Predictive control of blast furnace temperature in steelmaking with hybrid depth-infused quantum neural networks

Título: Control Predictivo de la Temperatura del Alto Horno en la Siderurgia con Redes Neuronales Cuánticas Híbridas de Profundidad Infundida

1. El Problema

La producción de acero es un proceso intensivo en energía y altamente complejo, donde el alto horno juega un papel central. Mantener una temperatura óptima y estable dentro del horno es crítico para maximizar la eficiencia, reducir el consumo de combustible y garantizar la calidad del producto. Sin embargo, el control de temperatura enfrenta desafíos significativos debido a:

• Naturaleza no lineal y dinámica: Las fluctuaciones de temperatura son complejas y difíciles de modelar con métodos tradicionales.
• Retrasos temporales: Existe un desfase de 2 a 3 horas entre la acción de control (inyección de carbón pulverizado) y su efecto en la temperatura del metal fundido.
• Limitaciones de medición: Es imposible medir directamente las condiciones internas del horno debido a las condiciones extremas (alta temperatura, presión), lo que obliga a depender de sensores externos y reactivos.
• Inestabilidad actual: Las políticas de control actuales permiten variaciones de temperatura de hasta ±50 °C respecto a la meta, lo que conlleva riesgos de seguridad (como "atascos" o solidificación del metal) y un uso ineficiente de combustibles.

2. Metodología

Los autores proponen un marco de trabajo integral que combina el aprendizaje automático clásico con la computación cuántica, específicamente mediante Redes Neuronales Cuánticas Híbridas (HQNN).

• Conjunto de Datos y Preprocesamiento:

  • Se utilizaron datos reales de 2023 de un alto horno en las acerías de Gwangyang (POSCO), con lecturas de ~580 sensores cada minuto.
  • Se aplicó ingeniería de características que incluyó limpieza de datos (corrección de valores atípicos usando un rango intercuartílico ajustado a 5 IQR), reducción de dimensionalidad y discretización temporal.
  • Mediante modelos de Gradient Boosting, se seleccionaron las 25 características más influyentes (incluyendo PCI, temperaturas de paredes, composición de escoria, etc.) de entre los 580 sensores originales.

• Arquitectura del Modelo de Predicción (Híbrido Cuántico):

  • Se desarrolló un modelo basado en LSTM (Long Short-Term Memory) para capturar patrones temporales.
  • Capa Cuántica de Profundidad Infundida (QDI): Se introdujo una capa cuántica variacional entre las capas totalmente conectadas del LSTM. Esta capa utiliza un circuito cuántico con 6 qubits y puertas de rotación (Rx, Ry) y entrelazamiento (CNOT) para mapear los datos clásicos en un espacio de características cuántico de alta dimensión.
  • El modelo toma 24 pasos de tiempo discretizados (240 minutos) como entrada y predice la temperatura futura para los próximos 5 pasos de tiempo.

• Marco de Optimización de PCI:

  • Se diseñó un algoritmo de optimización que utiliza dos modelos: uno para predecir todos los sensores futuros ($M_{all}$) y otro para optimizar la política de inyección ($M_{optim}$).
  • El sistema busca iterativamente la secuencia de valores de inyección de carbón pulverizado (PCI) que minimice la desviación de la temperatura objetivo (1510 °C) dentro de un rango seguro, utilizando descenso de gradiente sobre el modelo predictivo.

3. Contribuciones Clave

• Integración Cuántica-Clásica: Demostración práctica de un modelo HQNN en un escenario industrial real, superando las limitaciones de los modelos puramente clásicos.
• Nueva Arquitectura QDI: Implementación de una capa de "profundidad infundida" que permite codificar características complejas en un número limitado de qubits (6), actuando como un transformador de características eficiente.
• Control Predictivo Activo: Desarrollo de un sistema que no solo predice la temperatura, sino que optimiza activamente la inyección de combustible (PCI) para mantener la estabilidad térmica, cerrando el ciclo de control.
• Validación Industrial: Uso de datos operativos reales de una planta siderúrgica de clase mundial, validando la viabilidad de la IA cuántica fuera de entornos de laboratorio.

4. Resultados

• Precisión de Predicción:

  • El modelo híbrido cuántico superó al modelo LSTM clásico puro.
  • Para una predicción a 1 hora de antelación, el modelo híbrido logró un RMSE (Error Cuadrático Medio Raíz) de 4.46, frente a 5.95 del modelo clásico.
  • Esto representa una reducción del 25% en el error de predicción.
  • El modelo híbrido también mostró una mejor generalización y menor tendencia al sobreajuste, a pesar de tener menos parámetros entrenables.

• Estabilidad del Control (Optimización de PCI):

  • La implementación de la política de control optimizada redujo la variación de temperatura de ±50 °C (estado anterior) a ±7.6 °C del rango objetivo.
  • Esto permite operar el horno más cerca de la temperatura mínima segura, reduciendo significativamente el consumo de combustible.

5. Significado e Impacto

• Ahorro de Energía y Costos: Al reducir la variabilidad de la temperatura, los operadores pueden bajar el punto de ajuste de la temperatura objetivo, lo que disminuye el consumo de carbón pulverizado (aprox. 110 toneladas/hora por horno). Dado el costo del carbón, esto se traduce en ahorros económicos masivos.
• Seguridad y Estabilidad del Proceso: Un control más preciso reduce drásticamente el riesgo de eventos peligrosos como "back lamination" (re-solidificación del metal) o explosiones ("hang-ups"), mejorando la seguridad de los trabajadores y la vida útil del equipo.
• Viabilidad de la IA Cuántica Industrial: Este trabajo demuestra que las tecnologías cuánticas actuales (incluso simuladas en hardware clásico debido a las limitaciones de los dispositivos NISQ) pueden ofrecer ventajas tangibles y medibles en problemas industriales complejos. Establece un marco para la adopción futura de hardware cuántico real en la manufactura inteligente.

En conclusión, el artículo presenta un avance significativo hacia la manufactura inteligente, donde la fusión de técnicas de aprendizaje profundo con algoritmos cuánticos permite un control de procesos más eficiente, seguro y económico en la industria siderúrgica.