コンバータエネルギーシステムのための統合型深層学習駆動マルチステージ蒸気予測とスケジューリング最適化

廃熱を有用なエネルギーに変える

一回の鋼の炉出しが行われるたびに、溶鋼を精錬するコンバータから目に見えない高温の蒸気の流れが放出されます。大部分の蒸気は回収して熱や電力に変換でき、燃料消費とコストを削減できます。しかし、蒸気は工程の進行に伴って予測しにくく上下するため、製鉄所がどれだけ再利用できるかを計画するのは困難です。本稿では、長期的な計画と秒単位の監視を結び付け、蒸気の急増をより正確に予測して、製鉄業者が既に生み出しているエネルギーをさらに活用できるようにする新しい手法を示します。

製鋼における蒸気の重要性

中国の製鉄業だけで世界の粗鋼生産の半分以上を占めており、蒸気は典型的な製鉄所の総エネルギー使用量の約10％を占めます。現代のコンバータ製鋼では、酸素が大量の溶鉄に吹き込まれ、強烈な反応が発生して多大な熱を放出します。炉壁やガス冷却系統を循環する水がその熱を吸収して蒸気となり、その蒸気はタービンで発電に回したり、建物や設備の加熱に利用したりできます。この蒸気をより確実に予測し回収できるほど、製鉄所は購入して燃やす燃料を減らせ、運転コストと排出量を下げられます。

蒸気予測が難しい理由

実際には、蒸気の発生は決して安定していません。鋼種（低〜高炭素）によって燃焼強度が異なり、蒸気生成量が変わります。各コンバータには固有の特性と性能プロファイルがあり、製鉄所では複数のコンバータを同時に運転することが多いです。さらに、従来の脱炭、二段脱炭、二段脱リンなど異なる冶金モードがあり、それぞれに固有のタイミングと蒸気パターンがあります。大部分の蒸気は酸素吹込み工程中に発生しますが、そのピークの大きさや形状はバッチごとに大きく異なり得ます。設備の稼働状況や原料供給に伴って生産スケジュールも変動するため、蒸気生成の全体的なリズムは非常に不規則になります。

計画とリアルタイム運転の橋渡し

これまでの多くの予測研究はリアルタイムの生産段階に焦点を当て、過去のセンサー読み値を用いて短期変動を予測してきました。これらのモデルは通常、鋼種、溶鋼重量、予想される酸素吹込み時間など、バッチが始まる前に存在する情報を無視します。著者らは、有用な解は同時に二つの時間スケールで機能する必要があると主張します。まず計画段階のモデルは約2時間先を概算的に見通し、今後のいくつかのバッチがどの程度の蒸気を生むかを区間ごとに見積もります。これらの見積もりは施設の蒸気ネットワークの目標設定、貯留バッファの配分、タービンその他のユーザーの準備に役立ちます。

各段階に適したスマートアルゴリズム

計画段階の予測を提供するために、チームはサポートベクターマシンというよく知られた比較的コンパクトな機械学習手法と、改良された「ブラックウィングドカイト」最適化アルゴリズムを組み合わせます。この最適化器はサポートベクターモデルの内部パラメータを体系的に探索し、人間のエンジニアが行う試行錯誤によるチューニングを回避します。鋼種、溶鉄重量、酸素吹込み時間、コンバータIDといった低次元の計画データを入力すると、調整済みのモデルは今後のバッチの総蒸気量を約92％の精度で予測できます。生産が始まると状況は変わります：蒸気温度、圧力、液面などの高周波の読み値が流入し、蒸気流量は秒単位で急増または急降下します。この段階では、著者らはDSC‑Transformerと呼ばれる深層学習アーキテクチャを導入します。これは急速な局所変動を追跡する可変形状の畳み込み層と、時系列データの長期パターン理解に優れるTransformerモジュールを組み合わせたものです。

データストリームからより良いエネルギー利用へ

生産段階では、DSC‑Transformerがセンサーデータのローリングウィンドウを取り込み、微細な蒸気流予測を出力して条件の変化に応じて計画段階の推定を更新します。ウィンドウ長は数秒から2分程度まで構成可能で、オペレータは超短期の感度とより長期の安定性のトレードオフを選べます。1,100回のコンバータヒートから得られた50日分の実プラントデータで試験したところ、この第2段階の精度は約99％に達し、長短期記憶（LSTM）ネットワークや標準的なTransformersといった一般的な代替手法を一貫して上回りました。計画段階と生産段階のモデルは連続的な予測パイプラインを形成し、複数のコンバータから期待される蒸気をプラントの貯蔵と消費能力に合わせます。

製鉄所にとっての意義

一般向けに言えば、要点は明快です：「遅い」計画と「速い」脈動の両方を学習することにより、この二段階の予測システムは製鉄所が既に生み出している蒸気をより多く捕捉して活用するのを助けます。計画モデルは次の数時間で利用可能と予想される蒸気量を事前に知らせ、リアルタイムモデルは各バッチの進行に応じて秒単位でその見通しを修正・精緻化します。この結合された見通しにより、運転者はタービンや加熱機器を安定稼働させ、貯蔵が満杯のときの蒸気の無駄遣いを避け、追加燃料への依存を減らせます。その結果、製鉄所はコアの生産方法を変えることなく、自らの廃熱利用の賢い運用によりエネルギーコストと排出を削減できます。

引用: 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

キーワード: 製鋼蒸気, 産業エネルギー効率, 時系列予測, 産業分野における深層学習, 廃熱回収