Experimental and numerical investigation of the multiphase flow in the water model of a steel ladle as basis for the enhancement of multiphase flow models in computational fluid dynamics of metallurgical reactors
Metallurgical, Thermal and Thermomechanical Treatment of Materials
Final Report Abstract
Aufgrund des stetig steigenden ökonomischen und ökologischen Drucks ist eine kontinuierliche Verbesserung aller Prozesse und Anlagen der Stahlindustrie notwendig. Im Rahmen dieses Projektes wurden dabei physikalische Simulationen am Wassermodell sowie eine Optimierung bestehender numerische Modelle für die Stahlgießpfanne durchgeführt. Hierfür wurde zunächst ein neuartiger Blasenauswertungsalgorithmus namens BubCNN, basierend auf Methoden des maschinellen Lernens, entwickelt. Insbesondere durch das begleitende Transfer Learning Module lässt sich dieses Verfahrens leicht auf veränderte experimentelle Bedingungen anpassen und ermöglicht so zukünftig die Auswertung von Hochgeschwindigkeitsaufnahmen von Blasenschwärmen ohne tiefgehende Kenntnis in digitaler Bildverarbeitung. Dieser Algorithmus wurde genutzt, um die Blasengröße und Aufstiegsgeschwindigkeit von Blasenschwärmen von verschiedenen Injektoren zu messen und mit der Strömung und der Mischungszeit zu korrelieren. Dabei zeigte sich, dass der Injektor über die Blasengrößenverteilung Einfluss auf die eingebrachte Mischungsenergie hat, da sich die Blasensäule entweder im homogenen oder heterogenen Zustand befindet. Dieser Zusammenhang ist in aktuellen Skalierungskriterien noch nicht berücksichtigt, erfordert aber weitere Forschung, um quantifiziert zu werden. Neben den experimentellen Arbeiten wurde eine Optimierung numerischer Modelle angestrebt. Dabei wurde festgestellt, dass die bislang gängige Validierungsstrategie des weitgehend qualitativen Vergleichs nicht ausreichend genau ist, um den steigenden Qualitätsanforderungen gerecht zu werden. Daher wurde eine öffentlich zugängliche, umfassende Validierungsdatenbank erstellt sowie eine neue Bewertungsmetrik vorgeschlagen. In der Datenbank sind verschiedene Validierungsverfahren inklusive einer detaillierten Ungenauigkeitsanalyse gesammelt, die über ein Bewertungssystem zu einer umfassenden Validierungsstrategie zusammengefasst wurden. Diese Datenbank schafft eine fundierte Grundlage für eine kontinuierliche Verbesserung numerischer Mehrphasenströmungsmodelle. Im Rahmen des Projekts wurde dieses System verwendet, um den Einfluss verschiedenster Submodelle auf die Genauigkeit eines numerischen Modells für die isotherme Strömung im Wassermodell einer Stahlgießpfanne zu untersuchen. Es konnte gezeigt werden, dass mit dem LES- Turbulenzmodell die Strömung deutlich genauer berechnet wird als mit dem den RANS-Ansatz. Die Abhängigkeit der Lösung von der Auflösung des numerischen Gitters konnte reduziert werden, indem für die Formulierung der Liftkraft ein zeitlich gemitteltes Scherfeld wird. Durch diese Maßnahmen konnten auf einem gröberen Netz ähnliche Genauigkeiten wie auf einem feineren Netz erzielt werden, wodurch die Effizienz des Modells deutlich steigt. Durch weitere Untersuchungen konnte eine Modellierungsstrategie abgeleitet werden, mit der sich der Validierungsscore des Modells von bislang etwa 38,7 auf 87,6 steigern lässt. Zusätzlich zeigte die Studie aber auch existierende Probleme beim Skalieren des numerischen Modells auf den realen Prozess. Hieraus lässt sich zukünftiger Forschungsbedarf, insbesondere hinsichtlich des Einflusses von Legierungselementen und nichtmetallischen Einschlüssen auf die Blasendynamik ableiten.
Publications
- Experimental and numerical modelling of multiphase flows in continuous casting reactors, 2nd ISIJ-VDEh-Jernkontoret Joint Symposium, June 12-13, 2017 Stockholm
Rückert, A., Haas, T., Pfeifer, H.
- Numerical modelling of the bubble driven flow within a steel ladle validated by particle image velocimetry, 7th International Conference on Modelling and Simulation of Metallurgical Processes in Steelmaking (STEELSIM2017), Qingdao, 16-18.08.2017
Haas, T., Rückert, A., Pfeifer, H.
- Application of Convolutional Neural Networks in Steelmaking and Research, European Steel Technology and Application Days (ESTAD), Düsseldorf, 24.-28.06.2019
Haas, T., Eickhoff, M.; Pfeifer, H.
- Interaction of Injector Design, Bubble Size, Flow Structure, and Turbulence in Ladle Metallurgy, steel research international, 90(2), 1800346, 2019
Owusu, K. B., Haas, T., Gajjar, P., Eickhoff, M., Kowitwarangkul, P., Pfeifer, H.
(See online at https://doi.org/10.1002/srin.201800346) - Physical study of the impact of injector design on mixing, convection and turbulence in ladle metallurgy, Engineering Science and Technology, 22(2), 538-547, 2019
Gajjar, P., Haas, T., Owusu, K. B., Eickhoff, M., Kowitwarangkul, P., Pfeifer, H.
(See online at https://doi.org/10.1016/j.jestch.2018.11.010) - Validation techniques to determine the state of accuracy of numerical multiphase modelling, 8th International Conference on Modelling and Simulation of Metallurgical Processes in Steelmaking (STEELSIM2019), Toronto, 13-15.08.2019
Haas, T., Eickhoff, M., Pfeifer, H.
- BubCNN: Bubble detection using Faster RCNN and shape regression network, Chemical Engineering Science, 115467, 2020
Haas, T., Schubert, C., Eickhoff, M., Pfeifer, H.
(See online at https://doi.org/10.1016/j.ces.2019.115467)
