Un Análisis Comparativo Basado en Simulación de Modelos Físicos y Modelos Basados en Datos para la Predicción de Temperatura en el Recocido de Bobinas de Acero
Autores: Kaur, Ján; Flegner, Patrik; Durdán, Milan; Laciak, Marek
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias de los Materiales
Subcategoría
Materiales estructurales
Palabras clave
Recocido
Bobinas de acero
Control de temperatura
Propiedades mecánicas
Microestructura
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
El recocido de bobinas de acero en hornos de tipo campana es un proceso crítico en la producción de acero, que requiere un control preciso de la temperatura para garantizar las propiedades mecánicas y la microestructura deseadas. Sin embargo, la medición directa de las temperaturas internas de las bobinas es impráctica en condiciones industriales, lo que hace necesario el uso de estimaciones basadas en modelos. Este estudio presenta un análisis comparativo de enfoques basados en la física y de aprendizaje automático (ML) para predecir las temperaturas internas durante el recocido. Se desarrolló un método de diferencias finitas (FDM) como modelo basado en la física y se validó con datos experimentales de ciclos de recocido tanto en laboratorio como en la industria. Además, se entrenaron varios modelos de ML, incluidos la regresión de vectores de soporte (SVR), redes neuronales (NN), splines de regresión adaptativa multivariante (MARS), k-vecinos más cercanos (k-NN) y bosques aleatorios (RFs), utilizando mediciones de temperatura superficial para predecir las temperaturas internas. Los resultados demuestran que los modelos MARS, k-NN y RF lograron una alta precisión en las predicciones con valores del índice de rendimiento (PI) por debajo de 1.0 en datos no vistos, mostrando excelentes capacidades de generalización. En contraste, SVR con núcleos polinómicos y NN exhibieron un rendimiento deficiente en configuraciones específicas, destacando su sensibilidad al sobreajuste y a la variabilidad de los datos. Los hallazgos sugieren que combinar modelos basados en la física con técnicas impulsadas por datos ofrece un marco robusto para la detección suave en operaciones de recocido, permitiendo una mejor monitorización y control del proceso.
Descripción
El recocido de bobinas de acero en hornos de tipo campana es un proceso crítico en la producción de acero, que requiere un control preciso de la temperatura para garantizar las propiedades mecánicas y la microestructura deseadas. Sin embargo, la medición directa de las temperaturas internas de las bobinas es impráctica en condiciones industriales, lo que hace necesario el uso de estimaciones basadas en modelos. Este estudio presenta un análisis comparativo de enfoques basados en la física y de aprendizaje automático (ML) para predecir las temperaturas internas durante el recocido. Se desarrolló un método de diferencias finitas (FDM) como modelo basado en la física y se validó con datos experimentales de ciclos de recocido tanto en laboratorio como en la industria. Además, se entrenaron varios modelos de ML, incluidos la regresión de vectores de soporte (SVR), redes neuronales (NN), splines de regresión adaptativa multivariante (MARS), k-vecinos más cercanos (k-NN) y bosques aleatorios (RFs), utilizando mediciones de temperatura superficial para predecir las temperaturas internas. Los resultados demuestran que los modelos MARS, k-NN y RF lograron una alta precisión en las predicciones con valores del índice de rendimiento (PI) por debajo de 1.0 en datos no vistos, mostrando excelentes capacidades de generalización. En contraste, SVR con núcleos polinómicos y NN exhibieron un rendimiento deficiente en configuraciones específicas, destacando su sensibilidad al sobreajuste y a la variabilidad de los datos. Los hallazgos sugieren que combinar modelos basados en la física con técnicas impulsadas por datos ofrece un marco robusto para la detección suave en operaciones de recocido, permitiendo una mejor monitorización y control del proceso.