要約
セメント生産量は 41 億トンを超え、年間 2.4 トンの CO2 を排出していますが、品質管理とプロセスの最適化において重大な課題に直面しています。
セメント製造の従来のプロセス モデルは定常状態に限定されており、鉱物相の予測能力は限られていますが、最新のプラントはリアルタイムの品質評価を必要とする動的な条件下で稼働しています。
ここでは、産業用セメント工場からの包括的な 2 年間の操業データセットを利用して、プロセス データからクリンカー鉱物学を正確に予測する機械学習フレームワークを紹介します。
当社のモデルは、主要なクリンカ相に対して前例のない予測精度を達成しながら、最小限の入力パラメーターを必要とし、さまざまな動作条件下で堅牢なパフォーマンスを実証します。
事後的に説明可能なアルゴリズムを通じて、クリンカー酸化物と相形成の間の階層関係を解釈し、ブラックボックス モデルの機能についての洞察を提供します。
このデジタル ツイン フレームワークにより、セメント生産のリアルタイムの最適化が可能になる可能性があり、これにより、実際のプラント条件下で関連する排出量を削減しながら、材料の無駄を削減し、品質を確保するための道が提供されます。
当社のアプローチは産業プロセス制御の大幅な進歩を表し、持続可能なセメント製造のための拡張可能なソリューションを提供します。
要約(オリジナル)
Cement production, exceeding 4.1 billion tonnes and contributing 2.4 tonnes of CO2 annually, faces critical challenges in quality control and process optimization. While traditional process models for cement manufacturing are confined to steady-state conditions with limited predictive capability for mineralogical phases, modern plants operate under dynamic conditions that demand real-time quality assessment. Here, exploiting a comprehensive two-year operational dataset from an industrial cement plant, we present a machine learning framework that accurately predicts clinker mineralogy from process data. Our model achieves unprecedented prediction accuracy for major clinker phases while requiring minimal input parameters, demonstrating robust performance under varying operating conditions. Through post-hoc explainable algorithms, we interpret the hierarchical relationships between clinker oxides and phase formation, providing insights into the functioning of an otherwise black-box model. This digital twin framework can potentially enable real-time optimization of cement production, thereby providing a route toward reducing material waste and ensuring quality while reducing the associated emissions under real plant conditions. Our approach represents a significant advancement in industrial process control, offering a scalable solution for sustainable cement manufacturing.
arxiv情報
著者 | Sheikh Junaid Fayaz,Nestor Montiel-Bohorquez,Shashank Bishnoi,Matteo Romano,Manuele Gatti,N. M. Anoop Krishnan |
発行日 | 2024-12-16 17:03:04+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google