Redusert energiforbruk i silisiumproduksjon ved hjelp av styring basert på maskinlæring og digital tvilling

The "Smart Furnace" project goal is to use artificial intelligence in controlling the production of silicon. Silicon is produced by chemical reactions between quartz and carbon at temperatures above 2000C. The production takes place in electric furnaces where carbon electrodes conduct electrical current into the centre of the furnace. The process requires large amounts of electrical energy, typically 11-12 MWh / tonne of silicon, which will vary greatly with the furnace productivity. The project aims to reduce energy consumption by 5%. The supply of electrical energy and raw materials to the furnace is automatic controlled, but there is still manual control of the chemical reactions. Due to high temperatures, there are no direct measurements of internal process conditions. The operating personnel evaluate the process based on observations and experience, and take measures based on this. There are large variations in the production over time. The difference between good and bad periods can be up to 10%. The project aims to develop a decision support system that operating personnel can use in controlling the chemical reactions. The system will use various methods of artificial intelligence, machine learning, digital twin and expert systems, to give diagnosis of the furnace state and advise on what actions to do. A proper diagnosis of the furnace state is a prerequisite for being able to stabilize the operation at a higher production level and thereby achieve reduced energy consumption. This will be the first of its kind in the world. The project goes 2019-2022. Elkem ASA is project owner and Cybernetica AS and SINTEF Digital are research partners. The development will cooperate closely with Elkem's smelting plants, and the systems will be continuously tested in operation at a pilot furnace. The project can be divided into three parts; 1) Implementation of new measurements for raw materials and thermal cameras on the furnace surface and implement a digital twin of the furnace using a mathematical model of the chemical reactions in the furnace. 2) Develop new estimators for unknown conditions in the furnace using machine learning. 3) Develop a decision support system for the furnace process using the results from 1) and 2). In 2019 there was been a strong focus on testing and implementation of new sensors and thermal cameras in the pilot furnace. Moisture sensors and on-line particle size sensor for raw materials were implemented. . The testing of the new sensors has continued in 2020 and they are now being used in the control of the furnace. Three thermal imaging cameras were installed in 2019 and Cybernetica has in 2020 developed software for signal processing to be able to use the images in control and decision support. The cameras have already become key tools for the process operators. The work in 2021 has focused on extracting new process information from the thermal cameras. Estimates of charge height have been established that are actively used in the control of the furnace. The work in 2022 has focused on finalizing the camera system with the display of the new process parameters. The work to establish a digital twin based on an online mathematical model has taken more time than expected, but was completed at the end of 2022. In 2019, several data sets were established with process variables from the pilot furnace to apply machine learning to create control models for the furnace. SINTEF Digital developed 2020 several data models for estimating for unmeasured furnace variables. Three indicators have now been selected that will be installed on the pilot furnace for testing. This work has given less results than expected, but two indicators were installed on the pilot furnace for testing in the spring of 2021. The scope of Sintefs work package was redefined in September 2021 with the aim of defining more mathematically solvable problems. This resulted in an electrical model that has been applied to optimise the furnace operation. A DPhil student funded by Elkem, at the University of Oxford has been associated with the project. She passed her viva in October 2021.

Smart Furnace prosjektet har utviklet et målesystem, basert på kameraer på ovnsoverflaten og matematiske modeller, som gir helt ny informasjon for å optimalisere driften av smelteovner og oppnå en økning i produksjonsnivået og et tilsvarende reduksjon i spesifikt energiforbruket. Systemet har vært installert som en pilot på en av Elkems smelteovner med svært lovende resultater. Foreløpige tall indikerer en økt energieffektivitet på 4-5%. Elkem vil etter prosjektavslutning idustrialisere "produktet" og planlegger å installere det på sine ovner i Norge.

Silisium produseres i store smelteovner med inntil 45 MW elektrisk last, ved reduksjon av kvarts med karbonkilder ved prosesstemperaturer over 2000C. Produksjon av silisium forbruker store mengder energi, typisk 11-12 MWh/tonn silisium, og dette varierer med hvor godt ovnen produserer. I en smelteovn er det bare tilførselen av elektrisk energi og råmaterialer som er styrt automatisk. På grunn av de høye prosesstemperturene er det ingen direkte målinger av indre tilstander i ovnen. Styringen av de kjemiske prosessene er manuell og basert på hvordan driftspersonellet vurderer prosesstilstanden basert på deres observasjoner og erfaring. Det er i dag relativt store variasjoner i produksjonen over tid, og forskjellen i silisiumutbytte mellom gode og dårlige perioder kan være opp til 10%. Prosjektet ønsker å utvikle et adaptivt beslutningsstøttesystem for prosessoperatører og -ingeniører som vil gi diagnose av ulike ovnstilstander og anbefalinger for hvilke aksjoner som bør gjøres eller hvilke settpunkter som bør endres for at ovnen igjen skal kunne opereres ved optimale betingelser. En riktig diagnose av ovnstilstanden er en forutsetning for å kunne stabilisere driften på et høyere produksjonsnivå og derved redusert energiforbruk. Målet er en reduksjon i energiforbruket på 5%. Beslutningsstøttesystemet vil anvende metoder for kunstig intelligens, maskinlæring og digital tvilling for å riktig diagnose av ovnstilstand og velge riktig aksjon basert på diagnosen. Prosjektet har ikke som målsetning å «lukke reguleringssystemene» fullstendig, og prosessoperatører og -ingeniører vil fortsatt være de som bestemmer tiltak så som valg av settpunkter for elektrisk styring og endring av råvaremiks. Systemet vil presentere sin diagnose og gi anbefaling vedrørende hvilke tiltak som bør gjennomføres. I Smart Furnace prosjektet er Elkem ASA prosjekteier og industriell partner og SINTEF Digital og Cybernetica AS er forskningspartnere, og det gjennomføres i perioden 2019-21.