Introducción:

Los hornos de múltiples hogares son una etapa clave en el proceso de reducción de níquel. La implementación del sistema de control automático en la postcombustión del horno se ha visto afectado por la inexistencia de modelos matemáticos de este proceso.

Objetivos:

Obtener modelos lineales para diferentes puntos de operación y modelos no lineales basados en redes neuronales artificiales que reflejen las características dinámicas del proceso.

Métodos:

Realización de experimentos activos, con secuencias binarias pseudoaleatorias moduladas en amplitud y frecuencia e insertadas en el autómata que acciona las válvulas reguladoras de flujo de aire y variaciones en el flujo de mineral alimentado, para obtener los modelos lineales. Además, se registraron experimentos pasivos de 10 meses de operaciones para la obtención de modelos neuronales. El modelo neuronal de múltiples entradas-múltiples salidas se evaluó con diferente número de neuronas en la capa oculta y con el empleo del método de validación cruzada aleatoria, escogiéndose el mejor modelo a partir de los criterios de información de Akaike y Bayesiano.

Resultados:

El modelo neuronal predice las temperaturas de los hogares 4 y 6 del horno con un error inferior a 5 °C, y un horizonte de predicción de un paso adelante (120 s).

Conclusiones:

El modelo contribuye a predecir el perfil térmico en la zona de calentamiento del horno, como base para el diseño de estrategias de control que garanticen un mejor aprovechamiento de la energía y del combustible aditivo reductor, para disminuir las pérdidas del proceso y la contaminación ambiental.

        · resumen en Inglés     · texto en Español     · Español ( pdf )