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

Titel: Voorspellende regeling van de temperatuur in hoogovens in de staalproductie met hybride, diepte-geïnfuseerde kwantumneuronale netwerken

1. Het Probleem

De productie van staal via hoogovens is een complex, energie-intensief proces waarbij het handhaven van een stabiele temperatuur cruciaal is voor efficiency, veiligheid en productkwaliteit.

• Uitdagingen: De temperatuurschommelingen in een hoogoven zijn extreem niet-lineair en dynamisch. Er is sprake van grote tijdvertragingen (2–3 uur) tussen een regeling (zoals het injecteren van kolen) en het effect op de temperatuur.
• Beperkingen van bestaande methoden: Traditionele methoden en puur klassieke machine learning-modellen worstelen met deze complexiteit, ruis in de data, en het gebrek aan interne sensoren (de oven is niet zichtbaar).
• Gevolgen van onstabiele temperatuur: Te lage temperaturen leiden tot verstoppingen ("hang-ups") of het stollen van gesmolten ijzer ("back lamination"), wat gevaarlijke situaties en productiestilstand veroorzaakt. Operators moeten daarom vaak een hoge veiligheidsmarge hanteren (±50 °C rond de doeltemperatuur), wat leidt tot overmatig brandstofverbruik.
• Doel: Het optimaliseren van de injectie van vermalen kolen (Pulverized Coal Injection - PCI) om de temperatuur binnen een veel nauwere bandbreedte te houden, waardoor brandstofkosten worden verlaagd en de veiligheid wordt verhoogd.

2. Methodologie

De auteurs stellen een hybride aanpak voor die klassieke machine learning combineert met kwantumcomputing-algoritmen.

• Dataverzameling en Preprocessing:

  • Gebruik van industriële data van POSCO's staalfabriek in Gwangyang (2023), met 580 sensoren die elke minuut worden gemeten.
  • Feature Engineering: Een gradient boosting (GB) model werd gebruikt om de belangrijkste sensoren te selecteren. Uiteindelijk werden 27 relevante features geselecteerd (waaronder PCI-rate, wandtemperaturen, gasgebruik en samenstelling van slak).
  • Discretisatie: Tijdreeksdata werd gemiddeld over vensters om ruis te verminderen en de tijdvertragingen te modelleren.

• Model Architectuur (Hybrid Quantum Neural Network - HQNN):

  • Klassieke Component: Een Long Short-Term Memory (LSTM) netwerk verwerkt de tijdreeksinvoer (24 tijdstappen van 27 features).
  • Kwantum Component: Een Quantum Depth-Infused (QDI) laag wordt ingevoegd tussen de klassieke lagen. Deze laag fungeert als een kwantumneuraal netwerk dat de klassieke data codeert in een kwantumtoestand.
    • Gebruikt een variational quantum circuit met 6 qubits.
    • Implementeert parameteriseerde rotatiegates ($R_x, R_y$) en CNOT-gates voor verstrengeling (entanglement).
    • Doel: Het verkennen van een rijkere, hogedimensionale feature-ruimte (Hilbert-ruimte) met minder parameters dan puur klassieke netwerken.
  • Output: Het model voorspelt de temperatuur voor de komende 5 tijdstappen (50 minuten).

• Optimalisatie Framework (PCI-regeling):

  • Een tweestapsproces wordt gebruikt om de optimale PCI-waarden te bepalen:
    1. Een multi-feature voorspellingsmodel ($M_{all}$) simuleert de toekomstige toestand van de oven op basis van huidige data.
    2. Een optimalisatiemodel ($M_{optim}$) zoekt via gradiëntafdaal (gradient descent) naar een reeks PCI-waarden die de voorspelde temperatuur binnen het doelbereik (1500–1510 °C) houdt.
  • Het proces is iteratief en minimaliseert een kostenfunctie die afwijking van de doeltemperatuur en onrealistische PCI-wijzigingen straft.

3. Belangrijkste Bijdragen

• Hybride Kwantum-Architectuur: De introductie van een QDI-laag in een LSTM-netwerk specifiek voor industriële procesregeling, wat een van de eerste praktische toepassingen is van hybride QML in de staalindustrie.
• Voorspellende Optimalisatie: Een volledig framework dat niet alleen temperatuur voorspelt, maar ook direct de regeling (PCI-injectie) optimaliseert op basis van deze voorspellingen.
• Feature Selectie: Een data-gedreven aanpak om de meest invloedrijke sensoren te identificeren, inclusief variabelen die eerder onderbelicht waren (zoals specifieke elementen in de slak).

4. Resultaten

De prestaties werden getest op een gesplitste dataset (80% training, 20% test) en vergeleken met een puur klassiek LSTM-model.

• Voorspellingsnauwkeurigheid:

  • De hybride kwantum-modellen presteerden significant beter dan de klassieke modellen.
  • Voor een voorspellingshorizon van 1 uur (60 minuten) werd een RMSE (Root Mean Square Error) van 4,46 bereikt voor het hybride model, vergeleken met 5,95 voor het klassieke model.
  • Dit komt neer op een verbetering van de voorspellingsnauwkeurigheid van meer dan 25%.
  • Het hybride model bereikte dit met minder trainbare parameters, wat wijst op betere generalisatie en minder overfitting.

• Regelresultaten (Temperatuurstabiliteit):

  • De oplossing slaagde erin de temperatuurschommelingen te reduceren van een eerdere variantie van ±50 °C naar ±7,6 °C rond de doeltemperatuur.
  • Dit betekent dat de temperatuur veel nauwkeuriger binnen het veilige en efficiënte venster wordt gehouden.

5. Betekenis en Toekomstperspectief

• Economische Impact: Door de temperatuurschommelingen te verkleinen, kunnen operators de doeltemperatuur verlagen, wat leidt tot aanzienlijke besparingen in brandstofkosten (gebaseerd op injectie van ~110 ton kolen per uur per oven).
• Veiligheid en Kwaliteit: Een stabielere temperatuur vermindert het risico op gevaarlijke incidenten (zoals explosies of verstoppingen) en zorgt voor een consistentere kwaliteit van het gesmolten ijzer.
• Haalbaarheid van QML: Hoewel de simulaties momenteel op klassieke hardware draaien vanwege beperkingen in huidige kwantumhardware (NISQ-era), toont dit werk aan dat hybride modellen al nu een meerwaarde bieden. Het biedt een bewijs van concept voor de toepassing van kwantumverbeterde AI in complexe industriële omgevingen.
• Toekomst: Verdere verbeteringen in kwantumhardware (meer qubits, foutcorrectie) zullen de snelheid en efficiëntie van dit type modellen verder vergroten, waardoor real-time implementatie op echte hoogovens haalbaarder wordt.

Conclusie: Het artikel demonstreert dat hybride kwantum-neuronale netwerken een krachtig instrument zijn voor het oplossen van complexe, niet-lineaire regelproblemen in de zware industrie, met meetbare voordelen in nauwkeurigheid, stabiliteit en kostenreductie.