23948sdkhjf

Projektet Swedish Metal ger resultat

Projektet Swedish Metal ger resultatSedan 2018 arbetar stålföretaget SSAB tillsammans med Högskolan i Skövde i projektet Swedish Metal, med att analysera och modellera processen där järnet blir till stål. Nu har projektarbetet fortgått under två kalenderår och börjat ge vetenskapliga resultat.

Processen där järnet blir till stål som kallas LD-processen är mycket resurskrävande, och syftet med Swedish Metal är att leverera optimal temperatur och sammansättning med minimalt resursbehov. En förbättrad processmodell möjliggör att stålet bibehåller sin höga kvalitet medan utsläppen, energibehovet och materialförlusten minskar.

Läs också: Celsa armeringsstål satsar på naturgas

Hittills har projektarbetet resulterat i två vetenskapliga publikationer, och ytterligare en publikation är under arbete.

Den första publikationen Using machine learning for robust target prediction in a Basic Oxygen Furnace system, av Juhee Bae, Yurong Li, Niclas Ståhl, Gunnar Mathiason och Niklas Kojola visar att SSAB:s mycket komplexa stålfärskningsprocess kan predikteras med hög prediktionsgrad, upp till 88 % i snitt för en total produktionsdatamängd. Projektet har gett en mycket robust ansats som kan användas i verklig produktion för att prediktera utfallet vid stålfärsking, och planeringen för en sådan industrimässig validering pågår.

– Vi uppnår en hög och robust prediktionsnoggrannhet för temperatur-, kol- och fosforprognoser samtidigt som vi använder betydligt fler och olika produktionsdata jämfört med i tidigare arbete, skriver Juhee Bae, Yurong Li, Niclas Ståhl, Gunnar Mathiason och Niklas Kojola i publikationens slutsats.

Den andra publikationen håller på att färdigställas just nu och kommer att lämnas in under 2020 som en konferensartikel inom metodutveckling inom AI. Fokus här är att förklara den intränade modellens beslut.

Både företagsbehoven och projektets forskningsinriktning går mot ”förklarande AI” eftersom man behöver veta vad AI-automatiserade beslut grundas på. Detta förklarar även färskningsprocessens komplexitet utifrån den intränade modellen, samt ger indikationer på vilka parametrar som skall följas upp för processförbättring.

Den tredje publikationen skrivs just nu av Niclas Ståhl, doktorand i informationsteknologi vid Högskolan i Skövde. Den ska ge en helt ny ansats att ta fram förklarande orsaksfaktorer till välfungerande AI-prediktioner. Ansatsen använder så kallad Reinforcement Learning, en mycket lovande AI teknik varmed AI-forskningen nyligen börjar kunna lösa problem som tidigare varit mycket svåra att lösa.

Kommentera en artikel
Meddela redaktionen
Utvalda artiklar

Tipsa en kollega

0.187