Wie Vetta digitale Werkzeuge zur Emissionskontrolle entwickelt
Von Paula Pomaro, Kássio Cançado, Alexsander Costa, Ana Carolina Rocha und Lis Soares
Im Kontext von Stahlwerken stellt die Emission von Stickoxiden (NOx) eine erhebliche Herausforderung dar, sowohl aufgrund ihrer umweltschädlichen Eigenschaften als auch wegen der Komplexität ihrer Entstehung. NOx-Emissionen können üblicherweise entweder durch die Berechnung von Emissionsfaktoren, multipliziert mit der verbrannten Brennstoffmenge, oder durch kontinuierliche Emissionsüberwachungssysteme (CEMS) gemessen werden. Beide Ansätze haben jedoch ihre Grenzen. Die Berechnung auf Basis von Emissionsfaktoren berücksichtigt nicht die Komplexität der NOx-Bildung, die stark von der Temperatur beeinflusst wird. CEMS hingegen sind mit hohen Implementierungs- und Betriebskosten verbunden und erfordern strenge Kalibrierungsverfahren.
In diesem Zusammenhang entwickelt Vetta Machine Learning-Modelle, die eine kontinuierliche Berechnung der NOx-Emissionen mit größerer Genauigkeit als die durch Emissionsfaktoren berechneten Werte ermöglichen und gleichzeitig deutlich kostengünstiger sind als CEMS. In einer kürzlich durchgeführten Fallstudie untersuchte Vetta den Einsatz von Machine Learning-Modellen zur Vorhersage der NOx-Emissionen im Wiedererwärmungsofen eines integrierten Stahlwerks.
In der Fallstudie wurde die Verwendung statischer Machine Learning-Modelle zur Vorhersage der NOx-Emissionen im Schornstein des Ofens vorgeschlagen. Das Modell wurde mit NOx-Daten trainiert, die von einem im Ofen installierten kontinuierlichen Emissionsüberwachungssystem (CEMS) stammen. Ziel war es zu prüfen, ob ein Machine Learning-Modell die NOx-Emissionen genauso zuverlässig vorhersagen kann wie die von einem kalibrierten CEMS erfassten Werte. Sollte das Machine Learning-Modell zuverlässig sein, könnte die Installation eines CEMS in einem anderen Ofen durch eine isokinetische Messkampagne ersetzt werden, die die erforderlichen Daten zur Modellschulung liefern würde. Die Methodik umfasste die Definition der Eingabevariablen, deren Klassifizierung, Modellierung und Tests. Da es sich um Daten mit einer nicht normalverteilten Wahrscheinlichkeitsverteilung handelt, wurde der Spearman-Korrelationskoeffizient verwendet, um die Variablen mit der höchsten Korrelation mit den NOx-Ergebnissen zu ermitteln. Das gewählte Modell war der Random Forest, dessen Hyperparameter für die jeweilige Anwendung optimiert wurden.
Obwohl die Studie noch in Arbeit ist, wurde deutlich, dass großes Potenzial in der Anwendung künstlicher Intelligenz für die Vorhersage von Emissionen wie NOx besteht. Es gibt jedoch einige notwendige Voraussetzungen:
• Angemessene Prozesssteuerung: Damit die Vorhersage von NOx durch Machine Learning-Modelle präzise ist, muss das Verbrennungssystem sehr gut kontrolliert werden. Im Falle von Öfen müssen Temperaturmessung und -kontrolle streng überwacht werden.
• Sorgfältige Planung von Datenerfassungskampagnen: Damit das Modell die NOx-Emissionen genau vorhersagen kann, müssen die Trainingsdaten unter stark variierenden Betriebsbedingungen erhoben werden. Eine eventuelle isokinetische Messkampagne muss daher sehr sorgfältig geplant werden.
• Anpassung und Feinabstimmung von Modellen: Unterschiedliche Prozesse erfordern möglicherweise verschiedene Arten von Machine Learning-Modellen und unterschiedliche Parametrisierungen. Es gibt also keine einheitliche Lösung. Jeder Prozess muss individuell modelliert werden, um die Realität so genau wie möglich widerzuspiegeln.
Bei Vetta legen wir großen Wert darauf, Lösungen zu entwickeln, die perfekt auf die Prozessrealität jedes Kunden abgestimmt sind. Wir bieten Ingenieurlösungen mit digitalen Werkzeugen an und entwickeln kontinuierlich neue Funktionalitäten, um das Echtzeit-Monitoring zu optimieren, Betriebsergebnisse vorherzusagen und Kosten zu senken – immer im Einklang mit den Leistungs- und Nachhaltigkeitszielen unserer Kunden. Kontaktieren Sie uns, um zu erfahren, wie unsere Lösungen Ihr Geschäft unterstützen können.