Oulun yliopisto - cc.oulu.ficc.oulu.fi/~kamahei/b/477416S/KLTP-2019-mallinnus_mittaus_automaatio.pdf · Kuva: Metals magazine 2/2016. ”My interest is in the future because I am

12.9.2019

1

Oulun yliopisto

Korkealämpötilaprosessit Näkökulma: Mallinnus, mittaus ja automaatio

18.9.2019 klo 12-14 SÄ124

Oulun yliopisto

Tavoite Tutustua pyrometallurgisten ja muiden

korkealämpötilaprosessien erityispiirteisiin

niissä esiintyviä ilmiöitä sekä ominaisuuksia

- mallinnettaessa

- mitattaessa

sekä toimintoja automatisoitaessa

Asioiden yksityiskohtaisempi soveltaminen

erilaisiin prosesseihin kurssiin kuuluvissa

osasuoritteissa

- Kirjalliset raportit

- Seminaariesitelmät

Tämän luennon jälkeen pitäisi tietää, mitä

raporttiin/esitelmään tulisi sisällyttää ja

millaista aineistoa sitä varten tulisi etsiä

12.9.2019

2

Oulun yliopisto

Sisältö Johdanto: Digitalisaatio metallurgiassa

Mittaus korkealämpötilaprosesseissa

- Rooli ja tehtävät

- Haasteet

- Toteutus

- Esimerkkejä

Automaatio korkealämpötilaprosesseissa


- Haasteet

- Toteutus

- Esimerkkejä

Mallinnus korkealämpötilaprosesseissa


- Erilaisten mallien jaottelu

- Toteutus: Virtausten ja reaktioiden mallinnus

- Haasteet

- Esimerkkejä

Kuva: Metals magazine 2/2016.

”My interest is in the future because I am

going to spend the rest of my life there.”

- Charles F Kettering (1876-1958)

Oulun yliopisto

Johdanto: Digitalisaatio

12.9.2019

3

Oulun yliopisto

Digitalisaatio metallurgiassa

Digitalisaatio on yksi maailman ”suurista

kehityslinjoista” tällä hetkellä

- Vaikuttaa moniin asioihin – myös metallien valmistukseen

- Metallitehtaiden järjestelmien aiempaa tiiviimpi linkitys

”Industry 4.0” –käsite (vuodelta 2011)

- Yhteiskunta on siirtymässä kohti neljättä teollista

vallankumousta – Teollisuus 4.0

- Laaja käsite, joka pitää sisällään mm.

- Kyberfysikaaliset järjestelmät

- Esineiden internet (”Internet of Things, IoT)

- Systeemi-integraatio

- Sovellettu viime vuosina myös terästeollisuuteen

Tämän luennon johdanto-osio perustuu Ville-Valtteri Visurin

pitämään esitykseen ”Tekniikan torstai” –tapahtumassa 18.1.2018.

[1] M. Neuer et al., Stahl Eisen, 135(11): 195–199, 2015.

[2] M. Brummayer et al., ”Roadmap - Integrated Intelligent Manufacturing (I2M)”,

ESTEP, 2016.

[3] H. Peters, Stahl Eisen, 136(3): 61–70, 2016.

[4] Stahlinstitut VDEh, ”Stahl 4.0 – Interpretation von Industrie 4.0 für die

Stahlindustrie”, Fachausschussbericht Nr. 5.063, Stahlinstitut VDEh,

Düsseldorf, Saksa, 2017.

[5] M. J. Neuer et al., Stahl Eisen, 137(7): 39–44, 2017.

[6] F. Bösche, Stahl Eisen, 137(12): 62–63, 2017.

Oulun yliopisto

Teollisuus 4.0 Ensimmäinen teollinen vallankumous

- Höyrykone, koneellistuminen

Toinen teollinen vallankumous

- Sähköistys, liukuhihnat, massatuotanto, eriytetyt tehtävät

Kolmas teollinen vallankumous

- Elektroniikka, automaatio, tietokoneet

Neljäs teollinen vallankumous

- Systeemi-integrointi, IoT, kyberfysikaaliset systeemit

Entä sitten?

- Teollisuus 5.0? Tekoälyt?



Lisäksi lähteenä on käytetty Mikael Jåfsin ja Heli Helaakosken

esityksiä POHTOssa, 2019.

12.9.2019

4

Oulun yliopisto


Digitalisaatioon ajavia tekijöitä

- Matalammat investointiriskit

- Tuottavuushaasteet

- Osaavan työvoiman puute

- Kestävä kehitys

- Heikompilaatuiset raaka-aineet

- Kehittyvät teknologiat

Mahdollisia sovelluskohteita

- Ennakoiva (preventive) ja ennustava (predictive)

kunnossapito

- Havainnoivat ja ympäristöstä tietoiset robotit

- Automatisoitu laadun testaus ja valvonta

- Koneoppiminen osana T&K-toimintaa

- Lisääntynyt toiminnan näkyvyys/huomiointi

- Älykkäät avustavat järjestelmät koko tuotantoketjun

hallinnassa




esityksiä POHTOssa, 2019. (Kuva: Heli Helaakoski, POHTO, 2019).

Oulun yliopisto


Esimerkki: Model-based optimisation for

efficient use of resources and energy

(MORSE)

Lähde: Heli Helaakosken esitys POHTOssa, 2019.

12.9.2019

5

Oulun yliopisto


Avustavilla järjestelmillä erilaisia tavoitteita

- Manuaalisten tehtävien vähentäminen

- Avustavat suorittavaa työtä

- esim. robotit

- Tiedonkäsittely

- Tiedon kerääminen

- Tiedon visualisointi

- Tiedon saatavuus – esim. mobiililaitteet

- Päätöksenteko

- Todellisten systeemien kuvaus sekä ennusteiden ja arvioiden

laadinta päätöksen teon tueksi

- Hyödyntäminen henkilöstön koulutuksessa

- Päätöksentekojärjestelmien tulisi kattaa koko tuotantoketju

Tavoite Sovelluskohde

Manuaalisten

tehtävien

vähentäminen

• Automaattinen näytteenotto

• Automaattinen lämpötilanmittaus

• Automaattinen kaato

Tiedonkäsittely • Automaattinen sulkeuma-analyysi

• Laadutus- ja jaksotusmallit

Päätöksenteko • Numeeriset virtausmallit

• Yksikköprosessien matemaattiset

mallit

• Toimitusketjun aine- ja

energiatasemallit

Esimerkkejä sovelluskohteista terässulatolla.



Oulun yliopisto


Hyödyt

- Kokonaisvaltainen toimitusketjun hallinta

- Palveluiden ja resurssien optimointi

- Tuottavuuden, saannon ja laadun parannukset

- Suurempi resurssien käyttöaste

- Vähemmän katkoja/seisakkeja

- Pienempi ympäristökuormitus

- Kyky vastata nopeammin ja muuttuvampiin

asiakastarpeisiin

Haasteet ja riskit

- Järjestelmien alasajot ja katkot palveluiden

saatavuudessa

- Turvallisuusriskit

- Vakoilu

- Haavoittuvuus kyberhyökkäyksille

- Henkilöstön lisäkoulutustarve




esityksiä POHTOssa, 2019.

12.9.2019

6

Oulun yliopisto


Hyödyt – esimerkkinä Outokumpu, Tornio

Lähde: Tekniikka&Talous, 15.3.2019.

Oulun yliopisto

Osa I Mittauksista

12.9.2019

7

Oulun yliopisto

Digitalisaation kasvava merkitys

Yhtenä osana mittaustekniikan kehittyminen

Kuvalähde: Tapio Fabritius, POHTO, 2015

Oulun yliopisto

Mitä metallurgisista prosesseista pitäisi saada mitattua?

Kysely 21-22.4.2015 järjestettyyn POHTOn

mittausseminaariin liittyen

- Tärkeimmät metallien valmistusprosesseihin liittyvät

mittausten kehittämistarpeet tällä hetkellä?

- Mihin valmistusprosesseihin liittyen?

- Tärkeimmät mittauskohteet eri prosessivaiheista, jos mitä

tahansa saataisiin mitattua?

- Muita mittaukseen liittyviä ajankohtaisia ajatuksia?

- Mahdollisuus keskittyä

- prosessien ohjaukseen tai ympäristövaikutuksiin liittyviin

mittauksiin

- tiettyyn prosessivaiheeseen tai vastata yleisesti

- Kysely alan asiantuntijoille yliopistoissa ja yrityksissä

- Vastaukset 4 professorilta (Aalto yliopisto, Oulun yliopisto,

Åbo Akademi) ja 5 yrityksestä (Boliden Harjavalta,

Outokumpu Stainless, Outotec, Ovako, SSAB Europe)

- Yhteensä 64 kommenttia/ehdotusta/ajatusta

Lähde: Paavo Hooli & Eetu-Pekka Heikkinen, POHTO, 2015.

12.9.2019

8

Oulun yliopisto

Prosessit Mittauskohteet Mitattavat asiat Mittauksen

kuvauksia

Konvertteri

Valu

Senkka(käsittely)

Liekkisulatusuuni

Masuuni

AOD

Valokaariuuni

Sula (metalli)

Kaasu

Kuona

Teräs

Sulkeumat

Pölyt

Happi

Kupari

Nikkeli

Rikki

Vety

Rikasteet/raaka-aineet

Lanssi

Kivi

Hiili

Typpi

Lämpötila

Koostumus /pitoisuus

Pinnat

Korkeus

Massa/paino

Tunnistus

Paksuus

Tärinä

Ääni/taajuus

Jatkuva

On-line

Luotettavuus

Kuumuus

Nopeus

Epävarmuus

Edullisuus

Yli 10 mainintaa

5 – 10 mainintaa

Alle 5 mainintaa

Vastauksia Lähde: Paavo Hooli & Eetu-Pekka Heikkinen, POHTO, 2015.

Oulun yliopisto

LSU Masuuni VKU BOF AOD Senkka JV Muut

Kaasu ja pölyt Jatkuva

Kuuma

Pölyjä

O2,SO3

Jatkuva

Puhallus- ja

savukaasut

Hajapölyt

Kattilapölyt

(LSU)

Metallin

koostumus

Näytteenotto Nopea

Jatkuva

O, H

Nopea

Jatkuva

C, O

Nopea

Jatkuva

N

Nopea

Jatkuva

Nopea

Jatkuva

H

Sulkeumat Koostumus

Koko

Nopea

Koostumus

Koko

Nopea

Raaka-aineet Näytteenotto

Jatkuva

Lämpötila Panospinta Nopea

Jatkuva

Nopea

Jatkuva

Nopea

Jatkuva

Nopea

Jatkuva

Nopea

Jatkuva

Liekit

Sijainnit,

muoto

Sula-

korkeudet

Panospinta Kaato-

suhiku

Sulakorkeudet Pinnat

siiloissa

Virtaus-

nopeudet

Injektoinnit Poisto-

kaasut

Putkissa

Massat Sula Sula Siilot

Tärinä,

taajuudet

Tärinä ja

ääni

Tunnistus Hihnat

Lähde: Paavo Hooli & Eetu-Pekka Heikkinen, POHTO, 2015.

12.9.2019

9

Oulun yliopisto

Mitä metallurgisista prosesseista saadaan mitattua?

Mittausdata on usein hyvin rajoitettua

- Epäsuorat mittaukset

- Ei jatkuvia mittauksia

Tyypillisiä mittauksia korkealämpötila-

prosesseista

- Materiaalinäytteet ja niiden koostumuksen offline-

analysointi

- Lämpötilan mittaussondit (hetkellinen mittaus)

- Savukaasuanalysaattorit

- Sekoittumis- ja viipymäaikojen mittaus jäljitinaineilla

- Video- ja pysäytyskuvat

- Värähtelyn, äänen ja valon mittaukset

Lähde: Ville-Valtteri Visuri.

Oulun yliopisto

Mittauksen rooli ja tehtäviä korkealämpötila-prosessien tarkastelussa

Mitä mitataan (tai haluttaisiin mitata)?

- Lämpötila (ja paine)

- Erilaisten faasien määrät ja koostumukset

- Metallit (kiinteä, sula), kuonat, kaasut

- Etäisyyden funktiona

- Kemiallinen, mineraloginen

- Faasien osuudet

- Sulkeumien määrä metallissa

- Faasien kerrospaksuudet

- Metalli- ja kuonasulat, vuorausmateriaalit, jähmettyneen

metallin paksuus valussa

- Virtaukset

- Sulafaasien ominaisuudet

- Viskositeetti

- Teräksen laatu, ”puhtaus”

- Etäisyydet, dimensiot, paksuus, jne.

- Aihiot, levyt, nauhat

Mittauksen kohteet?

- Metallit, kuonat, tulenkestävät materiaalit, kaasut, pölyt,

sulkeumat, raaka-aineet

12.9.2019

10

Oulun yliopisto

Erilaisia mittauksia Jatkuvat ja ei-jatkuvat mittaukset

- Haasteena anturien likaantuminen ja hajoaminen

Suorat ja epäsuorat mittaukset

- esim. konvertterin savukaasujen koostumuksen mittaus

antaa tietoa lämpötilan noususta hapettumisen

seurauksena, joka puolestaan kertoo mellotuksen

etenemisestä, jota ei voida mitata suoraan jatkuvasti

Vaatiiko mittaus kontaktin/kosketuksen

mittauksen kohteeseen?

Vaatiiko mittaus näytteen kohteesta?

- Jos vaatii, niin hajottaako analyysi näytteen vai ei?

Oulun yliopisto

Mittauksen rooli ja tehtäviä

Mittauksen tavoitteet – Mihin mittauksia

käytetään?

- Prosessin tilan arviointi ja seuranta

- Prosessien säätö ja hallinta

- Tuotteen laadun arviointi

- Ympäristövaikutusten arviointi

- Työturvallisuuden arviointi

- Prosessimallien validointi

Tilanseuranta

- Huoltotarveen ennustaminen tapaturmien ja laiterikkojen

välttämiseksi

- Ennakoiva kunnossapito

- Yksittäiset epäsuorat mittaukset eivät tarjoa riittävästi tietoa

- Mittaustekniikan kehittyminen yhdistettynä kehittyneisiin

tilastollisiin menetelmiin antaa mahdollisuuden hyödyntää

samanaikaisesti laajaa kirjoa erilaista mittausdataa

- Luotettavan kokonaiskuvan luonti edellyttää

- Uusia mittausmenetelmiä

- Kehittyneitä datankäsittelymenetelmiä

Lähde: Ville-Valtteri Visurin esitys ”Tekniikan torstai” –

tapahtumassa 18.1.2018. Lähteenä käytetty lisäksi Kauko

Leiviskän ja Johan Erikssonin esityksiä POHTOssa 2015.

Onnistunut vakuumihuuhtelu

Epäonnistunut vakuumihuuhtelu

Kiihty

vyysm

itta

uksiin

peru

stu

va k

aasuhuuhte

lun tilanseura

nta

. M

. P

ylvä

näin

en

12.9.2019

11

Oulun yliopisto

Mittauksen rooli ja tehtäviä

Esimerkkejä tilanseurannassa

hyödynnettävistä mittausmenetelmistä

Lähde: Ville-Valtteri Visurin esitys ”Tekniikan torstai” –tapahtumassa 18.1.2018.

Optiseen emissiospektroskopiaan perustuva mittalaitteisto. M. Aula et al., Metall. Mater. Trans. B, 45(3): 839–849, 2014

Kaasuhuuhtelun tilanseuranta kiihtyvyysmittauksilla. M. Pylvänäinen, V.-V. Visuri et al., Proc. SCANMET V, 2016

Kuonan koostumusanalyysi LIBS-tekniikalla. V. Sturm et al., Anal. Chem., 86(19): 9687–9692, 2014

Kiihtyvyys- ja äänimittauksiin perustuva tilanseuranta. M. Brämming et al., Steel Res. Int., 82(6): 683-692, 2011

Ferrokromin piipitoisuuden määrittäminen happisondilla. H. Pesonen, V.-V. Visuri et al., ESTAD, 2017.

Oulun yliopisto

Mittausten kehitys Mittauksen kehityssuuntia

- ”Fysikaalisesti mahdottomat” mittauskohteet

- Häiriölliset ja epäjatkuvat mittaukset

- Optiset mittaukset

- Runsaasi tietoa tuottavat mittaukset

- Useita erilaisia mittausten keruu- ja käsittelymenetelmiä

- Saman mittauksen hyödyntäminen useisiin tarkoituksiin

- Langattomuus

- Mittaustulosten käsittelyn kehittyminen

- Mittaustulosten visualisointi

Lähteenä käytetty Kauko Leiviskän ja Johan Erikssonin esityksiä

POHTOssa 2015.

12.9.2019

12

Oulun yliopisto

Mittausten kehitys Mittaustulosten käsittelyn kehittyminen

- Software sensors

- Mittauksista (hardware) ja estimointialgoritmista (software)

muodostuva yhdistelmä, joka mahdollistaa

- ei-suoraan mitattavien muuttujien arvioinnin

- viiveiden kompensoinnin

- Monianturi- (tai sensori-)fuusio

= Useista sensoreista saatavan tiedon yhdistäminen

luotettavamman ja tarkemman tiedon saavuttamiseksi

- Virheellisten ja viallisten mittausten eliminointi

- Tehokkaampi mittausdatan käsittely (rinnakkaislaskenta)

- Suurten mittausaineistojen visualisointi

Mittaustulosten visualisointi

- Tavoitteena erottaa/tunnistaa erilaisia prosessin tiloja,

lajeja, vikoja, laatuja, jne.

- Pääkomponenttianalyysi (PCA, Principal Component

Analysis)

- Itseorganisoituva kartta (SOM, Self-Organizing Map)

Kuvalä

hde:

Kadle

c,

Grb

ic &

Gabry

s:

Revie

w o

f adapta

tion

mechanis

ms for

data

-driven s

oft s

ensors

.

Com

pute

rs a

nd c

hem

ical engin

eering.

35(2

011)1

-24.

Lähteenä käytetty Kauko Leiviskän ja Johan Erikssonin esityksiä POHTOssa 2015.

Oulun yliopisto

Tiedon käsittely ja varastointi

Teollisuus 4.0 edellyttää uudenlaista

suhtautumista dataan sekä sen käsittelyyn

ja varastointiin[1,2,3]

- Prosessiketjussa olevat materiaalit ”tietävät” historiansa,

nykytilansa ja tulevan käyttötarkoituksensa

- Reaaliaikainen materiaalien seuranta

- Syntyvän datan tallennus ”loputtomasti” ja riittävän

korkealaatuisena

- Datan automaattinen ja reaaliaikainen analysointi

- Big data –analytiikka

- Strukturoidun datan lisäksi ennustamisessa voidaan

hyödyntää myös strukturoimatonta dataa

Lähde: Ville-Valtteri Visurin esitys ”Tekniikan torstai” –tapahtumassa

18.1.2018.

[1] M. Neuer et al., Stahl Eisen, 135(11): 195–199, 2015.

[2] M. J. Neuer et al., Stahl Eisen, 137(7): 39–44, 2017.

[3] Stahlinstitut VDEh, ”Stahl 4.0 – Interpretation von Industrie 4.0 für die

Stahlindustrie”, Fachausschussbericht Nr. 5.063, Stahlinstitut VDEh,

Düsseldorf, Saksa, 2017.

Big data

Määrä

Synty-nopeus

Moni-muotoisuus

12.9.2019

13

Oulun yliopisto

Tiedon arviointi Datan luotettavuus tulisi arvioida

mahdollisimman aikaisin

- Usein tehdään kuitenkin vasta lopuksi tuloksia arvioitaessa

Dataan liittyviä haasteita

- Puuttuva data

- Virheellinen data

- Epätarkka data

- Epävarma data

- Vinoutunut data

- Ei-kattava data

Datan käsittelyyn liittyviä haasteita

- Kaikki datan käsittely sisältää oletuksia, joka harvoin

tosielämässä pitää ainakaan täysin paikkaansa

- Datan kattavuus, stationääritila, datan riippumattomuus,

normaalijakautuneisuus, jne.

- Monimutkaisempi datan käsittely – vaikeampi validointi ja

arviointi Lähde: Olli Saarelan esitys, POHTO, 2019.

Ominaisuus Seuraus

Jatkuva kunnossapito ja

parannustoimet

Vanhan datan merkitys pienenee

Rajoitettu kunnossapito Kalibrointihaasteet

Rajoitettu instrumentointi Ei tietoa suorituskyvyn

heikkenemisestä

Prosessin säätö tietylle toiminta-

alueelle

Ei tietoa käyttäytymisestä

suuremmilla muutoksilla

Paljon toisistaan voimakkaasti

riippuvia muuttujia

Paljon triviaalia tietoa

riippuvuuksista

Prosessidynamiikka ja

vaihtelevat viiveet

Edellyttää työlästä datan

esikäsittelyä

Harvinaiset tilanteet; esim.

laitteiden rikkoutumiset

Data ei kattava kaikkien

mahdollisten tilanteiden osalta

Teolliselle datalle luonteenomaisia piirteitä:

Oulun yliopisto

Mittauksen haasteita korkealämpötila-prosessien tarkastelussa

Korkeat lämpötilat

- Anturien/materiaalien kesto – mittaus ilman kontaktia?

- Referenssipisteiden puute

Jatkuvatoimisen mittauksen toimiminen

- Lämpötilat, virtaukset, kemialliset analyysit, massat,

etäisyydet

Riittävän nopeat mittaukset

- Tulosten hyödyntäminen on line –säädössä

Mitattavat asiat monimutkaisia

- Mitä itse asiassa tulisi mitata, jos halutaan mitata vaikka

kuonanmuodostumista?

Materiaalin asettamat haasteet

- Edustavuus suurista materiaalimääristä?

- Voimakkaat virtaukset?

- Pölyt ja roiskeet sotkevat ja rikkovat antureita Lähteenä käytetty Johan Erikssonin esitystä POHTOssa 2015.

Näytteitä rikkomattomat analyysit

- Korostuu varsinkin tuotepuolella

Mittaus oikeasta paikasta ja oikeasta tilanteesta

- esim. savukaasumittaus suoraan prosessista tai

sulan koostumus sulasta tilasta ennen näytteen

jähmettymistä

12.9.2019

14

Oulun yliopisto

Mittauksen haasteita korkealämpötila-prosessien tarkastelussa

Edellä esitetyt haasteet aiheuttavat

- mittausten puutetta (väliaikaisia tai lopullisesti katkeavia)

- systemaattisia virheitä

Haasteisiin vastaaminen?

- Mitta-anturin ja mittauslaitteen suojaaminen

- Epäsuorat mittaukset

Lähteenä käytetty Johan Erikssonin esitystä POHTOssa 2015.

Oulun yliopisto

Erilaisten mittaustekniikoiden yhdistäminen

Erilaisilla mittaustekniikoilla voidaan pyrkiä

kokonaisvaltaisempaan mittaustulokseen

- Yhden menetelmän puutteita korvataan toisella

menetelmällä

Esimerkkinä konvertterin vaipan lämpötilan

online-mittaus (Q-TEMP, Danieli)

- Yläosassa mittaus termoelementeillä

- Ei suoraa näköyhteyttä

- Alaosassa infrapunakameroilla

- Suora näköyhteys

Lähde: G Staudinger et al.: ”Revamping of BOF converters. An Overview of

Danieli’s developments and references”. 8th European Oxygen Steelmaking

Conference EOSC2018. Taranto, Italy. 10-12.10.2018.

12.9.2019

15

Oulun yliopisto

Mittauksen virheitä Systemaattiset virheet

- Voivat olla seurausta

- epätäydellisestä kalibroinnista

- ryöminnästä/ajatumisesta

(kuumennus-kylmennys-syklit, kuluminen)

- Voidaan vähentää systemaattisella kalibroinnilla

Satunnaiset virheet

- Ennakoimattomia

- Voidaan vähentää toistamalla mittauksia

- Enemmän mittauksia per aikayksikkö

Virheet mittaustulosten käsittelyssä ja

tulkinnassa

Lähteenä käytetty Johan Erikssonin esitystä POHTOssa 2015.

Oulun yliopisto

Esimerkkejä mittauksesta korkealämpötila-prosessien tarkastelussa

Kuonan havainnointi

Valokaariuunin savukaasujen koostumuksen

jatkuvatoiminen mittaus

AOD-konvertterin pölyjen jatkuvatoiminen

mittaus

Optisen emissiospektroskopian

hyödyntäminen

- Mittaukset valokaariuunista

Painetun elektroniikan hyödyntäminen

- Mittausanturien massatuotanto

12.9.2019

16

Oulun yliopisto

Case – Kuonan havainnointi

Tilanteet, joissa metallisula virtaa prosessi-

vaiheesta toiseen

- Konvertterin kaato

- Hapettavaa konvertterikuonaa ei tulisi päästää senkkaan

- Teräksen virtaus jatkuvavalussa senkasta välialtaan kautta

kokilliin

- Välialtaaseen voi muodostua pyörre, jonka mukana kuonaa

päätyy kokilliin

Kuonahavainnon jälkeen virtaus pysäytettävä

- Sulan virtauksen pysäyttäminen oikeaan aikaan edellyttää

kuonan tunnistamista sulavirtauksesta

- Havainnointimenetelmiä:

- Operaattori havaitsee silmämääräisesti

- Sähkömagneettiset kelat

- Kellukkeet (tiheys kuonan ja teräksen välissä)

- Toimivat samalla myös kuonan stoppareina

- Lämpökuvaus

- Värähtely-/kiihtyvyysmittaukset

Lähde: I Banerjee, S Kumar & S Singh: SteelTimes International. 42(2018)8.

Esimerkki konvertterin kuonantunnistuksesta (yllä).

Lämpökuvaus kaadon eri vaiheissa (alla).

Oulun yliopisto

Case – Valokaari-uunin savukaasujen koostumuksen jatkuvatoiminen mittaus (VKU2/Tornio)

Tavoitteena prosessin ohjauksen

parantaminen

- Terässulan Si-pitoisuuden ja kromin kuonautumisen

hallinta

- Vuotoilmojen ja happimäärän hallinta

- Koksin panostuksen ja hiili-injektion hallinta

- Lisäksi vuorausten keston parantaminen sekä käytetyn

kalkin määrän vähentäminen

Toteutus

- Miten näytteenottosondi sijoitetaan?

- Miten ja missä analysointi toteutetaan?

- 1) Savukaasujen analysointi ilman merkkikaasua

- Massaspektrometri

- Analyysi n. 25 sekunnin välein

- Pois päältä sulatusten alussa ja kalkkia injektoitaessa

- 2) Savukaasujen analysointi käyttäen typpeä

merkkikaasuna

Lähteenä käytetty Veikko Juntusen esitystä POHTOssa 2007.

12.9.2019

17

Oulun yliopisto

Case – Valokaari-uunin savukaasujen koostumuksen jatkuvatoiminen mittaus (VKU2/Tornio) - Toteutus


Oulun yliopisto

Case – Valokaari-uunin savukaasujen koostumuksen jatkuvatoiminen mittaus (VKU2/Tornio) – Esimerkki mittaustuloksista


Savukaasuanalyysi sulatuksen 38116 loppuvaiheessa

[Si]=0,11%; (Cr2O3)=3%

0

10

20

30

40

50

60

70

80

90

100

17

:33

17

:35

17

:37

17

:39

17

:41

17

:44

17

:46

17

:48

17

:50

17

:52

17

:54

Aika

Til

av

uu

s-%

(N

2)

0

5

10

15

20

25

30

Til

av

uu

s-%

(O

2,C

O,C

O2) N2

CO

O2

CO2

tehot pois

analysaattori

käyntiin

Sisään menevän ja ulos tulevan kaasun happimäärä sulatuksen 38116

loppuvaiheessa (NTP)

0

2

4

6

8

10

12

14

17

:33

17

:34

17

:35

17

:37

17

:38

17

:39

17

:40

17

:42

17

:43

17

:44

17

:46

17

:47

17

:48

17

:49

17

:51

17

:52

17

:53

17

:54

Aika

O2-m

oo

lim

ää

rä

O2-moolimäärä

sisään

O2-moolimäärä

ulos

analysaattori

käyntiin tehot pois

O2-pitoisuus pitkään lähellä nollaa

(kaikki puhallettava happi reagoi)

CO2-piikin aikana ulostulo suurempi kuin sisäänmeno

(merkki pelkistymisestä – FeO, Cr2O3, MnO, SiO2)

Sisäänmenevän ja ulostulevan happimäärän suhde

kertoo hapen ”sitoutumisesta” panokseen eli

panosmateriaalin komponenttien hapettumisesta.

CO2-piikki (seurausta siitä, että hiili alkaa

pelkistämään kuonautunutta kromioksidia)

Lopussa O2-pitoisuus nousee

12.9.2019

18

Oulun yliopisto

Case – Valokaari-uunin savukaasujen koostumuksen jatkuvatoiminen mittaus (VKU2/Tornio)

Ongelmat ja haasteet sekä niihin vastaaminen

- Näytteenottosondin kuluminen

- Vesijäähdytteinen näytteenottoputki

- Näytekaasulinjan, näytteenottosondin ja suodattiminen

tukkeutuminen

- Ei analysointia kalkki-injektion aikana + autom. puhdistus

- Vuodot näytekaasulinjassa

- Näytekaasulinjan paineistus + painehäviön tarkistus

- Kalkin kulkeutuminen savukaasuihin

- Karkeampi raekoko käytetylle kalkille

- Savukaasuanalyysiä ei tiedetä kalkin panostuksen ja toisen

korin panostuksen ajalta

- Arvioidaan mitattujen analyysien pohjalta


Oulun yliopisto

Case – AOD-konvertterin pölyjen jatkuvatoiminen mittaus

Pölymittari

- Sijoitettu saavukaasukanavan suoralle osalle ennen

suodatinlaitosta

- Kaasun lämpötila mittarin kohdalla n. 500 C

- Karkeaerotin erottaa suurimmat partikkelit ennen mittausta

- Triboelektrinen menetelmä

- Hiukkasten varaus indusoituu anturiin

- Muodostuva sähkövirta on verrannollinen hiukkaspitoisuuteen

– mitataan

Lähteenä käytetty Jukka Mansikan esitystä POHTOssa 2007.

12.9.2019

19

Oulun yliopisto

0

20

40

60

80

100

120

Puhallusvaihe

Pöl

yäm

inen

(kg

/min

)

1+2 3 4 Pelkistys

Materiaalipanostuksista

syntyy pölypiikkejä

Kuonauksesta

syntyy joskus

pieni pölypiikki

4-vaiheen

ja pelkistyksen aikana

pölymäärä on nollatasolla

1+2-vaiheen alussa

pölyäminen lisääntyy tasaisesti

1+2-vaiheen loppupuolella

pölyäminen vähenee

3-vaiheen alkaessa pölyäminen

vähenee nopeasti

3-vaiheen aikana

pölyäminen lisääntyy

Case – AOD-konvertterin pölyjen jatkuvatoiminen mittaus

Mittaustulosten hyödyntäminen

- Havaitaan erilaisten prosessin ajoparametrien vaikutus

- Ajopraktiikan muutos tarvittaessa

- Panosmateriaalien laadun seuranta

- Prosessin toimivuuden seuranta

Haasteet ja ongelmat?

- Mittausanturin likaantuminen ja kuluminen

- Puhdistuksen jälkeen mittaus antoi hetken aikaa liian suuria

mittaustuloksia

Lähteenä käytetty Jukka Mansikan esitystä POHTOssa 2007.

MITTAUSANTURIN

LIKAANTUNUT PUOLI

(JÄTTÖPUOLI)

VIRTAUKSEN AIHEUTTAMAA

MITTAUSANTURIN KULUMISTA

Kaksi viikkoa edellisestä

puhdistuksesta

Kuusi kuukautta käyttöä

Vaiheissa 1+2 ja 3 on käytössä lanssi- ja suutinpuhallus.

4-vaiheessa ja pelkistyksessä käytetään suutinpuhallusta.

Puhallettavat kaasumäärät ja -suhteet vaihtelevat eri vaiheissa.

Oulun yliopisto

Case – OES:n hyödyntäminen VKU-mittauksissa

OES, Optinen emissiospektri

- Mitataan prosessista lähtevän valon eri aallonpituuksia

- Yksinkertaisimmillaan tutkitaan valon voimakkuutta

- Voidaan käyttää valoa lähettävän aineen lämpötilan määrityk-

seen sekä mahdollisten palamisilmiöiden havaitsemiseen

- Onko valo peräisin valokaaresta, liekeistä, teräksestä, kuonasta?

- Lämpötilan mittaus erityisesti kohteissa, joissa liekit häiritsevät

mittausta

- ”Uusia kohteita” mitattaessa käytetään aluksi yleensä yhdessä

kaksiväripyrometrin kanssa

Lähteenä käytetty Matti Aulan esitystä POHTOssa 2017.

12.9.2019

20

Oulun yliopisto

Case – OES:n hyödyntäminen VKU-mittauksissa

Käyttö uunin tilan tarkkailuun

- Valokuitujen asentaminen uunin kanteen

- Tarkkaillaan/mitataan uunin eri kohdista lähtevää valoa

- Kirkas valo viittaa suureen lämpökuormaan

- Hot spotit

- Vapaana paistava kaari (ei kuohuvan kuonan peitossa)

- Arvio esim. uunin eri osien vuorausmateriaalien kulumisesta

- Kuonan koostumuksen mittaus valokaaren spektristä

- Voidaan käyttää on-line-ohjaukseen (valokaarien pituuksien

kasvattaminen ja lyhentäminen havaittujen hot spotien

pohjalta) tai off-line-ohjaukseen (jänniteportaiden pituuksien

optimointi)

Käytetty mm. Tornion ja Imatran VKU:ssa

Lähteenä käytetty Matti Aulan esitystä POHTOssa 2017.

Oulun yliopisto

Case – Painettu elektroniikka vastauksena mittauksen haasteisiin

Yksi korkealämpötilaprosessien mittausten

haasteista on anturien huono kesto

- Ratkaisuna kestävämmät anturit tai anturien suojaaminen

- Vaihtoehtona ”kertakäyttöiset anturit”

- Yksinkertaisia mitta-antureita, joiden valmistus on niin

edullista, että niitä voidaan käyttää suuria määriä

- Ei väliä vaikka niitä tuhoutuukin, kun uudet anturit

korvaavat tuhoutuneet

Edullisuuden edellytyksenä massatuotanto

- Ratkaisuna painettu elektroniikka

Suurien anturimäärien valmistaminen

edullisesti mahdollistaa myös alueellisesti

laajemmat mittaukset

Lähteenä käytetty Tapio Fabritiuksen esityksiä POHTOssa 2015 ja 2017.

12.9.2019

21

Oulun yliopisto


Painettu elektroniikka

- Elektroniikan valmistus joustaville alustoille käyttäen

elektronisesti funktionaalisia musteita

- Mahdollisuus käyttää erilaisia painotekniikoita

- Mahdollisuus tuottaa suuria määriä erilaisia sensoreita

edullisesti massatuotantona

- Sensorien suorituskyky ei yhtä korkea kuin

tavanomaisessa elektroniikassa


Oulun yliopisto


Sensorin toimintaperiaate

- Sensori (ja antenni) muodostavat passiivisen elementin,

joka ei vaadi virtaa

- Sensorin mittaama data voidaan lukea langattomasti

elektromagneettisia kenttiä hyödyntäen

- esim. kosteutta mittaavan sensorin resonanssitaajuus

muuttuu kosteuden muuttuessa


12.9.2019

22

Oulun yliopisto

Osa II Automaatiosta

Oulun yliopisto

Automaation rooli ja tehtäviä korkealämpötila-prosessien tarkastelussa

Sama kuin muussakin

(prosessi)teollisuudessa

- Prosessien hallinta ja optimointi

- Tasainen ajo

- Tuotteen laatu

- Energiankulutuksen optimointi

- Ympäristöhaittojen minimointi

- jne.

12.9.2019

23

Oulun yliopisto

Automaation haasteita korkealämpötila-prosessien tarkastelussa

Puutteellinen tieto

- Miten ohjattavat suureet riippuvat mitattavista?

- Monimutkaiset riippuvuudet, monet vaikuttavat tekijät

- Ei saada mitattua (tarkasti, jatkuvatoimisesti, ollenkaan?) niitä

suureita ja ominaisuuksia, joita tarvittaisiin

Puutteelliset vaikutusmahdollisuudet

- Ei suoraa (tai hyvin hidas) vaikutusmahdollisuus toimintaan

Hallitsemattomat vaihtelut

- esim. raaka-aineen laadussa ja koostumuksessa

Prosessin hitaus ja hitaat vasteet

- Vaikutukset näkyvät mahdollisesti vasta seuraavalle vuorolle

- Ongelma myös automatisoinnissa/robotiikassa (ks. seuraava

slide)

Oulun yliopisto

Automaation haasteita

Yhtenä robotiikan/automatisoinnin

haasteena ovat hitaat vasteet

- Massan hitaus, suuret etäisyydet

- Haastavampaa kuin esim. elektroniikkateollisuudessa

Erityisenä ongelmana värähtely, joka voi

voimistua hallitsemattomaksi

- Ratkaisu esim. optimoimalla PI-säätimen säätöparametrit

Lähde: G Gerstorfer et al.: ”Robotic applications continuously enhancing safety in melt shops”.

8th European Oxygen Steelmaking Conference EOSC2018. Taranto, Italy. 10-12.10.2018.

12.9.2019

24

Oulun yliopisto

Case – Masuunin ohjauskeinot

Mitä mitataan?

- Huippukaasun koostumus ja lämpötila

- Raakaraudan lämpötila

Mitä lasketaan?

- CO2/CO –suhde masuunin kuilussa

- Suoran pelkistyksen määrä taselaskentana O-, N- ja C-

taseista

Mitä säädetään?

- Peruskoksin määrä

- Öljyinjektion määrä

- Puhallusilman lämpötila, määrä ja happirikastus

- Höyryinjektio tarvittaessa

Kuva: Masuuni, SSAB. Oxelösund, Södermanland, Ruotsi

(Stig-Göran Nilsson, 2002, JK:n arkisto)

Oulun yliopisto

Automaation menetelmiä korkealämpötila-prosessien tarkastelussa

Ohjaus

Perinteinen säätö

- P, PI, PID

Mallipohjainen säätö

- MPC, Model Predictive Control

Ennakoiva ja ennustava säätö

Adaptiivinen ja mukautuva säätö

Neuroverkot

Sumeat ohjausmenetelmät

jne.

Käsitellään tarkemmin automaatiotekniikan

opintojaksoissa

Kuvalähde: Mikko Korpi, POHTO, 2015.

12.9.2019

25

Oulun yliopisto

Case – Puhkeaman esto jatkuvavalussa

Ongelma: Valunauhan puhkeaminen JV:ssa

- Syynä jähmettyvän valunauhan tarttuminen kokilliin,

jolloin jähmettynyt kuori jää yhdestä kohdasta liian

ohueksi ja puhkeaa myöhemmin

Ratkaisuna SAPSOL-järjestelmä

- Hyödyntää lämpötilamittauksia kokillista

- Termoelementit kahdella eri korkeudella

- Ylempien ja alempien välinen ero 20 cm (etäisyys

vaakasuunnassa 25-30 cm)

- Automaatiojärjestelmä tunnistaa mittauksista tapaukset,

jotka ennakoivat puhkeamaa, ja reagoivat hidastamalla

valunopeutta

Tulokset

- Ennen SAPSOLia 75 % puhkeamista johtui tarttumisesta

- SAPSOLilla puhkeamien määrä on pienentynyt

- Vain 20 % puhkeamista johtuu tarttumisesta

- Suurin syy on nyt kuona

Lähteenä käytetty Ismo Rentolan esitystä POHTOssa 2007.

Kuva:

Paavo

Hooli.

Oulun yliopisto

Case – Puhkeaman esto jatkuvavalussa

Toimintaperiaate

- Järjestelmä tarkkailee kutakin termoelementtiparia erikseen

- Tekee päätöksen ja hälyttää mahdollisesta

kiinnitarttumisesta, jos tietyt ehdot täyttyvät

- Ehdot liittyvät ylemmän ja alemman termoelementin mittaamien

lämpötilojen käyttäytymiseen (nousut, laskut, muutosnopeudet,

erot) tietyn aikaikkunan sisällä

- Hälytys hidastaa valunopeuden jo yhden parin hälyttäessä

- Hitaampi valunopeus antaa jähmettyvälle kuorelle aikaa kasvaa

uudestaan riittävän paksuksi

- Voidaan ajaa automaatilla tai käsiajolla, jolloin ohjaamosta

reagoidaan järjestelmän antamiin hälytyksiin

- esim. hidastus 0,2 m/min – vakionopeus 30 s ajan – kiihdytys

takaisin normaalivalunopeuteen 0,3 m/min2

Lähteenä käytetty Ismo Rentolan esitystä POHTOssa 2007.

12.9.2019

26

Oulun yliopisto

Case – Laadutusmalli aihioiden vikojen ennustamiseksi

Laadutusmallin tavoite

- Ohjata aihioiden kunnostus tehtäväksi vain tarvittaessa

- Todelliseen kunnnostustarpeeseen perustuen

Toiminta

- Pyrkii ennustamaan jatkuvavalussa syntyvän aihion laadun

- Lähtötietoina sulatus- ja valuprosesseista saatavat mittaus-,

analyysi- ja häiriötiedot ym. raportoinnit

- Laskee ennusteen valunauhan laadulle ja muuttaa tarvittaessa

aihion kunnostusluokan vaativammaksi

Lähteenä käytetty Jarno Pirisen esitystä POHTOssa 2011.

Oulun yliopisto

Case – Laadutusmalli aihioiden vikojen ennustamiseksi

Aihioilla kunnostusluokat A0 – A8

- Jokaiselle luokalle oma toimintaohje aihion tarkastusta ja

käsittelyä koskien

Laadutusmallin ennustamat vikatyypit

- Pitkittäishalkeamat

- Poikittaishalkeamat

- Poikittaishalkeamat aihion nurkassa

- Aloksisulkeumat

- Kuonasulkeumat

- Kuonavyöt

- Keskilinjasuotaumat

- Sisäiset sulkeumat

Lähteenä käytetty Jarno Pirisen esitystä POHTOssa 2011.

12.9.2019

27

Oulun yliopisto

Osa III Mallinnuksesta

Oulun yliopisto

Mallinnuksen rooli korkealämpötila-prosessien tarkastelussa

Kokeita ja teollisia kampanjoita nopeampi,

halvempi ja turvallisempi tapa testata

- erilaisia prosessin ajopraktiikoita

- esim. seostusajankohdat ja –määrät, puhallus- ja

injektointimäärät ja –kestot, jne.

- erilaisia raaka-aineita

- erilaisten tuotteiden valmistusta

- jne.

Yksi T&K-toiminnan keskeisimmistä

työkaluista

12.9.2019

28

Oulun yliopisto

Mallinnus yleisesti Malli on jonkin todellisen kuvaus

- Voi olla hyvin yksinkertainen tai hyvin monimutkainen

- Yleensä yksinkertaistettu, jotta olisi helpommin laadittavissa,

käytettävissä, ymmärrettävissä ja tulkittavissa

(Luonnon)tieteellinen mallinnus

- Yksinkertaistettuja esityksiä/kuvauksia fysikaalisista

systeemeistä

- Auttaa ymmärtämään, määrällistämään, visualisoimaan ja

simuloimaan

Simulointi on mallin käyttöä

- Tasapaino- tai stationääritila

- Dynaaminen tila

Erilaisia malleja

- Teoreettiset mallit: Loogiset ja matemaattiset riippuvuudet

- Empiiriset mallit: Kokeellisen datan sovitus yhtälömuotoon

- Semi-empiiriset mallit: Teoreettisen mallin kalibrointi

kokeellisen datan avulla Kuva: Visuri V-V: VK, Oulun yliopisto, 2017.

Muokattu lähteestä: Sargent RG: Proc. 1988 Winter Simulation

Conf. San Diego, USA, pp. 33-39.

Oulun yliopisto

Erilaisia malleja Teoreettiset mallit

- Perustuvat fysikaalisiin, matemaattisiin ja loogisiin

riippuvuuksiin

- esim. fysikaalinen kemia, reaktiokinetiikka, lämmönsiirto,

virtausdynamiikka, jne.

- Yksinkertaistusten ja kokeellisten kalibrointien minimointi

- Laaja sovellettavuusalue ja hyvä ekstrapoloituvuus

- Vaatii mallinnettavien ilmiöiden tuntemusta

Empiiriset mallit

- Perustuvat kokeellisen datan sovittamiseen tiettyihin

matemaattisiin yhtälöihin

- Yhtälömuoto/mallirakenne, malliparametrit

- Vaatii paljon dataa mallin laadinnassa ja validoinnissa

- Yleensä sovellettavissa vain alkuperäisessä käyttökohteessa

- ”Black box” – ei vaadi asian teoreettista tuntemusta

- Yleensä nopeita laatia

Semi-empiiriset mallit

- Helpompia ja nopeampia laatia kuin teoreettiset mallit

- Helpommin ekstrapoloitavissa kuin empiiriset mallit

Fysikaalinen vesimalli AOD-prosessin sisäisten virtausten

visualisoimiseksi.

Lähde: Fabritius T: VK, Oulun yliopisto, 2003.

12.9.2019

29

Oulun yliopisto

Laskennalliset mallit metallurgiassa

(Yksittäisten) ilmiöiden mallinnus

- Reaktiotasapainot ja –kinetiikka, virtaukset, diffuusio, jne.

- Etuna tarkkuus

- Yleensä yksin liian yksinkertaistettuja käytäntöön

Ilmiöpohjainen prosessimallinnus

- Usein kootaan yksittäisiä ilmiöitä kuvaavista osamalleista

- Mallit eivät välttämättä niin tarkkoja kuin edellä

- Käytännön merkittävyys suurempi

- Keskeistä se, miten eri osamallit liitetään toisiinsa

- Eri ilmiöiden välinen riippuvuus toisista

- Voivat sisältää myös empiirisiä korjausparametrejä

Prosessilähtöinen mallinnus

- Black box –mallinnus perustuu riippuvuuksien etsintään

lähtö- ja tulosuureiden välillä

- Voivat olla hyvinkin tarkkoja alkuperäisessä

sovelluskohteessa

- Soveltaminen muissa kohteissa haastavaa

Kuva: Kaisa Heikkinen

Oulun yliopisto

Erilaisia malleja Mallinnuksessa ovat käytössä kaikki

harmaan sävyt

- Fysikaalisten ja kemiallisten ilmiöiden mallinnus ilman

kokeellisen/teollisen datan pohjalta määritettyä

korjauskertoimia

- Ilmiömallinnus, jota tarkennetaan validoinnin yhteydessä

kokeellisen/teollisen datan pohjalta määritetyillä

korjauskertoimilla

- ...

- Data-pohjainen mallinnus, jossa big dataa on suodatettu

etukäteen perustuen prosessissa tapahtuvien ilmiöiden

tuntemukseen

- Black box –mallinnus, jossa kokeellista/teollista dataa

sovitetaan matemaattiseen muotoon ”ilman ymmärrystä”

prosessissa tapahtuvista ilmiöistä

Lähde: Olli Saarelan esitys, POHTO, 2019.

Fysiikka

Kemia

Data

12.9.2019

30

Oulun yliopisto

Fysikaaliset mallit metallurgiassa

Erona laskennallisiin malleihin

- vaatii koejärjestelyt ja mittaukset

- ei tarvetta pystyä mallintamaan kaikkia ilmiöitä ja niiden

välisiä vuorovaikutuksia matemaattisesti

Tavoitteena luoda malliin vastaavat olosuhteet

kuin todellisessa/mallinnettavassa tilanteessa

- Toteutus helpommin käsiteltävillä aineilla/materiaaleilla

- esim. huoneenlämpötilainen vesi sulan teräksen sijasta,

läpinäkyvä muovi/lasi tulenkestävien tiilten sijasta, jne.

- Helpompaa, havainnollisempaa, turvallisempaa, halvempaa

- Mittaukset helpommin toteutettavissa

- Keskeistä vastaavuuden varmistaminen

- Geometrinen, kinemaattinen ja dynaaminen vastaavuus

- Yksittäiset muuttujat poikkeavat mallin ja todellisuuden välillä

- esim. reaktorin halkaisija ja korkeus, puhallussuutinten

halkaisijat, kaasujen puhallusmäärät, fluidien tiheydet ja

viskositeetit, jne.

- Vastaavuus varmistetaan ns. dimensiottomien lukujen avulla

- Kuvaavat erilaisten voimien välisiä suhteita ja niiden pitäisi

vastata toisiaan mallissa ja todellisuudessa

- esim. Reynoldsin, Frouden, jne. luvut

Kuva: Aki Kärnä

Oulun yliopisto

Virtausdynamiikka ja –mallinnus sekä siirtoilmiöt

Reaktiokinetiikka

Termodynamiikka

Mallinnuksen rooli korkealämpötila-prosessien tarkastelussa

Mihin mallinnusta tarvitaan/käytetään?

- Prosessien säätö/ohjaus/hallinta

- Optimointi

- Prosessikehitys

Prosessien hallinta/optimointi edellyttää tietoa

- Missä ja kuinka reaktiot tapahtuvat?

- Kuinka nopeasti reaktiot tapahtuvat?

- Mihin asti reaktiot tapahtuvat?

Käytännössä pelkkä mallinnus ei riitä

- Tarvitaan aina kokeellista tietoa validointiin


12.9.2019

31

Oulun yliopisto

Virtausten mallinnus Tavoitteena ymmärtää ja hallita tarkastelun

kohteena olevan systeemin ilmiöitä

Korkealämpötilaprosessien virtausten

määritys kokeellisesti erittäin rajoitettua

- Epäsuoraa, epäjatkuvaa tai kokonaan puutteellista

Virtauslaskenta tärkeä apuvälinen t&k:ssa

- Mallinnustulosten validointi matalan lämpötilan

fysikaalisia malleja hyödyntäen

Mallinnuksessa kiinnostavia asioita

- Virtauskentät (nopeudet, suunnat, faasiosuudet)

- Aineen- ja lämmönsiirto

- Sekoittuminen

- Faasien erottuminen/sekoittuminen


Virtausmallinnus

(CFD)

Fysikaalinen

mallinnus

Teolliset prosessit

Sisäinen

validointi

Tulokset

Yhtäläisyys-

kriteerit

Mallinnus-

ongelma Prosessikokeet

Ulkoinen

validointi

Teollinen

konteksti

Oulun yliopisto

Virtausten mallinnus Virtausmallinnus (Computational Fluid

Dynamics, CFD)

- Perustuu massan ja liikemäärän säilymistä kuvaavien

differentiaaliyhtälöiden ratkaisemiseen

- Lisäksi tarvitaan energian säilymisen kuvaus, jos halutaan

tarkastella muutoksia lämpötilassa

- Vaatii tietoa termokemiallisista ominaisuuksista (H, CP)

- Mallin geometria laaditaan soluista (cell), joissa yhtälöt

diskretoidaan

- Solut muodostavat laskentahilan (mesh/grid)

- Malli sekä sen rakenne ja reunaehdot on aina määritettävä

tapauskohtaisesti

- Keskeistä systeemin määrittely (oletukset, käytetyt mallit, verkon

rakenne, jne.)

- Tärkeitä mallinnuksen osa-alueita ovat mm.

- Mitä ilmiöitä huomioidaan, mitä ei?

- Turbulenttisuuden mallinnus

- Rajapintojen mallinnus

- Heterogeenisten seosten mallinnus (emulsio, suspensio, ...)

- Reaktiomallinnuksen yhdistäminen

- Yleensä hyödynnetään kaupallisia ohjelmistoja

- esim. ANSYS Fluent


Physical properties of phases

Selection of modelling approach

Solver properties

Mesh generation

Boundary conditions

Calculation

Postprocessing

Validation

Modelling problem

Results

12.9.2019

32

Oulun yliopisto


TURBULENCE MODELLING

Direct simulation of turbulent quantities

Direct Numerical

Simulation

Large Eddy Simulation

(examples)

Statistical treatment of turbulent quantities

(Reynolds-averaged Navier-Stokes equations)

Boundary layers

Wall assumptions

Direct solution

near the wall

Main flow

Boussinesq

approximation

Direct solution of the

stress tensor

Reynolds

stress models

1-equation models

(examples) Algebraic models

2-equation models

(examples)

Two-zone method

Low-k-ε

Baldwin-Lomax

Prandtl k-ε models

(examples)

k-ω models

(examples)

Cebeci-Smith

Baldwin-Barth

Spalart-

Almaras

Standard k-ε

Realisable k-ε

Standard k-ω

SST k-ω

RNG k-ε

Sub-grid turbulence

(examples)

Smagorinsky-

Lilly

References [1] H.-J. Odenthal, Habilitationsschrift, RWTH Aachen, 2004

[2] H.-J. Odenthal, Vorlesungsskript, RWTH Aachen, 2014

[3] CFD Online (www.cfd-online.com)

Oulun yliopisto

Virtausten mallinnus Esimerkki virtausmallinnuksesta

- Kuona- ja terässulien sekoittuminen (emulsion

muodostuminen) terässenkassa sekoituksen yhteydessä

- Tarkasteltavaksi geometriaksi valittu vain yksi ”viipale” koko

systeemistä (ks. kuva)

- Nopeuttaa laskentaa

- Oletus, että vastaavat ilmiöt tapahtuvat muuallakin

- Oletuksia ja käytettyjä malleja:

- Large eddy simulation (LES) ja fluidin tilavuuden arviointi

rajapinnan määritykseen

- Sub-grid –turbulenttisuuden mallinnus Smagorinsky-Lilly

–mallilla

- Kokojakauma Rosin-Rammler Sperling –yhtälöllä

- Tuloksena kuonapisaroiden koko(jakauma) ja emulsioaste

- Hyvä korrelaatio voima- ja energiataseisiin perustuvien

analyyttisten tarkastelujen kanssa


Kuva: Petri Sulasalmi et al.: Steel res. int. 86(2015)3,212-222.

12.9.2019

33

Oulun yliopisto


- Sulasilmäkkeen muodostuminen terässenkassa

sekoituksen yhteydessä

- Tarkasteltavaksi geometriaksi valittu

- 150 tonnin terässenkka

- 1:5 mittakaavassa laadittu fysikaalinen malli

- Oletuksia ja käytettyjä malleja:

- Sulafaasin kuvaus: RANS + k-

- Kaasufaasin kuvaus jatkuvana faasina

- Rajapintojen määritys: VOF

- Tuloksena sulasilmäkkeen koko ja sijainti erilaisilla

kaasupuhallusmäärillä ja kuonapaksuuksilla

- Validointi vertailemalla tuloksia fysikaalisen virtausmallin

ja prosessikokeiden tuloksiin


Kuvat: Eshwar Kumar Ramasetti et al.: Steel res. int. 90(2019)2.

Oulun yliopisto

Virtausten mallinnus

Numeerisen mallinnuksen tuloksia voidaan

validoida fysikaalisten mallien avulla

- Fysikaalisia malleja käytettäessä varmistettava mallin ja

todellisuuden vastaavuus

- Geometrinen, kinemaattinen, dynaaminen

- Dimensiottomat luvut

- Mittaukset fysikaalisista malleista helpompia kuin

todellisesta prosessista

- Kiinnostavia/mitattavia asioita, mm.:

- Sekoittumisajat

- Virtausnopeuskentät

- Emulsioiden muodostuminen

- Sulasilmäkkeiden muodostuminen

- Roiskuminen

- Materiaalilisäysten vaikutus


Tracer addition

Laser Doppler

Anemometry (LDA)

Laser-2-Focus (L2F)

Phase Doppler

Anemometry (PDA)

Particle Image

Velocimetry (PIV)

Laser Induced

Fluoresence (LIF)

Doppler Global

Velocimetry (DGV)

Quantita

tive

Quali-

tative Color or particle addition

Laser sheet technique

Main flow

Mixing or

residence time

Local velocity

Velocities of

bubbles, drops

and particles

Surf

ace

Dis

cre

te p

oin

t

Measurement techniques applicable for physical modelling. Updated after H.-J. Odenthal, Habilitationsschrift, RWTH Aachen, 2004.

Shadowgraphy

Velocity field

Velocities of

bubbles, drops

and particles

Collector tubes and bins Splashing or

emulsification

Image analysis Open eye

12.9.2019

34

Oulun yliopisto


- Sekoittumisajan määritys fysikaalisella mallinnuksella

- Oma mallinnus – ei ”pelkästään” numeerisen

virtausmallinnuksen validointi

- AOD-konvertterin mallinnus mittakaavassa 1:9

- Rikkihapon käyttö jäljitinaineena

- pH:n mittaus

- Saadaan käsitys rikkihapon leviämisestä

- Viipymä- ja sekoittumisaikojen määritys

- Määrityksessä voitaisiin käyttää myös

- Väriaineita – visuaalinen tarkastelu

- Sähkönjohtavuuteen vaikuttavia aineita – sähkönjohtavuuden

mittaus


Kuvat: T Haas et al.: Proceedings of MOLTEN 16. 2016.

Oulun yliopisto


- Sulasilmäkkeen muodostuminen terässenkassa

sekoituksen yhteydessä

- Terässenkan vesimalli mittakaavassa 1:5

- Kuonan kuvaus öljyllä

- Kaasupuhallusmäärän ja kuonakerroksen paksuuden

vaikutus sulasilmäkkeen muodostumiseen

- ”Sula”silmäkkeen määritys

- Kamera

- Kuva-analyysi

- Tuloksia vertailtiin numeerisen virtausmallinnuksen

tuloksiin


Kuvat: Eshwar Kumar Ramasetti et al.: Steel res. int. 90(2019)2. & T

Palovaara: Diplomityö. Oulun yliopisto, 2017.

12.9.2019

35

Oulun yliopisto

Virtausten mallinnus

Validointi prosessikokeiden avulla

- Verrataan prosessista tehtyjä havaintoja

mallinnuksen tuloksiin

Esimerkki: Sulasilmäke terässenkassa

- Argon-pohjapuhalluksen ja kuonapaksuuden

vaikutus sulasilmäkkeen kokoon ja sijaintiin 150 t

terässenkassa

- Virtausmallinnuksen tulosten validointi

Outokummun Tornion tehtailla

- Vaatii oikeanlaisen kuvauslaitteiston riittävän

kontrastin aikaansaamiseksi kuonan ja metallin

välille


0.2 Nm3/min

Kuonan paksuus

25 cm

40 cm

55 cm

0.4 Nm3/min 0.5 Nm3/min Argon-puhallus →

CFD-malli

(40 cm)

Oulun yliopisto

Reaktiotasapainojen mallinnus

Mikä on (kemiallinen) tasapaino?

- Tila, jossa ei tapahdu muutoksia ajan funktiona

(ellei olosuhteita ulkoisesti muuteta)

- Ei spontaaneja reaktioita/ilmiöitä

Mikä on spontaani reaktio/ilmiö?

- Muutos, johon ei vaadita ulkoista työtä/energiaa

- Päinvastoin: energiaa vapautuu muuhun käyttöön

Yhteys tasapainon ja spontaanisuuden välillä

- Spontaanit reaktiot johtavat tasapainotilaan

- ts. tasapainoa ei ole saavutettu niin kauan kuin energiaa

vapautuu reaktioista – tasapainossa tapahtuvalle

infinitesimaalisille muutoksille energiaa ei tarvita eikä

vapaudu

Tasapainon määritys määrittämällä energian

muutokset tarkasteltavalla ilmiölle/reaktiolle/

systeemille

- Laskentaa varten tarvitaan yhtälöt kuvaamaan energiaa

Kuvalähde: Atkins PW: Physical chemistry. 6th ed.

Oxford. Oxford University Press. 1988. 1014 p.

12.9.2019

36

Oulun yliopisto


Entalpia

H = CP dT

Entropia

S = CP/T dT

Lämpökapasiteetti

lämpötilan funktiona esim. Kelleyn yhtälö:

CP = a + bT + cT2 + dT-2

Optimointi-/

minimointimenetelmä Tasapainovakio-

menetelmä (K) GSysteemi = (GFaasi)

GFaasi = (GKomponentti)

Haetaan min(GSysteemi)

Yksittäisille reaktioille.

Ei juurikaan käytetty

laskennallisessa

termodynamiikassa.

Gibbsin vapaaenergia

G = H - TS

Reaktiotasapainon laskennalliseen määritykseen

tarvitaan energiaa kuvaavat suureet/funktiot

- Sisäenergia (U) kuvaa kaikkea materiaalin itsensä

sisältämää energiaa (poislukien ulkoiset energiamuodot

kuten kineettinen ja potentiaalienergia)

- Tilavuudenmuutoksia sisältävät muutokset vakiopaineessa:

- Seurauksena joko laajentuminen tai kutistuminen

- Energiaa tarvitaan laajenemiseen ulkoista painetta vastaan

- Entalpia/Lämpösisätlö (H) kuvaa sisäenergiaa, josta on

vähennetty ulkoista painetta vastaan tehty työ

- H = U + pV

- Energian käytettävyyden vähenemistä kuvaa entropia (S)

- Vapaaenergia (F or G) kuvaa ”hyödylliseen työhön” (eli

spontaaneihin reaktioihin/ilmiöihin) käytettävissä olevaa

energiaa

- G = H – TS

- Helmholzin vapaaenergia (F) isokoorisille systeemeille

- Gibbsin vapaaenergia (G) isobaarisille systeemeille

Kemiallisten reaktiotasapainojen mallinnus on

Gibbsin vapaaenergian muutosten laskentaa

Oulun yliopisto


Tasapainon määritys voi perustua

- Yksittäisille reaktioille määritettyyn tasapainovakioon

- Tarkasteltavan systeemin vapaaenergian minimiin

Molemmissa keskeisessä roolissa Gibbsin

vapaaenergia

- Yleisesti käytetään optimointimenetelmää hyödyntäviä

(kaupallisia) laskentaohjelmistoja sekä termokemiallisen

datan sisältäviä tietokantoja

- esim. HSC, FactSage, ThermoCalc, MTData, Pandat, ...

- Laskennallinen termodynamiikka

(Computational thermodynamics, CTD)

Tietokannat: Aineiden Gibbsin vapaaenergiat

- Standardiarvot (”puhdasainefunktiot”)

- Eksessifunktiot (kuvaavat liuosten epäideaalisuutta)

Josiah Willard Gibbs

12.9.2019

37

Oulun yliopisto


Metallurgian kannalta keskeisiä

epäideaalisia liuoksia

- Metalliseokset (kiinteät ja sulat)

- Kuonasulat


Sulan teräksen malleja Lähestymistapa Lähde

Wagner-Lupis-Elliott (WLE)

formalismi

MacLaurinin sarja aktiivisuuden esittämiseksi äärettömässä

laimennuksessa (yhtäpitämätön konsentroiduilla liuoksilla)

[1]

Unified interaction parameter

(UIP) –formalismi

WLE:n laajennus konsentroituihin liuoksiin käyttäen Margules-yhtälöä

liuottimen kuvaukseen; vain 1. kertaluvun vuorovaikutukset

[2]

ε-formalismi Aktiivisuuden määritys äärettömässä laimennuksessa sekä

konsentroiduilla liuoksilla; vain 1. kertaluvun vuorovaikutukset

[3]

Kuonasulien malleja Lähestymistapa Lähde

Regulaaristen liuosten malli Kationien satunnainen jakautuminen happi-anionien matriisissa [4]

Solumalli (”Cell model”) Kahden alihilan malli (kationi- ja anioni-alihilat) [5]

(Muokattu) Kvasikemiallinen malli SRO-järjestäytymisen (Short Range Order) kuvaus [6]

Esimerkkejä aktiivisuusmalleista

Lähteet

[1] C. H. P. Lupis & J. F. Elliott, Acta Metall. 14(4): 529–538, 1966. [4] S. Ban-Ya, ISIJ Int. 33(1): 2–11, 1993.

[2] A. D. Pelton & C. W. Bale, Metall. Trans. 17(7): 1211–1215, 1986. [5] M. L. Kapoor & M. G. Frohberg, in: Chemical Metallurgy of Iron and Steel, 1971.

[3] Z. T. Ma, J. Ohser & D. Janke, Acta Metall. Sin. 10(5): 375–385, 1997. [6] A. D. Pelton & M. Blander, Metall. Trans. B 17(4): 805–815, 1986.

Oulun yliopisto


Mihin tasapainomallinnusta käytetään?

- Osana laajempia prosessimalleja

- Kokeellisen toiminnan suunnittelu

- Koetulosten ja prosessihavaintojen pohdinta, arviointi,

selitys ja ymmärtäminen

Hyvin yleinen sovelluskohde on faasi-

osuuksien ja –koostumusten määritys

- esim. AOD-kuonan sulafaasin osuus lämpötilan funktiona

pelkistysvaiheen lopussa käytettäessä joko FeSi- tai Al-

pelkistystä (FactSage)

Nykyiset laskentaohjelmistot sisältävät

lisäksi malleja fysikaalisten ominaisuuksien

määrittämiseen termodynaamista dataa

hyödyntäen

- esim. AOD-kuonan viskositeetti lämpötilan funktiona

erilaisia flukseja käyttäen (FactSage) Kuvalähteet:

EP Heikkinen et al.: Proc. EOSC 2018.

VV Visuri et al. Proc. ICS 2018.

12.9.2019

38

Oulun yliopisto

Reaktionopeuksien mallinnus

Tavoitteena kuvata kemiallisia reaktioita

sisältävien prosessien dynamiikkaa

- Erilaisten mallien kehittäminen erilaisiin kohteisiin

Lähestymistavat kemiallisten reaktioiden

mallinnukseen

- Termodynaamiset tasapainotarkastelut

- Lopputilan ja ajavan voiman määritys

- Voidaan määrittää tasapaino tietylle rajoitetulle tilavuudelle

- Aikariippuvuus mallinnetaan aineensiirrolla tilavuuteen ja

sieltä pois

- Mikrokineettiset tarkastelut

- Reaktionopeuden määritys yksittäiselle ilmiölle

- Makrokineettiset tarkastelut

- Kemiallisen ilmiön kokonaisnopeuden määritys

- Huomioi erilaiset ilmiöt – Keskeistä rajoittava tekijä

- Kemiallinen reaktio

- Lämmönsiirto

- Aineensiirto

- Sekoittuminen

- Varauksensiirto

- Rajapinnat Lähde: Ville-Valtteri Visuri.

Makrokinetiikka

Ilmiöpohjainen

prosessi-

mallinnus

Thermodynamiikka Mikrokinetiikka

Oulun yliopisto


Reaktionopeusyhtälö kuvaa itse kemiallisen

reaktion nopeutta

- Perusajatuksena kuvata jonkin reaktion etenemistä

kuvaavan suureen muutosta ajan funktiona siten, että

huomioidaan

- lämpötilan ja

- pitoisuuksien (muuttuu reaktion edetessä!)

- vaikutukset reaktionopeuteen

////

i

i

i

i

i

i

i

i pcxnfTfdt

dZr

12.9.2019

39

Oulun yliopisto



reaktion nopeutta



huomioidaan

- lämpötilan ja



Reaktion etenemisen kuvaus

- Z kuvaa reaktion etenemistä ajan funktiona

- Lähtöaineen tai tuotteen ainemäärä, mooliosuus,

konsentraatio, osapaine, massa, ....

- Konversio tai muu muuttuja, joka kuvaa kuinka suuri osuus

reaktiosta on tapahtunut

////

i

i

i

i

i

i

i

i pcxnfTfdt

dZr

Oulun yliopisto



reaktion nopeutta



huomioidaan

- lämpötilan ja



Lämpötilariippuvuuden kuvaus

- Kuvataan usein reaktionopeusvakiolla, k

- Riippuu lämpötilasta

- Lämpötilariippuvuus kuvataan Arrheniuksen yhtälöllä

- A on taajuustekijä (k0)

- EA on aktivaatioenergia

TR

EA

eAk

////

i

i

i

i

i

i

i

i pcxnfTfdt

dZr

12.9.2019

40

Oulun yliopisto



reaktion nopeutta



huomioidaan

- lämpötilan ja



Pitoisuusriippuvuuksien kuvaus

- Huomioi reaktioon ja sen nopeuteen vaikuttavien

pitoisuusmuuttujien vaikutukset

- Jokin pitoisuutta kuvaava suure (konsentraatio, osapaine,

konsentraatioero, ...) korotettuna reaktion kertaluvun

mukaiseen potenssiin

- HUOM! Voi olla 1

////

i

i

i

i

i

i

i

i pcxnfTfdt

dZr

Oulun yliopisto


Reaktionopeus ei ole vakio, vaan riippuu

reaktion etenemisasteesta

- esim. reaktion ajavan voiman pieneneminen reaktion

lähestyessä tasapainoa johtaa reaktion hidastumiseen

Riippuvuus reaktion etenemisasteesta tulisi

huomioida reaktionopeusyhtälön

matemaattisessa muodossa siten, että

reaktionopeusvakio on riippumaton

reagoivien aineiden pitoisuuksista

- Reaktioyhtälössä on mukana jokin reaktion

etenemisastetta kuvaava suure, esim.:

- Konversio(aste)

- Poikkeama tasapainotilasta

Mikäli tämä ei onnistu, käytetään hetkellisiä

reaktionopeuksia

- Kuvaavat tilannetta tietyllä ajanhetkellä tai tietyllä reaktion

etenemisasteella

Esimerkkinä koksin/hiilen kaasuuntumisen

nopeutta kuvaavat yhtälöt

- Oletus, että nopeuteen vaikuttavat kaasun CO2-pitoisuus

ja hiilen konsentraatio koksissa:

)1( Xkdt

dX

3/2)1( Xkdt

dX

C

e

COCOC CCCk

dt

dC)(

22





- Oletus huokoisesta partikkelista, jonka sisällä reaktio

tapahtuu tasaisesti joka paikassa – ”homogeeninen”

reaktio:





- Oletus huokoisesta partikkelista, jonka sisällä reaktio

tapahtuu tasaisesti joka paikassa – ”homogeeninen”

reaktio:

- Oletus kutistuvasta ytimestä:

12.9.2019

41

Oulun yliopisto


Reaktiotilavuustarkastelut

- Oletetaan, että tasapaino saavutetaan tietyssä valitussa

osatilavuudessa (joka on osa koko systeemistä)

- Tilavuus voidaan määrittää eri tavoin

- Reaktionopeutta rajoittaa aineensiirto eri osien välillä

- Vaaditaan matemaattinen kuvaus siirtoilmiöiden

aikariippuvuudelle – voidaan tehdä eri tavoin

- Mahdollistaa vapaaenergian minimointirutiinien käytön

- Esim. konvertteriprosessin mallinnus


Kuvat: A Kruskopf & VV Visuri: Metall. Mater. Trans. B 48(2017)6, 3281-3300.

Metal bath

Reaction volume

Slag Slag

Oulun yliopisto


Reaktiopinta(-ala)tarkastelut

- Perustuvat rajapintateoriaan

- Aineensiirtoa rajoittaa aineiden kulkeutuminen

rajapintakerroksen läpi

- Kuvataan aineensiirtovastuksilla

- Rajoittava tekijä voi olla joko

- Aineensiirto molemmissa faaseissa

- Aineensiirto toisessa faasissa

- Kemiallinen reaktio rajapinnalla

- Vaatii rajapintojen pinta-alojen sekä rajapintakerrosten

paksuuksien määrittämisen


Kuva: P Hayes: Treatise on process metallurgy, 2014.

12.9.2019

42

Oulun yliopisto

Kokonaismallit Käytännön kannalta merkityksellisempiä

ovat mallit, joilla pystytään simuloimaan

jotain laajempaa kokonaisuutta

- Tietty tapahtuma kokonaisuutena kaikkine osavaiheineen

- sis. reaktiot, siirtoilmiöt, pinnat, jne.

- Tietty prosessivaihe – Prosessimallit

- Tietty tuotantoketju

- Koko elinkaari

Korkealämpötilaprosessien mallinnuksessa

reaktionopeuksien mallinnus palautuu usein

siirtoilmiöiden mallinnukseen

- Reaktionopeudet nopeutuvat lämpötilan noustessa

- Siirtoilmiöt nopeutuvat myös, mutta eivät niin paljoa

Yleensä yksittäisten ilmiöiden mallinnus on

sitä suurpiirteisempää mitä laajemmasta

mallista on kyse

Oulun yliopisto

Kokonaismallit Esimerkkinä teräksen jähmettymisen

mallinnus jatkuvavalussa

- IDS (InterDendritic Solidification) –malli

- Kehitetty TKK:ssa (myöh. Aalto-yliopisto)

- Kehitystyötä jatkavat Casim Consultinh Oy ja Oulun yliopisto

- Tavoitteena mallintaa teräksen jähmettymisen aikaisia

- faasimuutoksia

- Jähmettyminen

- Kiinteän tilan faasimuutokset (austeniitti, ferriitti)

- yhdisteiden muodostumista ja liukenemista

- liuenneiden aineiden jakautumisia eri faasien kesken

- teräksen ominaisuuksia valulämpötilasta huoneen lämpötilaan

- valun onnistumista kuvaavia laatuindeksejä ominaisuuksien

pohjalta

(Näiden laskemiseksi on mallinnettava myös lämpötilaa)

- Lähtötietoina valettavan teräksen koostumus ja jatkuva-

valuprosessia koskevat tiedot sekä tietokannoista saatavat

aineominaisuudet

- Yhdistää tasapainolaskentaa, reaktionopeuslaskentaa ja

siirtoilmiöiden mallinnusta

- Tasapainolaskenta – Tasapainot faasirajoilla

- Liuenneiden aineiden ainestaseet: Fick I – Diffuusion vaikutus

rajapinnan siirtymiseen

- Liuenneiden aineiden diffuusio: Fick II – Mikrosuotautuminen Lähde: Ville-Valtteri Visuri & Jyrki Miettinen.

12.9.2019

43

Oulun yliopisto



Lähde: Ville-Valtteri Visuri & Jyrki Miettinen.

Oulun yliopisto



Lähde: Ville-Valtteri Visuri & Jyrki Miettinen.

12.9.2019

44

Oulun yliopisto

Case – AOD-prosessin mallinnus

Mallinnuksena avulla pyritään vastaamaan

mm. seuraaviin kysymyksiin

- Miten erilaiset puhalluspraktiikat vaikuttavat?

- Lanssi- ja pohjasuuttimet

- Kuinka pitkään kannattaa käyttää lanssipuhallusta?

- Miten lanssin korkeus vaikuttaa prosessiin?

- Miten lanssin tyyppi vaikuttaa?

- Miten alkukuonan määrä ja koostumus vaikuttavat?

- Miten erilaiset seostus- ym. praktiikat vaikuttavat?

- Seosaineiden määrät ja seostuksen ajoitus

- Kuonanmuodostajien määrät ja lisäyksen ajoitus

- Pelkistysvaiheessa pelkistinaineiden määrät ja lisäyksen ajoitus

Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen

laatimaa ja kokoamaa aineistoa.

Oulun yliopisto


AOD-prosessin virtausten mallinnus



12.9.2019

45

Oulun yliopisto


AOD-prosessin reaktioiden mallinnus



Oulun yliopisto


Ilmiöpohjainen malli, joka sisältää myös

empiirisiä parametreja



Reaktiomalli domi-

noivalle ilmiölle

Ilmiöpohjainen

prosessimalli CFD malli

Lämmön- ja aineen-

siirtokertoimien

määrittäminen

Ilmiön yleistäminen

Validointi

Prosessidata

1.

2.

3.

4.

12.9.2019

46

Oulun yliopisto


Ilmiöpohjaisen mallinnuksen laajentaminen



Oulun yliopisto


Ilmiöpohjaisen mallinnuksen laajentaminen



( )

12.9.2019

47

Oulun yliopisto

Ilmiöpohjaisen mallinnuksen laajentaminen Case – AOD-prosessin mallinnus



Lanssimalli

Pisaramalli

Kuplamalli

Oulun yliopisto


Validointi

- Kuona- ja metallinäytteet – analysointi

- Mahdolliset ylimääräiset näytteet tuotantonäytteiden lisäksi

- Savukaasujen koostumuksen analysointi

- Virtausmallien validointiin mm. erilaiset värähtelymittaukset

Esimerkki prosessimallinnukseen ja sen

validointiin liittyvistä haasteista

- Materiaalit eivät ole homogeenisiä

- Metalliroiskeet kuonassa

- Liukenematon kalkki kuonassa

- Vaikeuttaa validointia kuonia analysoitaessa

- Toisaalta: miten huomioidaan mallinnuksessa?



Kuva: P. Kurkinen

Kiihtyvyys-

anturi

12.9.2019

48

Oulun yliopisto


Käyttöliittymä



Oulun yliopisto


Esimerkkejä tuloksista



Teräksen Cr-, Mn- ja Si-pitoisuudet pelkistysvaiheen aikana

Kuvalähde: V.-V. Visuri, M. Järvinen, J. Savolainen, P. Sulasalmi, E.-P. Heikkinen, T. Fabritius, ISIJ Int. 2013, 53(4), 613.

Eri kuonakomponettien pelkistymisnopeus

12.9.2019

49

Oulun yliopisto


AOD-prosessin mallinnuksen historiaa



50 60 70 80 90 00 10

1970-luku ensimmäiset hiilenpoistomallit

suutinpuhallukselle

1990-luku vesimallien rakentaminen ja

vesimallinnus alkavat

Maailma

Oulun yliopisto

2000-luku yhdistelmäpuhalluksen, oskilloinnin ja tärinän vesimallinnus; typenpoiston CFD-

mallinnus (kaasu + sula); yksittäisen kuplan ja typenpoiston reaktiomallinnus;

rajapintailmiöiden mallinnus, kuonan jähmettymisen CTD-mallinnus

1990-luku kriittinen hiilipitoisuus, reaktiomallit

monikomponentti-systeemille, vesimallit

yleistyvät tutkimusmenetelmänä

2010-luku suutinpuhalluksen,

lanssipuhalluksen ja pelkistyksen

reaktiomallinnus; lanssipuhalluksen CFD-

mallinnus

2000-luku yhdistelmäpuhalluksen

reaktiomallinnus, kuonan

aktiivisuusmallit reaktiomalleissa,

ensimmäiset CFD-mallit

2010-luku laskennallisen

termodynamiikan yhdistäminen

reaktio- ja CFD-malleihin,

virtausmallinnuksen

standardimenetelmäksi vesimalli +

CFD

Oulun yliopisto

Mallinnuksen haasteita korkealämpötila-prosessien tarkastelussa

Mallinnettavat ilmiöt/prosessit tunnettava

Mallinnuksessa tarvittavat tiedot saatavissa

Vastaavuus todellisuuden kanssa

Mallien validointi ja tulosten luotettavuuden

arviointi

12.9.2019

50

Oulun yliopisto

Yhteenveto

Oulun yliopisto

Yhteenveto Mittaus

- Haasteena jatkuvatoimiset ja riittävän nopeat (ja tietysti

luotettavat) mittaukset

Automaatio

- Haasteena prosessien hitaus ja puutteelliset tiedot

prosessista sekä riippuvuuksista mittaus- ja

ohjaussuureiden välillä

Mallinnus

- Ilmiölähtöisten mallien laajennettavuus ja laaja

sovellettavuus

- Mallien validointi

Documents

Oulun yliopisto - cc.oulu.ficc.oulu.fi/~kamahei/b/477416S/KLTP-2019-mallinnus_mittaus_automaatio.pdf · Kuva: Metals magazine 2/2016. ”My interest is in the future because I am