Upload
others
View
11
Download
0
Embed Size (px)
Citation preview
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
- Rooli ja tehtävät
- Haasteet
- Toteutus
- Esimerkkejä
Mallinnus korkealämpötilaprosesseissa
- Rooli ja tehtävät
- 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?
Tämän luennon johdanto-osio perustuu Ville-Valtteri Visurin
pitämään esitykseen ”Tekniikan torstai” –tapahtumassa 18.1.2018.
Lisäksi lähteenä on käytetty Mikael Jåfsin ja Heli Helaakosken
esityksiä POHTOssa, 2019.
12.9.2019
4
Oulun yliopisto
Digitalisaatio metallurgiassa
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
Tämän luennon johdanto-osio perustuu Ville-Valtteri Visurin
pitämään esitykseen ”Tekniikan torstai” –tapahtumassa 18.1.2018.
Lisäksi lähteenä on käytetty Mikael Jåfsin ja Heli Helaakosken
esityksiä POHTOssa, 2019. (Kuva: Heli Helaakoski, POHTO, 2019).
Oulun yliopisto
Digitalisaatio metallurgiassa
Esimerkki: Model-based optimisation for
efficient use of resources and energy
(MORSE)
Lähde: Heli Helaakosken esitys POHTOssa, 2019.
12.9.2019
5
Oulun yliopisto
Digitalisaatio metallurgiassa
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.
Tämän luennon johdanto-osio perustuu Ville-Valtteri Visurin
pitämään esitykseen ”Tekniikan torstai” –tapahtumassa 18.1.2018.
Oulun yliopisto
Digitalisaatio metallurgiassa
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
Tämän luennon johdanto-osio perustuu Ville-Valtteri Visurin
pitämään esitykseen ”Tekniikan torstai” –tapahtumassa 18.1.2018.
Lisäksi lähteenä on käytetty Mikael Jåfsin ja Heli Helaakosken
esityksiä POHTOssa, 2019.
12.9.2019
6
Oulun yliopisto
Digitalisaatio metallurgiassa
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
Lähteenä käytetty Veikko Juntusen esitystä POHTOssa 2007.
Oulun yliopisto
Case – Valokaari-uunin savukaasujen koostumuksen jatkuvatoiminen mittaus (VKU2/Tornio) – Esimerkki mittaustuloksista
Lähteenä käytetty Veikko Juntusen esitystä POHTOssa 2007.
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
Lähteenä käytetty Veikko Juntusen esitystä POHTOssa 2007.
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
Case – Painettu elektroniikka vastauksena mittauksen haasteisiin
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
Lähteenä käytetty Tapio Fabritiuksen esityksiä POHTOssa 2015 ja 2017.
Oulun yliopisto
Case – Painettu elektroniikka vastauksena mittauksen haasteisiin
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
Lähteenä käytetty Tapio Fabritiuksen esityksiä POHTOssa 2015 ja 2017.
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
Lähde: Ville-Valtteri Visuri.
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
Lähde: Ville-Valtteri Visuri.
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
Lähde: Ville-Valtteri Visuri.
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
Lähde: Ville-Valtteri Visuri.
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
Lähde: Ville-Valtteri Visuri.
Kuva: Petri Sulasalmi et al.: Steel res. int. 86(2015)3,212-222.
12.9.2019
33
Oulun yliopisto
Virtausten mallinnus Esimerkki virtausmallinnuksesta
- 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
Lähde: Ville-Valtteri Visuri.
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
Lähde: Ville-Valtteri Visuri.
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
Virtausten mallinnus Esimerkki virtausmallinnuksesta
- 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
Lähde: Ville-Valtteri Visuri.
Kuvat: T Haas et al.: Proceedings of MOLTEN 16. 2016.
Oulun yliopisto
Virtausten mallinnus Esimerkki virtausmallinnuksesta
- 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
Lähde: Ville-Valtteri Visuri.
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
Lähde: Ville-Valtteri Visuri.
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
Reaktiotasapainojen mallinnus
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
Reaktiotasapainojen mallinnus
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
Reaktiotasapainojen mallinnus
Metallurgian kannalta keskeisiä
epäideaalisia liuoksia
- Metalliseokset (kiinteät ja sulat)
- Kuonasulat
Lähde: Ville-Valtteri Visuri.
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
Reaktiotasapainojen mallinnus
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
Reaktionopeuksien mallinnus
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
Reaktionopeuksien mallinnus
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
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
Reaktionopeuksien mallinnus
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
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
Reaktionopeuksien mallinnus
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
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
Reaktionopeuksien mallinnus
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
Esimerkkinä koksin/hiilen kaasuuntumisen
nopeutta kuvaavat yhtälöt
- Oletus, että nopeuteen vaikuttavat kaasun CO2-pitoisuus
ja hiilen konsentraatio koksissa:
- Oletus huokoisesta partikkelista, jonka sisällä reaktio
tapahtuu tasaisesti joka paikassa – ”homogeeninen”
reaktio:
Esimerkkinä koksin/hiilen kaasuuntumisen
nopeutta kuvaavat yhtälöt
- Oletus, että nopeuteen vaikuttavat kaasun CO2-pitoisuus
ja hiilen konsentraatio koksissa:
- Oletus huokoisesta partikkelista, jonka sisällä reaktio
tapahtuu tasaisesti joka paikassa – ”homogeeninen”
reaktio:
- Oletus kutistuvasta ytimestä:
12.9.2019
41
Oulun yliopisto
Reaktionopeuksien mallinnus
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
Lähde: Ville-Valtteri Visuri.
Kuvat: A Kruskopf & VV Visuri: Metall. Mater. Trans. B 48(2017)6, 3281-3300.
Metal bath
Reaction volume
Slag Slag
Oulun yliopisto
Reaktionopeuksien mallinnus
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
Lähde: Ville-Valtteri Visuri.
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
Kokonaismallit Esimerkkinä teräksen jähmettymisen
mallinnus jatkuvavalussa
Lähde: Ville-Valtteri Visuri & Jyrki Miettinen.
Oulun yliopisto
Kokonaismallit Esimerkkinä teräksen jähmettymisen
mallinnus jatkuvavalussa
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
Case – AOD-prosessin mallinnus
AOD-prosessin virtausten mallinnus
Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen
laatimaa ja kokoamaa aineistoa.
12.9.2019
45
Oulun yliopisto
Case – AOD-prosessin mallinnus
AOD-prosessin reaktioiden mallinnus
Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen
laatimaa ja kokoamaa aineistoa.
Oulun yliopisto
Case – AOD-prosessin mallinnus
Ilmiöpohjainen malli, joka sisältää myös
empiirisiä parametreja
Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen
laatimaa ja kokoamaa aineistoa.
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
Case – AOD-prosessin mallinnus
Ilmiöpohjaisen mallinnuksen laajentaminen
Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen
laatimaa ja kokoamaa aineistoa.
Oulun yliopisto
Case – AOD-prosessin mallinnus
Ilmiöpohjaisen mallinnuksen laajentaminen
Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen
laatimaa ja kokoamaa aineistoa.
( )
12.9.2019
47
Oulun yliopisto
Ilmiöpohjaisen mallinnuksen laajentaminen Case – AOD-prosessin mallinnus
Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen
laatimaa ja kokoamaa aineistoa.
Lanssimalli
Pisaramalli
Kuplamalli
Oulun yliopisto
Case – AOD-prosessin mallinnus
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?
Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen
laatimaa ja kokoamaa aineistoa.
Kuva: P. Kurkinen
Kiihtyvyys-
anturi
12.9.2019
48
Oulun yliopisto
Case – AOD-prosessin mallinnus
Käyttöliittymä
Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen
laatimaa ja kokoamaa aineistoa.
Oulun yliopisto
Case – AOD-prosessin mallinnus
Esimerkkejä tuloksista
Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen
laatimaa ja kokoamaa aineistoa.
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
Case – AOD-prosessin mallinnus
AOD-prosessin mallinnuksen historiaa
Lähteenä käytetty Ville-Valtteri Visurin ja Timo Fabritiuksen
laatimaa ja kokoamaa aineistoa.
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