derecha Subóptimo No bueno Pobre

Carga en pared

izquierda Subóptimo No bueno Pobre

Tabla 4.1: Clasificación matemática de los patrones de temperatura


152

En general, el coque - e n l a o p e r a c i ó n d e c a r g a – se ha de

introducir en el área central para alcanzar una temperatura de unos 450 oC

mientras que el mineral de hierro debe situarse cerca del muro. De esta

forma, cuando se queme el coque, el vacío central resultante de la

combustión hará que el mineral de hierro vaya cayendo hacia el centro del

horno.

Si el coque se deposita cerca de las paredes, la máxima temperatura será

baja y las medidas de los termopares cercanos a las paredes se

incrementarán.

4. 4.2. CL ASI FIC ACIÓ N NO SU PE RVI SADA MEDI ANTE SOM

La utilización de una red de tipo SOM no está muy extendida entre las

aplicaciones industriales. De hecho, la clasificación no supervisada ha sido

objeto de poca investigación [ 1 1 ] si se la compara con la abundante

información que existe sobre las redes de tipo Perceptron Mult icapa

(MLP) o de función de base radial (RBF), con dos notables excepciones: en

[ 1 2 ] se propone exactamente la misma aplicación que se expone en esta

Tesis, pero aplicada a la clasificación de los patrones de temperatura a lo

largo de la pared del horno alto y en [13] se utiliza también una red SOM

para clasificar los patrones de calor dentro del horno alto. En cambio, e n

[8], [14] se inclinan por el uso de redes MLP y en [15] se prefiere el uso de

redes RBF.


153

Figura 4.12: Patrón de temperatura óptimo

Figura 4.13: Patrón de temperatura subóptimo


154

Figura 4.14: Patrón de temperatura regular

4.4.2.1. ELECCIÓN DE L A RE D NE URO NAL

Como se ha comentado anteriormente, existen varios tipos de redes

neuronales, que se pueden clasificar principalmente en dos grandes grupos

atendiendo a cómo sea su entrenamiento: redes supervisadas y no

supervisadas. La gran mayoría de las redes supervisadas suelen tener la

arquitectura de un perceptrón multicapa (MLP), ya sea entrenado

mediante propagación hacia atrás (back propagation, BP) o por el

contrario, propagación realimentada hacia delante (feed forward

propagation, FFP). También se encuentran, aunque en menor cantidad, las

que utilizan las funciones de base radial (radial basis functions, (RBF). Si

por el contrario se busca un entrenamiento no supervisado, la red que se


155

utiliza es el mapa auto-organizado, (SOM), que ha sido la utilizada en esta

aplicación.

El número de patrones que puede aprender una red SOM es igual al

número de neuronas que la componen, de forma que hay que dimensionar

la red sin excederse, ya que se correría el riesgo de caer en

sobreentrenamiento, esto es, hay tantas neuronas disponibles que cada

una se puede dedicar a aprender, en exclusiva, un dato de entrada. Esta

práctica no es recomendable ya que se pierde la capacidad de

generalización que tenía la red ante datos no disponibles y, por tanto, no

procesados. Si por el contrario se construye una red con muy pocas

neuronas, éstas se reordenarán de la manera más eficiente posible,

probablemente entre medias de todas las muestras, con lo que no serán

capaces de representar bien a ningún grupo concreto de patrones.

Figura 4.15: Histograma de los datos clasificados según las 6 clases de la tabla 4.1


156

El histograma de la figura 4.15 muestra un gran desequilibrio en el

número de datos de cada clase, lo que se traducirá en que la gran mayoría

de las neuronas aprenderán patrones de las clases que tienen más

muestras. Esto representa un gran problema para los objetivos que se

persiguen en esta Tesis, por lo que se ha optado por una solución novedosa

que permitiera equilibrar las muestras de cada clase: se dividió en dos el

proceso de entrenamiento de la red:

1. Se entrenó una primera red SOM de 13 × 13 sólo con los datos de las

clases “óptimo” y “subóptimo”. De esta forma se consiguieron 169

patrones artificiales correspondientes a los pesos de las 13 × 13

neuronas. Estos patrones no corresponden exactamente a ningún dato,

pero recogen la información más relevante de todas las muestras, de

forma que podemos entender que las neuronas de la red presentan

un “resumen” d e los aproximadamente 5500 datos que suman entre

las dos clases.

La figura 4.16 muestra el nuevo histograma, más equilibrado que el

anterior. No es conveniente equilibrar totalmente el número de

muestras, ya que no todas las clases tiene la misma importancia: la

clase “pobre” se da con mucha menos frecuencia que la clase

“subóptimo” ya que el horno se controla de forma que opere

correctamente la gran mayoría del tiempo.

2. La segunda red SOM, de 10 × 10, se entrenó con los datos de las

clases “óptimo” y “subóptimo” provenientes de los pesos de las

neuronas de la red anterior, junto con los datos originales para las


157

demás clases. Esta red será la que se utilice para la clasificación

automática, no supervisada, de los patrones de temperatura.

Figura 4.16: Histograma de los datos clasificados según las 6 clases de la tabla 4.1, con

las clases “óptimo” y “subóptimo” reducidas mediante a una red SOM auxiliar

La topología de la red también es un factor a considerar. En este caso,

ante la falta de información al respecto, se ha elegido una estructura de

malla regular cuadrada, de forma que las neuronas estén inicialmente

equidistribuidas por todo el espacio de entrada.

4.4.2.2. ENT RENAMIE NTO DE L A P RIMER A RED SOM

El entrenamiento de la red auxiliar se llevó a cabo con las muestras de

las clases “óptimo” y “subóptimo”, ya que el objetivo no era validar la red

sino resumir la información recogida en los patrones de temperatura de


158

esas clases en sólo 169 datos. La figura 4.17 recoge el número de veces que

ganó cada neurona durante la fase de entrenamiento, mientras que la

figura 4.18 expresa la distancia que separa a cada una de las neuronas de

sus vecinas. Grandes distancias tienden a expresar grandes diferencias

entre patrones, mientras que si las neuronas están cerca, es razonable

pensar que los patrones a los que representan son muy parecidos. La

métrica que se utiliza para medir las distancias entre neuronas es la

euclídea.

Figura 4.17: Gráfica de la SOM auxiliar mostrando cuántas veces ha ganado

cada neurona durante el aprendizaje


159

Figura 4.18: U-matriz de la SOM auxiliar: los colores claros indican que las neuronas están

cercanas entre sí mientras que los colores oscuros indican una distancia mayor

4.4.2.3. ENT RENAMIE NTO DE L A S EGUNDA RE D SOM

Una vez entrenada la primera red, se utilizan los pesos de las neuronas como

datos de entrada para la segunda red SOM. Para ello, se decide la clase a

la que pertenece cada neurona teniendo en cuenta para qué muestras ganó,

ya que se sabe la clase de las muestras utilizadas para el aprendizaje, que

han sido clasificadas según la tabla 4.1.


160

La distribución de las muestras utilizadas para el aprendizaje de la red se

puede ver en la figura 4.16. A pesar de haber utilizado una red de 10 × 10

neuronas, 1000 épocas y número aceptable de muestras, se puede

observar en la figura 4.19 que hay cuatro neuronas que no han ganado

nunca. Al igual que antes, la gráfica 4.20 muestra las distancias relativas

entre neuronas.

Figura 4.19: Gráfica de la SOM mostrando cuántas veces ha ganado cada neurona

durante el aprendizaje


161

Figura 4.20: U-matriz de la SOM: los colores claros indican que las neuronas están

cercanas entre sí mientras que los colores oscuros indican una distancia mayor

4.4.2.4. RECONOCIM IENTO DE PAT RO NES

Una vez entrenada la red, es necesario identificar las neuronas como

pertenecientes a una u otra clase, de forma que pueda reconocer los nuevos

patrones que lleguen autónomamente 16. Para ello, puesto que la red SOM

es una red no supervisada, se ha partido de la clasificación basada en los

criterios de la tabla 4.1. Los colores de las curvas que representan el patrón de

cada neurona indican su clase, según el siguiente código de colores:


162

Rojo: clase “óptima”. Azul: “subóptima”. Negro: “buena”.

Cyan: “no buena”. Marrón: “regular” y Magenta: “pobre”.

Las figuras 4.21 y 4.22 reflejan los inconvenientes y debilidades de clasificar los

patrones de temperatura con estos criterios:

1. Las clases están entremezcladas, lo que indica, debido a la conservación

de la topología de las redes SOM, que los criterios utilizados no son

adecuados para establecer una clara separación entre clases.

2. El utilizar criterios rígidos cerrados, tales como que un grado arriba o

abajo de temperatura suponga el cambio de clase, implica que la

transición de clases entre las neuronas no será suave.

Figura 4.21: Patrones de temperatura obtenidos al entrenar la red SOM auxiliar de

13 × 13 neuronas


163

La figura 4.21 es especialmente llamativa; las clases están demasiado

mezcladas. Al atender a esta clasificación, la red será inútil cuando lleguen

datos nuevos, ya que, aunque en todos los casos habrá una neurona

ganadora, no estará muy claro la clase a la que debe pertenecer.

La solución pasa por utilizar la experiencia del operador de planta, que

toma como criterio para decidir si un patrón de temperatura es o no

bueno, la forma global del mismo, sin atender a unos criterios específicos

rígidos. Se pueden reducir las seis clases a sólo tres, agrupándolas de la

siguiente manera:

VERDE

BUEN FUNCIONAMIENTO DEL HORNO.

AGRUPA A LAS CLASES “ÓPTIMO” Y “SUBÓPTIMO”.

AMARILLO

FUNCIONAMIENTO REGULAR DEL HORNO.

AGRUPA A LAS CLASES “BUENO” Y “NO BUENO”.

ROJO

MAL FUNCIONAMIENTO DEL HORNO.

AGRUPA A LAS CLASES “REGULAR” Y “POBRE”.

En el fondo de la figura 4.22 se aprecia esta nueva clasificación.


164

Figura 4.22: Patrones de temperatura obtenidos al entrenar la red SOM de

10 × 10 neuronas

Se observan una serie de consecuencias que permiten validar la nueva

clasificación:

1. Las neuronas de cada nueva clase están juntas, con alguna

excepción.

2. La clase verde agrupa a las dos mejores clases, la amarilla a

las dos intermedias y la roja a las dos peores.

3. La variación entre clases es progresiva, como en un

semáforo: verde, amarillo y rojo, siendo imposible pasar de


165

verde a rojo porque ninguna neurona verde tiene como

vecina a una roja y viceversa.

4. La cantidad de neuronas proporciona una estimación de la

importancia de cada clase. Puesto que se intenta

mantener al horno alto de forma que opere en las mejores

condiciones posibles es lógico que haya más neuronas de

las mejores clases. Las neuronas pertenecientes a las

clases amarilla y roja serían realmente menos, ya que como

se ha explicado anteriormente, se ha reducido el peso de

las muestras de las mejores clases mediante la red SOM

auxiliar.

4.4.3. APLIC AC IÓN I ND U ST RI AL

Una vez que la red SOM ha sido entrenada y que, al ser no supervisado el

entrenamiento, sus neuronas han sido clasificadas manualmente

atendiendo a las indicaciones de los operarios de planta, ya se puede utilizar

para la clasificación automática de los nuevos patrones de temperatura

que vayan proporcionando las dos sondas.

4.4.3.1. SOFT WARE DESAR ROLL AD O

El objetivo principal de esta parte de la Tesis es la concepción de un sistema

automatizado, basado en redes SOM, que sirva de ayuda al criterio del

operador de planta, de forma que la evaluación del g r a d o d e

i d o n e i d a d del patrón de temperaturas del tragante, que en cada


166

momento registran las sondas, sea lo más sencilla y ágil posible. Para ello,

aprovechando la reducción en las clases que ha supuesto la clasificación no

basada en criterios matemáticos, se propone una sencilla aplicación

informática desarrollada en Matlab, que mediante un código de colores

del tipo semáforo, permita al operario conocer de un vistazo la

clasificación que hace la SOM del patrón de temperatura actual. Es

importante recordar que este software no está concebido para sustituir al

operador de planta, sino que ha de servir como una ayuda visual que

permita agilizar el control y la toma de decisiones en la sala de mando del

horno alto.

Figura 4.23: Ejemplo de clasificación automática de un patrón de temperatura

“óptimo”

El software desarrollado muestra en todo momento el último patrón de

temperatura proporcionado por los termopares de las sondas en una

ventana gráfica que se actualiza cuando llega un nuevo dato. El fondo de

dicha ventana muestra un color determinado automáticamente por la

SOM, siendo verde para los mejores patrones, amarillo para los regulares y


167

rojo para los malos, de acuerdo con la figura 4.22. Además, en caso de que

se requiera un refinamiento extra en la información proporcionada, el título

de la gráfica corresponde a la clasificación que habría obtenido el patrón

de acuerdo a la tabla 4.1. Las figuras 4.23, 4.24 y 4.25 ilustran el

funcionamiento del programa con un ejemplo de patrón clasificado en

cada una de las tres clases principales.

Figura 4.24: Ejemplo de clasificación automática de un patrón de temperatura “no

bueno”

4.4.4. CORREL ACIÓ N ENT RE L A TEMPER ATU RA DEL AR R A BIO Y L A

CL ASI FIC ACIÓ N DE L A SOM

Una de las mayores líneas de investigación en el sector siderúrgico y más

concretamente, entre los productores de acero, es la determinación del

contenido de silicio en el arrabio procedente del horno alto 17, ya que está

estrechamente relacionado con su calidad. También es frecuente intentar

predecir el contenido de azufre que tendrá, ya que éste fragiliza la


168

estructura del acero resultante 18. En esta Tesis se ha intentado ir

más lejos aún y generalizar el binomio temperatura-calidad del arrabio.

Figura 4.25: Ejemplo de clasificación automática de un patrón de temperatura

“regular”

Los operadores saben que la calidad del acero dependerá, en buena

medida, de la temperatura a la que se obtenga el arrabio, de modo que

cuanto antes se pueda predecir esta temperatura antes se podrá actuar.

Puesto que la red SOM entrenada clasifica los patrones de temperatura

en el tragante del horno, que es el comienzo de la producción de arrabio,

parece lógico intentar utilizarla para predecir su calidad.

La figura 4.26 muestra los resultados obtenidos. Puesto que no se sabía

exactamente cuál era el tiempo necesario para que la carga introducida en

el horno alto tuviera repercusión en la temperatura del arrabio, se han

calculado los coeficientes de correlación entre la clasificación de los

patrones de temperatura en el tragante, efectuada por la SOM y por

los criterios de la tabla 4.1 y la temperatura medida en el arrabio un

número variable de horas después. Se ha tomado como base 24 horas,


169

correspondiente a un periodo lo suficientemente amplio como para que la

carga introducida en el tragante ya haya sido extraída del crisol. Además,

para saber si la correlación obtenida es o no significativa se muestran los

p-valores asociados a cada coeficiente de correlación para las dos

clasificaciones (SOM y criterios matemáticos). Un p-valor menor del 0,05

indica que, con una confianza del 95%, la correlación obtenida no es

casual. Los resultados obtenidos no pueden ser más ilustrativos:

La correlación empieza a ser significativa a partir de la primera hora.

La correlación es máxima a las 8 horas de haber introducido una nueva

carga en el horno alto. Este es el tiempo medio, que coincide con el

conocimiento basado en la experiencia de los operadores de planta,

que tarda una capa de carga en llegar a la zona cohesiva del horno alto

y en comenzar a fundirse.

Las correlaciones obtenidas, según la clasificación de la SOM (en rojo) y

de la tabla 4.1 (en azul), muestran comportamientos parecidos y

coinciden para un retraso de 8 horas, exactamente cuando se alcanza

la correlación máxima.

A partir de unas 15 horas de la introducción de la carga en el horno

alto se puede suponer que ya ha sido convertida en arrabio puesto que

la correlación cae drásticamente hasta valores no significativos (su p-

valor es mayor de 0,05).


170

Figura 4.26: Coeficientes de correlación y p-valores asociados a la hipótesis de que no

haya una correlación significativa en función del tiempo transcurrido desde que se

introduce una nueva carga en el horno alto

Por tanto, se puede concluir que la temperatura en el tragante condiciona

alrededor de un 12% la temperatura que se obtendrá en el arrabio unas 8

horas después. Hay que recordar que la correlación sólo mide relaciones

lineales entre magnitudes, y que es seguro que existirán relaciones no

lineales que no han podido ser detectadas.


171

BIBLIOGRAFÍA CAPITULO 4

[1] H. Saxen: Interpretation of probe temperatures in the blast furnace using

polynomial approximations, Steel Res. Int. 67, 73-78 (1996).

[2] S. Rajashekaran y G. A. Vijayalakshmi Pai: Neural Networks, Fuzzy Logic and

Genetic Algorithms: Synthesis and Applications, Prentice Hall of India., pp. 1-

456. (2003)

[3] M. Konishi, Y. Otsuka, K. Matsuda y N. Tamura: Application of neural network

to operation guidance in blast furnace, Third European Seminar on Neural

Computing, London (1990).

[4] M. Falzetti, U. Chiarotti, J. Jiménez y J. Mochón: Investigation of Fuzzy Logic

and Neural Network Based Strategies for Control Optimisation of Ironmaking

Process, EUR 19348 en. (2000)

[5] J. Morris y E. B. Martin: Proc. Application of Artificial Neural Networks

Systems in the Steel Industry, ECSC Workshop, European Commission,

Brussels, 9 (1998).

[6] S. Dwarapudi, P. K. Gupta y S. M. Rao: Prediction of Iron Ore Pellet Strength

Using Artificial Neural Network Model, ISIJ Int., 47 No. 1, 67-72 (2007).

[7] A. B. Bulsari y H. Saxen: Classification of blast furnace probe temperatures

using neural networks, Steel Res. Int., 66, 231-236 (1995).

[8] F. Pettersson, J. Hinëla y H. Saxen: Blast furnace burden distribution modelling

with an evolutionary neural network, Proc. of the Int. Conference on

Advances in Materials and Materials Processing (ICAMMP-2002), eds. N.

Charkraborti, y U.K. Chatterjee, Kharagpur, India, pp. 599-608. (2002)

[9] R. Martín D., J. Mochón, L. F. Verdeja, R. Barea, P. Rusek y J. Jiménez: Above

burden temperature data probes interpretation to prevent malfunction of

blast furnaces. Intelligent information preprocessing, Steel Res. Int., 80, No.

3, 194. (2009)


172

[10] R. Martín D., J. Mochón, L. F. Verdeja, R. Barea, P. Rusek y J. Jiménez: Above

burden temperature data probes interpretation to prevent malfunction of

blast furnaces. Factory Applications, Steel Res. Int., 80, No. 3, 185-193 (2009).

[11] J. A. Freeman y D. M. Skapura: Redes Neuronales: Algoritmos, Aplicaciones y

Técnicas de Programación; Ed. Addison-Wesley, ISBN 0201513765 (1993).

[12] J. C. Bezdek, y K. Pal Sankar: Fuzzy Models for Pattern Recognition, IEEE Press,

(1992)

[13] J. Jiménez, J. Mochón, J. Sainz de Ayala y F. Obeso: Blast furnace hot metal

temperature prediction through neural networks-based models ISIJ Int., 44

No. 3, 573-580 (2004).

[14] C. Xing, H. Xiqin, W. Wenzhong, Z. Huaguang and Y. Xihuai: The application of

techniques of neural network to product structure analysis of iron and steel

corporation, IJCNN’99, Vol. 5, pp. 3377-3379, (1999).

[15] Z. Lawrynowicz y S. Dymski: Adv> Mater. Sci., 8, No. 1, 94-104 (2008).

[16] J. Mochón, J. Jiménez, E. Faraci, H. Rausch, K. Heinäen, H. Saxen et al., Above

Burden and in Burden Probe Data Interpretation by a Neural Network Based

Model to Improve Blast Furnace Control, Technical Steel Research Series,

European Commission, ISBN92-8945697-3, (2003).

[17] Y. Wei, L. Ya-Xiu, B. Bing-zhe y F. Hong-Sheng: RBF-Type Artificial Neural

Network Model Applied in Alloy Design of Steels, J. Iron Steel Res. Int., 15, No.

2, 87-90 (2008).

[18] F. Nürnberger, M. Schaper, F. W. Bach, I. Mozgova, K. Kuznetsov, A. Halikova y

O. Perederieieva: Prediction of continuous cooling diagrams for the precision

forged tempering steel 50CrMo4 by means of artificial neural networks, Adv.

Mater. Sci., art. 582739, 10 p. (2009).

Capitulo 5 Conclusiones

173

5 CONCLUSIONES

5.1. DISCUSION DE LOS RESULTADOS OBTENIDOS PARA HORNOS CON 13 SONDAS

POR ENCIMA DE LA CARGA.

Cuando un operador del horno recibe, a través de las sondas sobre la carga,

una gran cantidad de datos, necesita procesarlas, estableciendo una estructura

que le permita actuar rápidamente tomando las decisiones necesarias sobre la

marcha del horno.

Varios aspectos de los trabajos realizados en la confección de esta Tesis

Doctoral pueden considerarse valiosos para mejorar la operación del horno

alto:

En primer lugar, el estudio que se llevó a cabo en las señales de sondas sobre

la carga ha permitido un conocimiento más completo de su significado y su

relación con los parámetros de marcha que influyen en el rendimiento del

horno alto.

Se ha establecido que, la observación de las señales de la carga, por sí mismas,

según se obtienen de las sondas del horno alto, son de poco valor para los

operadores de planta debido al gran volumen de resultados obtenidos. La

mayor parte de su información está oculta por las complejas relaciones que

existen entre los resultados obtenidos de ellas y las perturbaciones operativas

a corto y largo plazo.

El estudio de las distribuciones de temperatura y su evolución, obtenidas de

las sondas, es un indicador de los estados concretos que deben mantenerse o

evitarse para conseguir una operación dentro de los valores paramétricos

establecidos.


174

De manera que, es notable que una de las consecuencias de los estudios

desarrollados haya sido que la dirección de la empresa al cuidado del horno

alto haya decidido cambiar el sistema de refrigeración ya que el sistema

antiguo, de enfriamiento mediante gas, eliminaba una parte importante de la

información suministrada por las sondas. Esto da una idea del bajo uso que se

ha dado de la información que estas sondas son capaces de suministrar.

Aplicando esta información adecuadamente al trabajo a diario con el horno

alto se pueden conseguir reducciones de costos, aumentos de producción y

mejoras de calidad significativas.

En segundo lugar, como consecuencia del estudio llevado a cabo, se ha creado

una herramienta fiable para la interpretación de la evolución de las

temperaturas de las sondas situadas sobre la carga para diagnosticar el estado

del horno alto y así trabajar en condiciones más favorables.

Esta nueva herramienta, basada en la red neuronal, puede suministrar a los

operadores de planta, no sólo información de los valores de las señales según

se obtienen de las sondas, sino también una interpretación de estas señales de

acuerdo con los estados posibles del horno alto y la posibilidad de comparar y

comprobar estos resultados con otras variables significativas del mismo,

pudiendo ser una herramienta útil para los operadores de que correlaciona los

diferentes estados.

Ahora será posible prever los estados de mal funcionamiento del horno,

tomando las medidas correctoras con antelación. Es decir, utilizar las actuales

sondas situadas sobre la carga de un modo más eficiente, disminuyendo costos

y mejorando la calidad del arrabio.

El sistema se puede trasladar a otros hornos altos, aunque siempre será

necesario que se realice el entrenamiento de la red neuronal para adaptarse a

cada horno nuevo.


175

Y por último, pero no menos importante, el “know-how” desarrollado puede

servir para aplicar esta técnica a otras sondas del horno alto y alentar a los

investigadores a continuar con el estudio de las diferentes variables del horno

alto, su interpretación y, por tanto, poder alcanzar una mejor comprensión y

un mejor control del mismo.

Se espera que este modelo pueda ayudar a disminuir el consumo de los

agentes de reducción, coque y carbón. Por supuesto, una vez que el modelo se

vaya utilizando más tiempo, junto con el aumento de los datos obtenidos y

utilizados, se obtendrá una mejor cuantificación de la utilidad de este modelo.

Cuantos más datos adicionales para el entrenamiento de las redes neuronales

se tengan, mayor será la calidad del modelo, aumentando cada vez más los

beneficios buscados.

Se han desarrollado y probado diferentes métodos para una mejor

interpretación de los datos proporcionados por las diferentes sondas situadas

en el tragante del horno alto. Los parámetros asociados a los gases del

raceway son los que más rápidamente determinan los cambios de estado en la

marcha del horno alto.

Todos estos métodos utilizan diversas técnicas, todas ellas basados en las

técnicas de la Minería de Datos (Data Mining)

Resumiendo, se han empleado redes neuronales de diferentes tipos para:

Analizar y clasificar las temperaturas de las sondas por encima de la carga.

Como resultado, es posible, partiendo de la clasificación realizada por la

red neuronal, diagnosticar el estado del horno alto. Además, es posible

prever una situación anormal.


176

Partiendo de estos resultados, se ha creado una herramienta de software

para utilizar en el centro computerizado de control del horno alto y servir

de ayuda al operador, mediante un computador que analiza las

temperaturas obtenidas en las sondas instaladas sobre la carga.

También se han utilizado diversos modelos, clásicos o híbridos, para obtener el

modelo que relaciona las temperaturas de las sondas situadas por encima de la

carga, con la distribución de la carga y para calcular la distribución más

favorable de la carga en el tragante y en el eje central del horno alto.

Se ha utilizado una red neuronal para reconstruir la información de los datos

proporcionados por el termopar, situado en el centro del horno, con el fin de

evitar una pérdida de información debida al sistema de refrigeración y

enfriamiento de la sonda. En ese apartado se ha planteado, que cada vez que

se obtiene un nuevo perfil de temperatura de las sondas situadas sobre la

carga, se clasifica y, posteriormente, se realiza un diagnóstico válido utilizando

un método similar a los semáforos, esto es útil para los operadores de la

planta, informándoles sobre el rendimiento de horno alto

Al mismo tiempo, es posible pronosticar la aparición de descuelgues y

derrumbamientos de la carga con más de una hora de antelación.

También se ha desarrollado una nueva herramienta, de fácil manejo, para la

interpretación de las señales de las sondas por encima de la carga, a partir de

la investigación antes mencionada, lo que permite a los operadores obtener

no sólo las señales de la sonda al descubierto, sino también una primera

interpretación de su significado operativo.


177

5.2 DISCUSION DE LOS RESULTADOS OBTENIDOS PARA HORNOS CON 24 SONDAS

POR ENCIMA DE LA CARGA.

En cuanto a los resultados obtenidos al emplear un sistema de 24 sondas sobre

la carga en vez de las 13 sondas iniciales, se puede afirmar que:

Los resultados muestran una excelente capacidad de reconocimiento y

clasificación de los patrones de temperatura por parte de la red neuronal. Es

difícil evaluar los resultados obtenidos por el uso de la SOM, red de mapas

autoorganizados, ya que al ser una red no supervisada carece de los criterios

de evaluación tradicionales, como son el gradiente del error cometido durante

el entrenamiento, el error cuadrático medio o la matriz de confusión.

Sin embargo, es precisamente por este motivo por el que se ha elegido una red

con entrenamiento no supervisado, ya que no hay forma de contrastar los

resultados al no haber datos al respecto y la red SOM permite sortear esta

carencia de forma notable, pudiendo disponer de evaluaciones, en tiempo

real, de valores del horno alto.

Como ya se ha visto, en las redes SOM el concepto de topología es sumamente

importante. Atendiendo a este criterio, de una forma más cualitativa que

cuantitativa, se puede analizar su comportamiento. La red SOM utilizada

finalmente conserva perfectamente el concepto de topología ya que ha

conseguido separar perfectamente en regiones disjuntas las clases principales

en que se deben dividir los patrones de temperatura.

Se ha demostrado que esta clasificación recoge y supera a la clasificación

matemática de los patrones de temperatura (tabla 4.1), aumentando su

generalidad y por tanto su utilidad. El respaldo y aceptación que muestra la

clasificación de la SOM, por parte de los operadores, es otro factor a tener en


178

cuenta a la hora de evaluar sus prestaciones. Finalmente, otras cuestiones

como la variación progresiva de la optimalidad que presentan las neuronas de

la red (no hay una neurona de la clase roja que tenga como vecina a una

neurona de la clase verde) junto con la importancia relativa de cada una de

estas clases en el conjunto de la red son otros indicios que llevan a pensar que,

efectivamente, la red SOM presentada es una buena herramienta de ayuda a

la decisión para el control de la operación del horno alto a partir de datos del

estado de la temperatura del tragante.

El uso de la red SOM, además ha permitido aislar la correlación lineal que

existe entre la temperatura medida por las sondas y la que se obtendrá en el

arrabio ocho horas más tarde. Las pruebas estadísticas realizadas sugieren que

la correlación encontrada no es casual y el conocimiento suministrado por los

operadores coincide con estos datos, lo que refuerza aún más la evaluación

positiva del uso de la red SOM en esta aplicación.

El uso de nuevas técnicas de ayuda a la decisión basadas en la utilización de

redes neuronales, ha demostrado ser muy válido para el proceso de obtención

de arrabio en un alto horno. Entre sus ventajas se pueden citar la de que su

coste computacional es muy reducido, una vez ha sido entrenada la red. Del

mismo modo, su mantenimiento es nulo, salvo que cambien las condiciones de

funcionamiento del horno, en cuyo caso bastaría con entrenar de nuevo otra

red. Los resultados obtenidos indican que, en procesos tan complejos como el

estudiado, con 24 medidas de temperatura, el criterio de los operadores

puede verse reforzado por la clasificación resultante de la SOM, ya que es

lógico pensar que una persona intenta resumir esas 24 informaciones en unas

pocas reglas que le satisfagan al poderlas interpretar en la mayor parte de las

situaciones. Sin embargo, la red SOM, al ser una herramienta matemática,

tiene en cuenta todas las medidas, ponderando su importancia y emitiendo

una clasificación ligeramente distinta, con mejores propiedades topológicas,


179

aunque a costa de un menor detalle en la misma, la SOM final sólo cuenta con

tres clases frente a las seis de la clasificación matemática.

Las redes SOM suponen una buena y sencilla herramienta para el control de la

temperatura en el tragante en un horno alto, permitiendo al operador tener

una idea de la temperatura (y, por tanto, de la calidad) del arrabio que

obtendrá posteriormente, con los beneficios que esto supone para la industria

siderúrgica.

El coste de este análisis de resultados no es alto dado que las sondas están

incorporadas ya al horno alto y el estudio del conjunto de datos obtenidos

puede ser actualmente realizado por ordenadores de uso común en el control

de procesos, siendo el software similar al utilizado por los programas Excel de

Microsoft. La mejora del control permitirá marchas operativas de menor coste

aumentando la rentabilidad.

5.3 PERSPECTIVAS Y TRABAJOS FUTUROS

A partir de los diferentes estudios que se han realizado se podrían designar

diversos campos, dentro del estudio completo del horno alto, que podrían ser

objeto de nuevos trabajos, distinguiéndose, según las diferentes zonas del

horno alto, los siguientes temas;

5.3.1 PARTE ALTA DEL HORNO, POR ENCIMA DE LA CARGA

Las medidas de la composición y temperatura del gas en la parte superior se

han convertido en mediciones de rutina que no presentan problemas

destacables y que dan información importante sobre el proceso. Las

mediciones de la distribución de la composición y temperatura del gas radial

por medio de sondas por encima de la carga se utilizan ampliamente. Sin


180

embargo, sus resultados son más bien tendenciosos, tanto más cuanto mayor

es la distancia a la superficie de la carga. La utilización de sondas inclinadas

reduce los errores, pero se considera que las sondas internas a las cargas dan a

menudo resultados mucho más representativos

Las mediciones del perfil de la carga por radar o sensores de ultrasonidos se

van realizando cada vez en una mayor cantidad de hornos; éstas, combinadas

con modelos de llenado de carga, permiten un buen control sobre la

distribución de la carga.

La monitorización de la velocidad de descenso de la carga mediante sondas de

nivel, se puede realizar en prácticamente todos los hornos, aunque esas

sondas dan sólo información parcial sobre el descenso de la carga que afectan

de uno a cinco puntos seleccionados. A partir de las lecturas de esas sondas, se

pueden computar velocidades de descenso de la carga locales, aunque los

resultados de esos cálculos no son completamente fiables. Las mediciones más

completas de la velocidad de descenso de la carga a lo largo del perímetro del

horno, no han alcanzado todavía el estatus de una medición industrial fiable.

Otras áreas de futuras investigaciones son:

Mediciones y control del flujo transversal de gas, así como su impacto

sobre el funcionamiento del horno y eliminación de álcalis;

Medición exacta de la distribución radial de la cantidad y análisis del polvo

rechazado hacia la parte alta del horno;

Velocidad local del gas;

Evaluación del análisis del tamaño de la carga;

Heterogeneidad circunferencial del flujo de material (sólidos y gases);

Mediciones in situ del espesor de la capa de carga en la pared.


181

5.3.2 MEDICIONES EN LA PARED, CUBA Y ETALAJES

Las mediciones de la presión de gas a lo largo del horno se están convirtiendo

en mediciones de rutina en muchos otros hornos, del mismo modo que las

mediciones de la temperatura en la pared del horno y elementos enfriadores.

La distribución de la carga y de las pérdidas de calor se evalúan de acuerdo con

dichas mediciones.

Las sondas internas de carga fijas dan generalmente una mejor imagen de las

reacciones del horno que las sondas situadas por encima de la carga,

exceptuando las sondas inclinadas. Para investigaciones especiales se utilizan

sondas verticales (flexibles o sólidas) u horizontales sólidas, que descienden

con la carga; sin embargo, debido a los elevados costes de operación

implicados, su aplicación es muy limitada. Lo mismo sirve para los muestreos

de polvo a lo largo de la pared del horno.

La aplicación de redes neuronales para la evaluación de los patrones de

distribución de calor por la pared se está poniendo a prueba en la actualidad;

son necesarios más trabajos destinados al desarrollo de una herramienta fiable

para la detección precoz de la formación de acreciones.

Otras áreas que requieren investigaciones son:

Flujo transversal de gas en cámara/cuba del horno;

Sondeos con muestreo de materiales y gases en el cuba inferior para una

mejor evaluación de las propiedades del material (comparándolo con los

resultados de test de laboratorio);

Detección de acreciones y evaluación de su grosor;

Evaluación del tamaño y forma de la zona cohesiva.


182

5.3.3 ZONA DE TOBERAS Y ‘RACEWAY’

Las condiciones hostiles en esta zona del horno dificultan las mediciones y a

duras penas se puede realizar cualquier medida de forma rutinaria, a pesar de

la valiosa información que podría obtenerse. Sin embargo, se han hecho

importantes esfuerzos en el pasado para medir características importantes

como propiedades de materiales (en particular la degradación del coque) en

esta zona del horno y la distribución de la temperatura radial y análisis del gas

a lo largo del diámetro del horno. Varios hornos han sido dotados de sondas

muy caras para el muestreo de sólidos, líquidos y gases, mientras que en otros

se han usado sondas móviles montadas en carritos desplazables. Se han

conseguido mediciones del tiempo de residencia del gas o de la permeabilidad

del hombre muerto mediante inoculación de helio en el horno o por inyección

de helio a través de sondas horizontales en la tobera. Se han realizado

mediciones esporádicas de la profundidad del raceway, distribución de

temperaturas y la evolución de la composición del gas.

Sin embargo, todavía deben hacerse importantes esfuerzos para aclarar los

siguientes puntos:

La permeabilidad del hombre muerto;

La frecuencia de renovación de los materiales en el hombre muerto ;

La variación en la forma y posición del hombre muerto.;

El grado de combustión del carbón y otros combustibles auxiliares en el

raceway;

La profundidad del ‘raceway’ durante el funcionamiento del horno;

La presión del gas a lo largo del radio del horno;

El movimiento de material en el raceway.


183

5.3.4 CRISOL DEL HORNO Y NAVE DE COLADA

Las mediciones de las temperaturas en la pared del crisol y base del horno y su

explotación combinada con modelos matemáticos para la evaluación del perfil

de desgaste del crisol, se están convirtiendo en un trabajo de rutina; también

se han empleado técnicas de análisis mediante ultrasonidos. La medición

continua de la temperatura del metal caliente por medio de pirómetros de

radiación, se está extendiendo también, mientras que la medida del nivel

líquido en el crisol, generalmente mediante sondas EMF (“Electro Motive

Forces”) ya se ha instalado en varios hornos altos, obteniéndose una

información muy útil de cara a optimizar las maniobras de apertura y cierre de

las piqueras. En diversas ocasiones se han realizado medidas de la

permeabilidad del crisol.

No obstante, el crisol del horno es todavía una zona en la que se conocen mal

muchos fenómenos. En particular están:

Las medidas de nivel por EMF;

Medidas continuas de la temperatura del arrabio;

Medidas del grosor de la pared por medio de técnicas de ultrasonidos;

Vaciado de la carga del crisol;

Flujo de metal en el crisol;

Formación de acreciones en el crisol;

Volumen de las escorias.


184

5.3.5 SELECCCIÓN DE MODELOS

Análisis de los componentes principales;

Modelos de transferencia de calor en el crisol

Modelos de flujo de metal en el crisol;

Redes neuronales artificiales para visualización de los procesos;

Modelo de control de las estufas del horno.

5.4 CONCLUSIONES

Dentro de la gran cantidad de datos que se pueden obtener del horno alto en

cada momento, se hace necesario efectuar un análisis de esas nubes de

resultados, muy numerosos, determinando estructuras de valores

homogéneos que deben mantenerse o determinando heterogeneidades que

pueden llevar asociadas variaciones en los parámetros de marcha o ser el

origen de perturbaciones accidentales.

El horno alto tiene ciclos paramétricos dependiendo de los distintos

fenómenos que se desarrollen en el, así hay ciclos de carga y ciclos de colada

que deben mantenerse y repetirse dentro de unos límites.

Cuando se actúa en la parte inferior del horno, variando la tasa de carbón

pulverizado inyectado por toberas, o la riqueza y temperatura del viento, su

reflejo en las características de los gases del tragante son casi inmediatas. Las

variaciones de los parámetros de los gases reductores, temperatura y


185

composición son automáticas, variando radicalmente también el mapa de

temperaturas obtenido en las sondas sobre la carga.

En cambio, las variaciones debidas a los cambios en la composición de la carga,

o en su forma de depositarla, son lentas debido a su inercia, lo que determina,

tiempos de respuesta de más de 8 horas. Esto obliga a analizar los resultados

obtenidos en amplios intervalos de tiempo y a relacionarlos con los

parámetros de marcha que han sido modificados con el objetivo de conseguir

una marcha homogénea.

Los ciclos en una zona del horno alto deben ser homogéneos, considerando el

ciclo en su conjunto además de los indicadores de dispersión. Un cambio de

ciclo anunciará una perturbación y se deben tomar medidas correctoras para

mantenerse dentro de las condiciones operativas marcadas.

El análisis de estas nubes de resultados es muy complejo. Los métodos aquí

presentados pueden desarrollarse para evaluar el estado del horno alto en su

conjunto, tomando como datos de partida las numerosas medidas que se

toman de los diferentes parámetros, temperaturas en diferentes zonas del

horno, valores obtenidos de las sondas EMF, composición de gases, calidad del

arrabio, etc…

Capitulo 6 Conclusions

187

6 CONCLUSIONS

6.1 DISCUSSION OF THE RESULTS OBTAINED FOR BLAST FURNACES WITH 13 ABOVE BURDEN

PROBES

When a furnace operator receives, through above burden probes, a great

amount of data, they need to process it, for which they would have to quickly

concoct a legible structure that would allow them to act adequately and make

the necessary decisions while the furnace is running.

Various aspects of the work made in the concoction of this Doctoral Thesis can

be considered valuable to improve the operation of the blast furnace:

In the first place, the study that has been carried out in the probe signals

above the burden, has allowed a more complete knowledge of its meaning and

its relationship with the performance of the blast furnace.

It has been established that, the observation of the burden signals, by

themselves, as obtained from the probes of the blast furnace, are of little value

for the plant operators due to the high volume of results obtained. The greater

part of its information is hidden by the complex relationships that exist

between the results obtained and the operational disturbances in short and

long range.

It is notable that one of the consequences of the developed studies has been

that the direction of the company in charge of the blast furnace has decided to

change the cooling system since the old system, [which included] cooling

through gas, eliminated an important part of the information supplied by the

probes. This gives an idea of the low use of the information that these probes


188

are able to provide, in order to apply them to daily work with the blast

furnace.

In second place, as a consequence of the carried out study, a reliable tool has

been created for the interpretation of the temperature of the probes, situated

above the burden, in order to diagnose the state of the blast furnace.

This new tool, based on a neural network, can supply to the plant operators,

not only the information of the values of the signals obtained from the probes,

but also an interpretation of these signals according to the possible states of

the blast furnace and the possibility to compare and check these results with

other significant variables of its own, becoming a useful tool for the operators

which correlates the different states.

Now it will be possible to foresee the states of furnace malfunctioning and

take corrective measures in advance. That is, [it will be possible] to use the

actual probes situated above the burden in a more efficient way, diminishing

costs and improving the quality of the Pig iron.

The system can be moved to other blast furnaces, although it will always be

necessary to do the training of the neural network to adapt to each new

furnace.

And last but not least, the developed “know-how” can be used to apply this

technique to other blast furnace probes and encourage other researchers to

continue with the study of different variables of the blast furnace, its

interpretation and, thus, can result in a better comprehension and better

control of the furnace.

It is expected that this model can help to diminish the consumption of the

reduction agents coke and coal. Of course, when this model is being used for a


189

longer time, together with increased obtained and used information, a better

quantification of the usefulness of this model will be obtained. The more

information for the training of the neural network is obtained the higher the

quality of the model will be, increasing the desired benefits more and more

each time.

Different methods have been developed and checked for a better

interpretation of the data provided by the different probes placed in the drain

of the blast furnace. The parameters associated with raceway gases are the

ones who determine more quickly the change of state in the running of the

blast furnace.

All these methods use diverse techniques, all of them based in Data Mining

techniques.

Summarizing, neural networks of different kinds have been used to:

Analyze and classify the temperatures of the above burden probes. As a

result it is possible, starting with the classification made by the neural

network, to diagnose the state of the blast furnace. Moreover, it is

possible to foresee an abnormal situation.

Starting with these results, a software tool has been created to be used in

the computer control center of the blast furnace and serves to help the

operator, through a computer that analyzes the temperatures obtained in

the probes installed above the burden.

Also diverse models, classics or hybrids have been used, to obtain a model that

relates the temperatures of the probes placed above the burden with the


190

distribution of the burden, and to calculate the more favorable distribution of

the burden in the blast furnace drain and the central axis of the blast furnace.

A neural network has been used to rebuild the information of the data

provided by the thermocouple, placed in the center of the furnace, with the

goal of avoiding a loss of information due to the cooling system and the

cooling of the probe. For this, it has been proposed that every time a new

profile of temperature from the probes placed above the burden is obtained,

they are classified and afterwards, a valid diagnosis is made using a method

similar to traffic lights, this is useful to the plant operators, informing them

about the performance of the blast furnace.

At the same time, it is possible to predict the appearance of the sags and

collapses in the burden more than an hour in advance.

A new, easy to use tool has also been developed, for the interpretation of the

signals of the above burden probes, from the investigation previously

mentioned, which allows the operators to obtain not only the signals of the

uncovered probes, but also an initial interpretation of its operative meaning.

6.2 DISCUSSION OF THE RESULTS OBTAINED FOR BLAST FURNACES WITH 24 ABOVE BURDEN

PROBES

Regarding the results obtained by employing a system of 24 above burden

probes, instead of the initial 13 probes, it can be affirmed that:

The results show an excellent capacity of recognition and classification of the

temperature patterns by the neural network. It is hard to evaluate the results

obtained by the use of the SOM, self-organized maps, since by being an

unsupervised network, it lacks the traditional criteria of evaluation, such as the


191

gradient of error made during training, the average quadratic error or the

matrix of confusion.

Nonetheless, it´s precisely for this reason that a network with non-supervised

training has been chosen, since there is no way to contrast the results for there

is no data in this regard and the SOM network allows us to avoid this shortage

of data in a notable way, allowing us to provide evaluations, in real time, of

values of the blast furnace.

As has been seen in the SOM networks, the concept of topology is highly

important. Taking this criteria into account, in a more qualitative than

quantitative way, its behavior can be analyzed. Finally, the SOM network used

perfectly keeps the concept of topology, since it has achieved to separate

perfectly, in disjoined regions, the main classes in which to divide the

temperature patterns.

It has been proven that this classification collects and exceeds the

mathematical classification of the temperature patterns (Table 4.1),

augmenting its generality and thus its usefulness. The support and

acceptance that shows the SOM classification, on the part of the operators, is

another factor to keep in account, in time to evaluate its performance. Finally,

other questions, such as the progressive variation of the optimality that

presents the neural networks (there is no red class neuron that has a green

class neuron as a neighbor) together with the relative importance of each one

of these classes as a whole in the network are other clues that make us think

that, definitely, the presented SOM network is a good decision-aiding tool for

the control of the operation of the blast furnace from this information about

the state of the temperature of the furnace blast.


192

The use of the SOM network, has also allowed to isolate the lineal correlation

that exists between the temperature measured by the probes and the ones

obtained in the Pig iron eight hours later. The statistical tests made suggest

that the correlation that was found is not accidental and the knowledge

provided by the operators coincides with this data, which reinforces even

more the positive evaluation of the use of the SOM network in this

application.

The use of new decision-aiding techniques based on the utilization of neural

networks has proven to be very valid in the process of the obtaining of Pig iron

in a blast furnace. Among its advantages it is notable that its computational

cost is very low, once the network has been trained. In the same way, it´s

maintenance is annuled, unless the functioning conditions of the furnace are

changed, in which case it would be enough to train another network again.

The obtained results show that, in processes as complex as the one studied,

with 24 measurements of temperature, the criteria of the operators could be

reinforced by the resulting classification of the SOM, since it´s logical to think

that one person tries to summarize these 24 pieces of information in a few

sentences that satisfy them in order to interpret them in the majority of

situations. Nonetheless, the SOM network, as a mathematic tool, takes into

account, all the measurements considering its importance and emitting a

classification slightly different, with greater topological properties, although at

the price of less details of the same, the final SOM only counts with three

classes against the six of mathematical classification.

SOM networks are a good and easy tool for temperature control in the drain of

the blast furnace, allowing the operator to have an idea of the temperature

(and, thus, the quality) of the Pig iron that will be obtained afterwards, with

the benefits that this implies for the steel industry.


193

6.3 PERSPECTIVES AND FUTURE WORKS

From the different studies that have been made, we could designate diverse

fields, inside the complete study of the blast furnace, that could be the object

of new works, distinguishing, according to the different areas of the blast

furnace, the following topics:

6.3.1 UPPER PART OF THE FURNACE, ABOVE THE BURDEN

The measures of the composition and temperature of the gas in the upper part

have become routine measurements that do not present any remarkable

problems and that give important information about the process. The

measures of the distribution of the composition and temperature of the radial

gas through above burden probes are widely used. Nonetheless, their results

are kind of biased, much more when the distance of the surface of the burden

is bigger. The use of inclined probes reduces the errors, but it is considered

that probes inside the burden usually give much more representative results.

The measurements of the burden profile by radar or ultrasonic sensors are

being made in ever greater furnaces; these, combined with the models of

filling the burden, allow good control over the distribution of the burden.

The monitoring of the descending velocity of the burden through level probes,

can be done in practically every furnace, although these probes only give

partial information, the descent of the burden that is affected from one to five

selected points. From the readings of these probes, the descending velocity of

the local burdens can be computed, although the results of these calculations

are not completely reliable. The most complete measurements of the

descending velocity of the burden through the perimeter of the furnace, have

not yet reached the status of a reliable industrial measure.


194

Other areas of future investigations are:

Measurements and control of the transverse flow of the gas, as well as its

impact on the functioning of the oven and elimination of the alkalis;

The exact measurement of the radial distribution of the quantity and

analysis of the powder blown to the upper part of the furnace;

Local Velocity of the gas;

Evaluation of the analysis of the size of the burden;

Circumferential heterogeneity of the material flow (solids and gases);

In situ measurements of the thickness of the burden on the wall.

6.3.2 MEASUREMENTS ON THE WALL, BOSH AND ETALAGES

The measurements of the pressure of the gas along the furnace are becoming

routine for many other furnaces, in the same way as the measurements of the

temperature of the wall of the furnace and cooling elements. The distribution

of the burden and the loss of heat are evaluated according to such

measurements.

The probes fixed inside the burden usually give a better image of the reactions

of the furnace than the probes placed above the burden, except the inclined

probes. For special investigations special vertical probes (flexible or solid) or

solid horizontal are used, that descend with the burden; nonetheless, due to

the high operational costs implied, its application is very limited. The same

happens with the sampling of the dust along the wall of the furnace.

The application of neural networks for the evaluation of the heat distribution

patterns on the wall are being tested presently; more studies are necessary for


195

the development of a reliable tool for the early detection of the formation of

accretions.

Other areas that require investigations are:

Transversal flow of gas in the chamber/bosh of the furnace;

Probing and sampling of materials and gases in the lower bosh for a better

evaluation of the properties of the material (comparing it with the results

of the laboratory test);

Detection of the accretions and evaluation of their thickness;

Evaluation of the size and shape of the cohesive area.

6.3.3 ZONE OF TUYERES AND ‘RACEWAY’

The hostile conditions in this area of the furnace make measurements difficult

and make it very hard to make any kind of measurements routinely, in spite of

the volume of information that could be attained. Nonetheless, important

efforts have been made in the past, in order to measure important

characteristics such as material properties (in particular the degradation of the

coke) in this area of the furnace and distribution of the radial temperature and

gas analysis along the diameter of the furnace. Many furnaces have been

endowed with very expensive probes for the sampling of solids, liquids and

gases, while in others mobile probes have been used, mounted on moveable

carts. Measurements of the gas residence time or of the Dead Man´s

permeability have been obtained through inoculation of helium in the furnace

or by injection of helium through the horizontal probes in the nozzles. Sporadic

measurements of the depth of the ‘raceway’, distribution of temperatures and

the evolution of the composition of the gas have been made.


196

Yet, important efforts are still to be made in order to clarify the following

points:

The Dead Man´s permeability;

The frequency of renewal of the materials in the Dead Man;

The variation in the shape and position of the Dead Man;

The degree of combustion of the coal and other auxiliary fuels in the

‘raceway’;

The depth of the ‘raceway’ during the functioning of the furnace;

The gas pressure along the furnace radii;

The movement of material on the ‘raceway’.

6.3.4 CRUCIBLE OF THE FURNACE AND CASTING BAY

The measurements of the temperatures in the wall of the crucible and base of

the furnace and its exploitation combined with mathematical models for the

evaluation of the wear profile of the crucible, are becoming a routine task; also

techniques of analysis have been used through ultrasounds. The continuous

measuring of the temperature of the hot metal by radiation pyrometers, is

spreading too, while the measuring of the liquid level of the crucible, usually by

EMF (“Electro Motive Forces”) has already been installed in many blast

furnaces, obtaining very useful information in order to optimize the opening

and closing maneuvers of the entrances. On several occasions measurements

of the permeability of the crucible have been made.

However, the furnace crucible is still an area in which very little is known about

much phenomena. Particularly [in the following areas]:


197

measurements of level EMF;

continuous measurements of the temperature of the Pig iron;

measurements of the thickness of the wall by means of ultrasonic

techniques;

draining of the burden of the crucible;

flow of metal in the crucible;

formation of accretions in the crucible;

volume of the slag

6.3.5 MODELS

analysis of the main components;

models of heat transfer in the crucible

metal flow patterns in the crucible;

Artificial neural networks for visualization of the processes;

control model furnace stoves


198

6.4 CONCLUSIONS

Within the large amount of data that can be obtained from the blast furnace at

any time, it is necessary to conduct an analysis of these clouds of results, very

numerous, determining homogenous value structures that must be maintained

or determining heterogeneities that may have various associations with

motion parameters or be the source of accidental disturbances.

The blast furnace has parametric cycles depending on the different

phenomena taking place in it, so there are cycles of burdening and wash cycles

to be maintained and replicated within certain limits.

When working in the bottom of the furnace, varying the rate of coal injected

through nozzles, or wealth and temperature of the wind, it´s reflection in the

characteristics of blast furnace gases are almost immediate. The variations of

the parameters of the reducing gases, temperature and composition are

immediate, also radically changing the temperature map obtained from the

probes on the burden.

However, variations in the composition of the burden or in the way it´s placed,

are slow due to their inertia, which determines response times of more than 8

hours. This requires analyzing the results obtained in wide ranges of time and

relating them to motion parameters that have been modified in order to

achieve homogeneous progress.

Cycles in a blast furnace must be homogeneous, considering the whole cycle in

addition to the indicators of dispersion. A change in the cycle will announce a

disturbance and corrective action must be taken in order to stay within

established operating conditions.


199

The analysis of these clouds of results is very complex. The methods presented

here can be developed to assess the state of the blast furnace as a whole,

taking as starting data the many measures that are taken of the different

parameters, temperatures in different zones of the furnace, values obtained

from the EMF probes, gas composition, quality of the cast iron, etc. . . .


200

Optimización y control del Horno Alto mediante la ...

Documents

Transcript of Optimización y control del Horno Alto mediante la ...