使用机器学习的工业级水泥熟料物相预测
机器学习
2024-12-31 v2 材料科学
摘要
水泥年产量超过 41 亿吨，每年产生 24 亿吨二氧化碳，在质量控制和工艺优化方面面临严峻挑战。传统的水泥制造过程模型局限于稳态条件，对矿物相的预测能力有限，而现代工厂在动态条件下运行，需要实时的质量评估。在此，利用来自一家工业水泥厂长达两年的综合运行数据集，我们提出了一个机器学习框架，能够根据工艺数据准确预测熟料矿物学特征。我们的模型在仅需极少输入参数的情况下，对主要熟料物相实现了前所未有的预测精度，并在多变的操作条件下展现出稳健的性能。通过事后可解释算法，我们解释了熟料氧化物与物相形成之间的层次关系，从而为原本的黑盒模型运作机制提供了洞见。这一数字孪生框架有望实现水泥生产的实时优化，从而在实际工厂条件下提供一条减少材料浪费、确保质量并降低相关排放的途径。我们的方法代表了工业过程控制领域的重大进步，为可持续水泥制造提供了可扩展的解决方案。
引用
@article{arxiv.2412.11981,
title = {Industrial-scale Prediction of Cement Clinker Phases using Machine Learning},
author = {Sheikh Junaid Fayaz and Nestor Montiel-Bohorquez and Shashank Bishnoi and Matteo Romano and Manuele Gatti and N. M. Anoop Krishnan},
journal= {arXiv preprint arXiv:2412.11981},
year = {2024}
}