30997

شبيه سازي چندمقياسي واكنش غيركاتاليستي گاز-جامد براي احياي هيدروژني سنگ آهن با استفاده از ديناميك سيالات محاسباتي، يادگيري ماشين و بينايي ماشين

كارشناسي ارشد

مهندسي شيمي

1400

1403/03/20

نورالله كثيري

مهران رضايي

دانشكده مهندسي شيمي، نفت و گاز

فرآيندهاي آهن سازي به دو روش احياء مستقيم و كوره بلند انجام مي‌شوند. در روش احياي مستقيم گندله‌هاي هماتيتي سنگ آهن در يك واكنش غيركاتاليستي گاز-جامد پنج فازي Fe2O3→Fe3O4→FeO→Fe با گاز سنتز داخل كوره شفت كه يك نوع راكتور بستر متحرك جريان ناهمسو است، احيا مي‌شوند. در سال هاي اخير جهت رسيدن به فولادپاك، استفاده از گاز هيدروژن بجاي گازسنتز بسيار مورد توجه قرار گرفته است. همچنين استفاده از هوش مصنوعي و بررسي تاثير شكل گندله ها تا به حال مورد مطالعه قرار نگرفته است. باتوجه به اين خلاهاي تحقيقاتي در اين پژوهش براي اولين بار از چهار مدل‌ رگرسيوني يادگيري ماشين و يك مدل كلاس بندي بينايي ماشين در احياي سنگ آهن استفاده شده است. مدل‌هاي مختلف رياضي مختلفي در دو مقياس مزو و ماكرو به صورت يك بعدي، دو بعدي و سه بعدي با استفاده از مدل‌هاي سينتيكي هسته كوچك شونده واكنش نداده (USCM)، USCM سه سطحي، USCM سه سطحي اصلاح شده و مدل حفرات تصادفي (RPM) توسعه داده شد. نتايج مدل هاي هوش مصنوعي تفسيرپذير نشان داد كه دما مهم ترين پارامتر احيا در واكنش است. مدل رياضي يك بعدي با فاكتور شكل خطاي 15-30% و مدل سه بعدي CFD خطاي 3-13% را براي زمان كامل احيا نشان دادند. در حل دو بعدي، تورفتگي و انحناي گندله خطاي كمي را ايجاد كرد. در كوره شفت نيز با استفاده از ضريب شكل لوا (Leva) نشان داده شد كه گندله با شكل غيركروي سرعت واكنش را به دليل سطح تماس بيشتر افزايش مي دهد. با رسم پروفايل هاي فازهاي مختلف و تخلخل نشان داده شد بيشترين تاثير شكل گندله در فاز وستيت و تغييرات تخلخل است. در هر دو مقياس نشان داده شد كه افزايش فشار باعث سريع تر شدن سرعت واكنش مي شود، به طورمثال افزايش 50 كيلوپاسكال به فشار ورودي كوره شفت، گندله را 95/0 متر زودتر به احياي 100% ميرساند. در مدل ساختاري RPM نيز نشان داده شد كه افزايش سايز حفرات،كاهش مدول تيل و كاهش عدد بايوت (مقاومت لايه محصول) باعث افزايش سرعت واكنش مي شود. تغيير مكانيسم كنترل كننده واكنش در مدل هاي سينتيكي RPM و USCM سه سطحي نشان داده شد. در هر دو مقياس نشان داده شد افزايش تركيب درصد هيدروژن نسبت به ديگر احياكننده ها باعث بيشتر شدن سرعت واكنش مي شود. در مدل هاي رگرسيوني براي داده هاي تست در پنج بانك اطلاعاتي، ضريب رگرسيون بين 94 % تا 99% و براي مدل كلاس بندي Mask R-CNN به دقت 87% با 754 تصوير جمع آوري شده، بدست آمد.

1403/04/04

Multiscale simulation of non-catalytic gas-solid reactions for hydrogen-based reduction of iron oxide using computational fluid dynamics, machine learning and machine vision

1/1/1900 12:00:00 AM

Ironmaking processes are conducted using two methods: direct reduction and blast furnace. In the direct reduction method, hematite iron ore pellets undergo reduction in a non-catalytic gas-solid five-phase reaction Fe2O3→Fe3O4→FeO→Fe within a shaft furnace with synthesis gas, which is a type of counter-current flow moving bed reactor. In recent years, the use of pure hydrogen gas instead of synthesis gas has gained significant attention for achieving cleaner steel production. Additionally, the utilization of artificial intelligence and investigating the influence of pellet shape have not been thoroughly studied to date. Therefore, in this research, for the first time, regression machine learning models and machine vision classification were employed in iron ore reduction, and various mathematical models in microscale, mesoscale and macroscales in 1D, 2D, and 3D forms using different non-catalytic gas-solid reactions models including unreacted shrinking core models (USCM), three-interface USCM, modified three-interface USCM, and random pore model (RPM) were developed. The interpretable results from artificial intelligence models indicated that temperature is the most critical parameter in the reduction reaction. The one-dimensional mathematical model with a shape factor showed an error of 15-30%, and the three-dimensional CFD model showed an error of 3-13% for the complete reduction time. The two-dimensional model revealed minor errors when accounting for pellet indentations and curvature. In the shaft furnace, the Leva shape factor demonstrated that non-spherical pellets achieve complete reduction at shorter furnace lengths. Phase profiles and porosity illustrated that the pellet shape's most significant impact is observed in the wüstite phase and porosity changes. Both scales showed that increasing pressure accelerates the solid conversion rate, with a 50 kPa pressure increase leading to 100% reduction 0.95 meters sooner. In the RPM structural model, it was shown that increasing pore size, decreasing Thiele modulus, and decreasing Biot number (product layer resistance) increase the reaction rate. The change in the reaction control mechanism was observed in the RPM and three-level USCM kinetic models. Both scales demonstrated that increasing the hydrogen content relative to other reductants enhances the reaction rate. Regression models for test data from four databases achieved R2 values exceeding 98%, and the Mask R-CNN classification model achieved an accuracy of 87% with 754 collected images.

احياي سنگ آهن , راكتور بسترمتحرك , يادگيري ماشين , بينايي ماشين , واكنش غيركاتاليستي

Iron ore reduction , moving bed reactor , machine learning , machine vision , non-catalytic reaction

masih hosseinzadeh

norollah kasiri