Prévision multi‑étape intégrée pilotée par apprentissage profond et optimisation de l’ordonnancement pour les systèmes énergétiques des convertisseurs

Transformer la chaleur perdue en énergie utile

Chaque fois qu’un lot d’acier est produit, un flux invisible de vapeur chaude s’échappe des convertisseurs où le métal en fusion est affiné. Une grande partie de cette vapeur peut être captée et convertie en chaleur ou en électricité, ce qui permet d’économiser du combustible et de réduire les coûts. Mais la production de vapeur varie de façon imprévisible au cours du procédé, rendant difficile la planification de sa réutilisation par les aciéries. Cet article présente une nouvelle méthode pour prédire ces pointes de vapeur avec davantage de précision, en combinant la planification à moyen terme et la surveillance seconde par seconde afin que les fabricants d’acier puissent extraire plus d’énergie de ce qu’ils produisent déjà.

Pourquoi la vapeur est importante dans la sidérurgie

À elle seule, l’industrie sidérurgique chinoise produit plus de la moitié de l’acier brut mondial, et la vapeur représente environ un dixième de la consommation énergétique d’une usine typique. Dans la sidérurgie moderne par convertisseur, de l’oxygène est soufflé dans une vaste cuve de fonte, déclenchant des réactions intenses qui dégagent une chaleur considérable. L’eau circulant dans les parois du four et les systèmes de refroidissement des gaz absorbe cette chaleur et se transforme en vapeur, laquelle peut ensuite être acheminée vers des turbines pour produire de l’électricité, ou utilisée pour chauffer bâtiments et équipements. Plus la vapeur peut être prédite et récupérée de manière fiable, moins l’usine aura besoin d’acheter et de brûler de combustible, et plus ses coûts d’exploitation et ses émissions diminueront.

Pourquoi il est si difficile de prédire la vapeur

En pratique, le débit de vapeur est loin d’être constant. Les nuances d’acier (faible, moyenne ou haute teneur en carbone) réagissent avec des intensités différentes, modifiant la quantité de vapeur produite. Chaque convertisseur a ses propres particularités et son profil de performance, et les usines exploitent souvent plusieurs convertisseurs simultanément. De plus, il existe des modes de fusion distincts — décaburisation conventionnelle, double décaburisation et double déphosphoration — chacun ayant son calendrier et sa signature de vapeur. La majeure partie de la vapeur se produit pendant la phase de soufflage d’oxygène, mais l’amplitude et la forme de ce pic peuvent varier fortement d’un lot à l’autre. Les plannings de production évoluent aussi selon l’état des équipements et l’approvisionnement en matières, rendant le rythme global de génération de vapeur très irrégulier.

Faire le lien entre planification et exploitation en temps réel

Jusqu’à présent, la plupart des travaux de prévision se sont concentrés sur la phase de production en temps réel, en utilisant des relevés historiques de capteurs pour prévoir des variations à court terme. Ces modèles ignorent généralement les informations disponibles avant même le démarrage d’un lot, comme la nuance d’acier prévue, le poids de la fonte ou la durée attendue du soufflage d’oxygène. Les auteurs soutiennent qu’une solution utile doit opérer simultanément sur deux échelles temporelles. D’abord, un modèle de planification couvre environ deux heures à l’avance, fournissant aux responsables des estimations par intervalle de la vapeur que produiront plusieurs lots à venir. Ces estimations aident à définir les cibles pour le réseau de vapeur de l’usine, à décider de l’allocation des capacités tampons et à préparer les turbines et autres consommateurs.

Algorithmes intelligents pour chaque étape

Pour produire des prévisions en phase de planification, l’équipe associe une machine à vecteurs de support — une méthode d’apprentissage automatique bien connue et relativement compacte — à un algorithme d’optimisation « black‑winged kite » amélioré. Cet optimiseur explore systématiquement les meilleurs paramètres internes du modèle à vecteurs de support, évitant le réglage empirique effectué manuellement par les ingénieurs. En alimentant le modèle optimisé avec des données de planification de faible dimension telles que la nuance d’acier, le poids de la fonte, la durée du soufflage d’oxygène et l’identifiant du convertisseur, le modèle peut prédire la vapeur totale des lots à venir avec une précision d’environ 92 %. Une fois la production lancée, la problématique change : des relevés haute fréquence de température de vapeur, pression, niveaux de liquide et autres signaux affluent, et le débit de vapeur peut augmenter ou chuter en quelques secondes. Pour cette phase, les auteurs présentent une architecture d’apprentissage profond nommée DSC‑Transformer. Elle emploie une couche de convolution adaptative en forme qui suit les fluctuations locales rapides, combinée à un module Transformer performant pour capturer les motifs à longue portée dans les séries temporelles.

Des flux de données à une meilleure utilisation de l’énergie

En phase de production, le DSC‑Transformer ingère des fenêtres temporelles glissantes de données capteurs et produit des prévisions de débit de vapeur à haute résolution, actualisant les estimations de planification antérieures au fur et à mesure de l’évolution des conditions. Le modèle peut être configuré avec différentes durées de fenêtre — de quelques secondes à deux minutes — permettant aux opérateurs de faire le compromis entre sensibilité ultra‑courte et stabilité à plus long terme. Testé sur 50 jours de données réelles d’usine couvrant 1 100 chauffes de convertisseur, le système a atteint environ 99 % de précision prédictive en seconde phase et a systématiquement surperformé des alternatives répandues telles que les réseaux à mémoire à long terme (LSTM) et les Transformers standards. Ensemble, les modèles de planification et de production forment une chaîne de prévision continue qui aligne la vapeur prévue de plusieurs convertisseurs avec la capacité de stockage et de consommation du réseau de l’usine.

Ce que cela signifie pour les aciéries

Pour le non‑spécialiste, le message est clair : en apprenant à la fois le « plan lent » et le « battement rapide » de la sidérurgie, ce système de prévision en deux étapes aide les usines à récupérer et utiliser davantage la vapeur qu’elles génèrent déjà. Le modèle de planification annonce à l’avance la quantité de vapeur probablement disponible dans les prochaines heures, tandis que le modèle en temps réel corrige et affine cette estimation seconde après seconde au fur et à mesure de l’avancement de chaque lot. Cette vision intégrée permet aux opérateurs de maintenir turbines et chaudières en fonctionnement optimal, d’éviter le gaspillage de vapeur lorsque les capacités de stockage sont pleines et de réduire la dépendance à des combustibles supplémentaires. En conséquence, les aciéries peuvent réduire leurs factures énergétiques et leurs émissions sans modifier leurs méthodes de production fondamentales — simplement en optimisant l’utilisation de leur chaleur résiduelle.

Citation: Hu, Y., Huang, B., Gao, C. et al. Integrated deep learning-driven multi-stage steam forecasting and scheduling optimization for converter energy systems. Sci Rep 16, 12252 (2026). https://doi.org/10.1038/s41598-026-42104-y

Mots-clés: vapeur sidérurgique, efficacité énergétique industrielle, prévision de séries temporelles, apprentissage profond dans l’industrie, récupération de chaleur résiduelle