Optimización de parámetros con enjambre de partículas en un molde de colada continua
Resumen
Con la finalidad de ajustar en el molde de colada continua los parámetros que influyen en la aparición de defectos en el acero, se ha desarrollado un algoritmo deoptimización por enjambre de partículas (PSO), haciendo uso de modelos de procesos. El estudio consideró múltiples objetivos con múltiples restricciones y los resultados fueron comparados con los reportados por un algoritmo de optimización basado en enseñanza-aprendizaje (TLBO). Se concluyó que el PSO tiene buena capacidad para determinar los parámetros del molde y, con él, es posible conseguir una solución óptima sin requerir grandes esfuerzos computacionales.
Descargas
Citas
Aballe, M. (1992). Colada continua y semicontinua de productos industriales, Conference: 2.ª Jornada de Ciencia y Tecnología de Materiales. Barcelona.
Adilson, J. Amaral, B. Sampaio, R. Mendes, E., y Leão, I. (9 de abril del 2018) Numerical Study of Turbulent Flows and Heat Transfer in Coupled Industrial-Scale Tundish of a Continuous Casting Material in Steel Production, Numerical Simulations in Engineering and Science, Srinivas P. Rao, IntechOpen, doi: 10.5772/intechopen.75935.
Bäck, T, Fogel, D., y Michalewicz, Z. (1997). Handbook of Evolutionary Computation. IOP Publishing and Oxford University Press.
Belisario, J. (2011). Evaluación de la efectividad del proceso de colada en la reducción de defectos de salpicaduras en las palanquillas producidas en la acería 150 TM de Sidor. [Tesis de grado en ingeniería industrial. Universidad Nacional Experimental de Guayana].
Calvo, J. (2006). Efecto de los elementos residuales e impurezas en la ductilidad y mecanismos de fragilización en caliente de un acero de construcción 0,23C – 0,9Mn – 0,13Si. [Tesis Doctoral, UPC].
Chang, V., y Bolsaitis, P. (1982). Simplified Model for Heat Transfer and Solidification in Continuous Casting, Latin American Journal of Metallurgy and Materials, 2(2).
Cicutti, C. (1977). Transferencia de calor en la colada continua de aceros, I parte, el molde. Metalurgia, pp. 333-344.
Coley, J. (2010). Fundición continua, una oportunidad para mejorar la calidad de los hierros. Revista metalactual.com. Procesos, pp. 10-17.
Concast Data Sheets. (1992). Specification distribution sheets for thermal modelling, Concast (I) Ltd.
Cruz, A. Hernández, O. Moreno, A., y Vargas, M. (2007). Caracterización de fundentes para molde de colada continua de acero. Acta Universitaria, 17(1), enero-abril, Universidad de Guanajuato, pp. 52-58
Dorigo, M. (2000). The Ant Colony Optimization Metaheuristic: Algorithms, Applications and Advances. Technical Report IRIDIA-2000-32, Université Libre de Bruxelles, IRIDIA.
Feng, Y. Wu, M. Chen, X. Chen, L., y Du, S. (2020). A Fuzzy PID Controller with Nonlinear Compensation Term for Mold Level of Continuous Casting Process. Information Sciences 539, 487-503.
Flores, B. (2010). Descripción del proceso de colada continua mediante CFD. [Tesis de maestría en ciencias de la ingeniería mecánica con especialidad en materiales, Universidad Autónoma de Nuevo León].
García, J. (2006). Algoritmos Basados en Cúmulos de Partículas Para la Resolución de Problemas Complejos. Departamento de Lenguajes y Ciencias de la computación. Universidad de Málaga.
García Nieto, P. J., García-Gonzalo, E., Álvarez Antón, J. C., González Suárez, V. M., Mayo Bayón, R., y Mateos Martín, F. (2018). A Comparison of Several Machine Learning Techniques for the Centerline Segregation Prediction in Continuous Cast Steel Slabs and Evaluation of its Performance. Journal of Computational and Applied Mathematics, 330, 877-895.
Gutiérrez, D. Villa W., y López, J. (2017). Flujo óptimo reactivo mediante optimización por enjambre de partículas. Información Tecnológica, 28(5), 215-224.
Hahn, I. Schneider, M. Terhaar, J. Jarolimeck, J., y Sauermann, R. (2012). Quality Prediction of Cast Ingots. 1 International Conference on Casting, Rolling and Forging ICRF.
Hernández, J. (1994). La calidad total, una utopía muy práctica. Universidad Pontifica Comillas.
Kennedy, J. y Eberhart, R. (1995). Particle Swarm Optimization. In Proceedings of the IEEE International Conference on Neural Networks, volume 4, pp. 1942-1948.
Kennedy, J. Eberhart, R., y Shi, Y. (2001). Swarm Intelligence. San Francisco: Morgan Kaufmann Publishers.
Kulkarni, M. S., y Subash Babu, A. (2001). Metamodels for continuous casting, CARE Technical Report, Indian Institute of Technology.
Kulkarni, M. S., y Subash Babu, A. (2003). A System of Process Models for Estimating Parameters of Continuous Casting Using Near Solidus Properties of Steel, Mater. Manufact. Process, 18, 287-312.
Kulkarni, M. S., y Subash Babu, A. (2005). Managing Quality in Continuous Casting Process Using Product Quality Model and Simulated Annealing. J. Mater. Process. Technol. 166, 294-306.
Kumar, R. (2015). Computational Fluid Dynamic (CFD) simulation for continuous casting process of steels. [Master of Technology in Metallurgical and Materials Engineering, National Institute of Technology Rourkela].
Kumar, S. (1996). Mould Thermal Response and Formation of Defects in the Continuous Casting of Steel Billets. [Degree Of Doctor Of Philosophy. The University Of British Columbia].
Lei, Z., y Su, W. (2019). Research and Application of a Rolling Gap Prediction Model in Continuous Casting. Metals, 9(3), 380.
Li, Y. R., y Zang, W. L. (2021). Prediction and Analysis of Slab Quality Based on Neural Network Combined with Particle Swarm Optimization (PSO). Metalurgija, 60(1-2), 15-18.
Luo, X. Xie, Q. Wang, Y., y Yang, C. (2017). Estimation of Heat Transfer Coefficients in Continuous Casting under Large Disturbance by Gaussian Kernel Particle Swarm Optimization Method. International Journal of Heat and Mass Transfer, 111, 1087-1097.
Mannheim, R. (1983). Introducción general a la colada continua. Revista Remetallica 5, 28-38.
Mills, K. Ramirez, P. Lee, P. Santillana, B. Thomas, B., y Morales, R. (2014). Looking into Continuous Casting Mould. Ironmaking & Steelmaking. Ironmaking and Steelmaking, 41(42).
Najera, A. (2010). Análisis del flujo de fluidos y transferencia de calor sobre la calidad de palanquillas de acero. [Tesis de grado de doctor en ciencias en metalurgia y materiales. Instituto politécnico nacional].
Rao, R. Savsani, V., y Vakharia, D. (2011). Teaching–Learning-Based Optimization: a Novel Method for Constrained Mechanical Design Optimization Problems, Comput. Aided Des. 43, 303-315.
Rao, R. Savsani, V., y Vakharia. D. (2012). Teaching–Learning-Based Optimization: an Optimization Method for Continuous Non-Linear Large Scale Problems, Inf. Sci. 183, 1-15.
Rao R., y Patel, V. (2012). An Elitist Teaching–Learning-Based Optimization Algorithm for Solving Complex Constrained Optimization Problems, Int. J. Ind. Eng. Comput. 3(4), 535-560.
Romo, J. (2009). Estudio de la formación de especies mineralógicas en el molde de colada continua de planchón delgado de acero. [Tesis de maestría en ciencias en ingeniería metalúrgica, Instituto politécnico nacional]
Saldaña, F. Torres, E. Ramos, J. Solorio, G., y Hernández, C. (2019). Analysis of the Depth of Immersion of the Submerged Entry Nozzle on the Oscillations of the Meniscus in a Continuous Casting Mold. Metals 9, 596.
SEMCCO. (2012). Lecture Notes in Computer Science, 7677, 540-547. https://doi.org/10.1007/978-3-642-35380-2_63
Stephan O., y Zomaya, A. (2005). Handbook Of Bioinspired Algorithms and Applications. CHAPMAN and HALL/CRC.
Venkata R., y Kalyankar, V. D. (2012). Parameters Optimization of Continuous Casting Process Using Teaching-Learning-Based Optimization Algorithm. En Panigrahi B.K., Das S., Suganthan P.N. y Nanda P.K. (Eds.) Swarm, Evolutionary, and Memetic Computing. SEMCCO 2012. Lecture Notes in Computer Science, vol 7677, 540-547. https://doi.org/10.1007/978-3-642-35380-2_63
Venkata R. Kalyankar V. D., y Waghmare, G. (2014). Parameters Optimization of Selected Casting Processes Using Teaching–Learning-Based Optimization Algorithm. Applied Mathematical Modelling, 38, 5592–5608.
Wang, X. Wang, Z. Liu, Y. Du, F. Yao, M., y Zhang, X. (2016). A Particle Swarm Approach for Optimization of Secondary Cooling Process in Slab Continuous Casting. International Journal of Heat and Mass Transfer, 93, 250-256.
Wang, Y. Luo, X. Zhang, F., y Wang, S. (2019). GPU-Based Model Predictive Control for Continuous Casting Spray Cooling Control System Using Particle Swarm Optimization. Control Engineering Practice, 84, 349-364.
Wang, Z. Zhang, Y. Jiang, Y. Zhang, J., y Zhang, S. (2020). An Optimization Control Method for Heat Transfer Model during Slab Continuous Casting. Journal of Physics: Conference Series, 1575 012208.
Yang, J. Xie, Z. Meng, H. Liu, W., y Ji, Z. (2014). Multiple Time Steps Optimization for Real Time Heat Transfer Model of Continuous Casting Billets. International Journal of Heat and Mass Transfer, 76, 492-498.
Yu, Y., y Luo, X. (2017). Identification of Heat Transfer Coefficients of Steel Billet in Continuous Casting by Weight Least Square and Improved Difference Evolution Method. Applied Thermal Engineering, 114, 36-43.
Zhang, X. Chen, W., y Zhang, L. (2017). A Coupled Model on Fluid Flow, Heat Transfer and Solidification in Continuous Casting Mold. China Foundry, 14(5)
