Predictive Model for Cement Clinker Quality Parameters

Abstract
Managers of cement plants are gradually becoming aware of the need for soft sensors in product
quality assessment. Cernent dllnker quality parameters are mostly measured by offline laboratory
analysis or by the use of online analyzers. The measurement delay and cost, associated with these
methods, are a concern in the cement industry. In this study, a regression-based model was
developed to predict the clinker quality parameters as a function of the raw meal quality and the
kiln operating variables. This model has mean squared error, coefficient of determination, worst
case relative error and variance account for (in external data) given as 8.96 x 10, 0.9999, 2.17% and
above 97%, respectively. Thus, it is concluded that the developed model can provide real time
estimates of the clinker quality parameters and capture wider ranges of real plant operating
conditions from first principle-based cement rotary kiln models. Also, the model developed can be
utilized online as soft sensor since they contain only variables that are easily measured online.
Keywords
Clinker Quality Parameters, Online Estimation, Cement Rotary Kiln, Model, Soft Sensor

Traduccin

Modelo Predictivo para Parmetros de Calidad de Clinker de Cemento

Abstracto

Los gestores de las fbricas de cemento estn tomando conciencia gradualmente de la necesidad de
sensores blandos en la evaluacin de la calidad del producto. Los parmetros de calidad del clinker
de cemento se miden principalmente mediante anlisis de laboratorio fuera de lnea o mediante el
uso de analizadores en lnea. El retraso de medicin y el costo, asociados con estos mtodos, son
una preocupacin en la industria del cemento. En este estudio se desarroll un modelo de regresin
para predecir los parmetros de calidad del clinker en funcin de la calidad de la comida cruda y de
las variables operativas del horno. Este modelo tiene un error cuadrtico medio, un coeficiente de
determinacin, un error relativo de peor caso y una cuenta de varianza para (en datos externos)
dados como 8,96 x 10, 0,9999, 2,17% y superiores 97%, respectivamente. Por lo tanto, se concluye
que el modelo desarrollado puede proporcionar estimaciones en tiempo real de los parmetros de
calidad del clnker y capturar rangos ms amplios de condiciones reales de funcionamiento de la
planta a partir de los primeros modelos de hornos rotatorios de cemento basados en principios.
Adems, el modelo desarrollado se puede utilizar en lnea como sensor suave, ya que contienen slo
las variables que se miden fcilmente en lnea.

Palabras claves

Parmetros de calidad del clnker, estimacin en lnea, horno rotatorio del cemento, modelo, sensor
suave
1. Introduction
Cement plays an important role in the construction industry. It is the principal hydraulic binder, and
the major strength-giving and property-controlling component of concrete. The raw materials for
cement production are usually quarried from local rocks, crushed, and then heated at temperature in
excess of l000C in a rotary kiln to form clinker. The quality of the clinker determines the property
(such as compressive strength) of the cement made from it the basis for this property is reported to
be the result of a well-burned clinker with consistent chemical composition and free lime [1].
Keeping the quality of the clinker within acceptable range requires that measurement the quality
parameters be done from time to time in the laboratory, or using online hardware sensors which are
based on X-ray fluorescence (XRF) and X-ray diffraction (XRD) techniques. The clinker quality
parameters are Lime Saturation Factor (LSF), Silica Moduli (SM), Alumina Moduli (AM),
dicalcium silicate or belite (C2S) concentration, tricalcium silicate or alite (C3S) concentration,
tricalcium aluminate (C3A) concentration, and tetracalcium aluminoferrite (C3AF) concentration
[2] [3]. The time del ay associated with determining these parameters in the laboratory or with
online hardware sensors using XRF techniques are about four hours and around fifteen minutes,
respectively [3]. As a result of the measurement del ay, any reduction in the clinker quality results
in outright rejection or recycling of the formed clinker [2]. For better product quality, and online
estimation of the quality parameters in real time, soft sensor is considered as a more attractive
option in comparison with online hardware sensors. Quite a few works have been reported on the
application of soft
sensors to the cement industries. The soft sensors developed have ah been data driven, such as,
neural network based soft sensors 2] [3]; multivariate statistical based soft sensor [4] and Support
Vector Regression (SVR) based soft sensor [5] for online estimation of product quality in cement
plant. However, the challenge with these models i that their accuracy depends largely on the quality
of the historical data obtained from the rotary kiln.
Moses and alabi [6] reported that experiments can be performed on the real plant to capture wider
ranges of operating conditions, but Plant Managers rarely will allow deliberate changes to the
operating conditions of the plant. Hence one cannot extrapolate beyond the boundaries for which
these soft sensor models were developed.
To deal with challenges accompanying the data-driven soft sensors, First Principle Models (FPMs)
can be applied. Although several FPMs have been developed for optimization and control of cement
rotary kilns, none has been developed for soft sensing of cement clinker quality parameters. First
principle models have the advantage of being able to capture the physicochemical behaviour of the
rotary kiln and have good extrapolation property. Unfortunately, the existing first principle-based
rotary kiln models contain variables that are difficult to measure real time, and also are a system of
nonlinear Differential-Algebraic Equations (DAEs) which must be solved numerically. Hence, these
FPMs are not in the form suitable for online implementation as soft sensors and so, cannot be
applied online in their current forms. Therefore, in this work, a framework was developed for
converting the first principle models of cement rotary kiln available in the literature to the form
useful for online estimation of cement clinker quality parameters. Soft sensor is needed for online
sensing of the clinker compositions coming out the cement rotary kiln because it can also function
as a backup sensor when the hardware sensor ( using XRF and/or XRD techniques) is faulty or
down for maintenance or replacement [3]. Therefore, this study is focused on the development of a
regression-based model for online estimation of clinker quality parameters. The developed model is
in the form that can be directly utilized as soft sensors (in clinker production unit of the cement
manufacturing plant) as opposed to the existing theoretical and semi-empirical models.
Also the models were developed from (range of) operating conditions that are wider than the typical
operating conditions of a real plant. Thus, this model is expected to perform well in an environment
where the existing empirical models will fail (for lack of extrapolation ability). Hence, with this
framework, real time estimation of clinker quality parameters for cement production can be
achieved.

Traduccin

1. Introduccin

El cemento juega un papel importante en la industria de la construccin. Es el principal aglutinante

hidrulico, y el principal componente que da fuerza y control de la propiedad del hormign. Las
materias primas para la produccin de cemento se extraen a partir de rocas locales, se trituran y
luego se calientan a una temperatura superior a 1000 C en un horno rotatorio para formar clinker.
La calidad del clinker determina la propiedad (tal como la resistencia a la compresin) del cemento
fabricado a partir de ella, la base de esta propiedad es el resultado de un clinker bien quemado con
composicin qumica consistente y cal libre [1]. Mantener la calidad del clinker dentro de un rango
aceptable requiere que la medicin de los parmetros de calidad se haga de vez en cuando en el
laboratorio, o utilizando sensores de hardware en lnea que se basan en la fluorescencia de rayos X
(XRF) y tcnicas de difraccin de rayos X (XRD) . Los parmetros de calidad del clinker son: LSC,
Silica Moduli (SM), Almina Moduli (AM), silicato diclcico o belita (C2S), concentracin de
silicato triclcico o alite (C3S), concentracin de aluminato triclcico (C3A), y Tetracalcium
aluminoferrite (C3AF) concentracin [2] [3]. El tiempo asociado con la determinacin de estos
parmetros en el laboratorio o con sensores de hardware en lnea que utilizan tcnicas XRF es de
aproximadamente cuatro horas y aproximadamente quince minutos, respectivamente [3]. Como
resultado de la medicin del ay, cualquier reduccin en la calidad del clinker resulta en rechazo o
reciclado del clinker formado [2]. Para una mejor calidad del producto y una estimacin en lnea de
los parmetros de calidad en tiempo real, el sensor suave se considera una opcin ms atractiva en
comparacin con los sensores de hardware en lnea. Se han reportado bastantes trabajos sobre la
aplicacin de

Sensores a las industrias del cemento. Los sensores blandos desarrollados han sido manejados por
datos, tales como sensores blandos basados en redes neuronales 2] [3]; Multivariable basado en
estadstica sensor blando [4] y Support Vector Regression (SVR) basada en sensor blando [5] para
la estimacin en lnea de la calidad del producto en la planta de cemento. Sin embargo, el desafo
con estos modelos i que su exactitud depende en gran medida de la calidad de los datos histricos
obtenidos del horno rotatorio.

Moiss y alabi [6] informaron que se pueden realizar experimentos en la planta real para capturar
rangos ms amplios de condiciones de operacin, pero los gerentes de planta raramente permitirn
cambios deliberados en las condiciones de operacin de la planta. Por lo tanto, no se puede
extrapolar ms all de los lmites para los cuales se desarrollaron estos modelos de sensores
blandos.

Para hacer frente a los retos que acompaan a los sensores blandos basados en datos, pueden
aplicarse los Modelos de Principio Primero (FPM). Aunque se han desarrollado varios FPM para la
optimizacin y control de hornos rotatorios de cemento, no se ha desarrollado ninguno para la
deteccin suave de parmetros de calidad de clnker de cemento. Los primeros modelos principales
tienen la ventaja de poder captar el comportamiento fsico-qumico del horno rotatorio y tener una
buena propiedad de extrapolacin. Desafortunadamente, los modelos de hornos rotativos basados en
principios existentes contienen variables que son difciles de medir en tiempo real, y tambin son un
sistema de Ecuaciones Diferenciales-Algebraicas (DAEs) no lineales que deben resolverse
numricamente. Por lo tanto, estos FPM no estn en la forma adecuada para la implementacin en
lnea como sensores blandos y por lo tanto, no se pueden aplicar en lnea en sus formas actuales.
Por lo tanto, en este trabajo, se desarroll un marco para convertir los primeros modelos principales
de horno rotatorio de cemento disponibles en la literatura a la forma til para la estimacin en lnea
de parmetros de calidad de clnker de cemento. El sensor blando es necesario para la deteccin en
lnea de las composiciones de clinker que salen del horno rotatorio de cemento, ya que tambin
puede funcionar como un sensor de respaldo cuando el sensor de hardware (usando tcnicas XRF
y / o XRD) . Por lo tanto, este estudio se centra en el desarrollo de un modelo basado en regresin
para la estimacin en lnea de los parmetros de calidad de clnker. El modelo desarrollado est en
la forma que se puede utilizar directamente como sensores blandos (en la unidad de produccin de
clnker de la planta de fabricacin de cemento) en comparacin con los modelos tericos y semi-
empricos existentes.

Adems, los modelos se desarrollaron a partir de (rango de) condiciones operativas que son ms
amplias que las condiciones de operacin tpicas de una planta real. Por lo tanto, se espera que este
modelo se desempee bien en un entorno en el que los modelos empricos existentes fracasarn (por
falta de capacidad de extrapolacin). Por lo tanto, con este marco, se puede obtener una estimacin
en tiempo real de los parmetros de calidad del clnker para la produccin de cemento.

2. Methodology

in the cement manufacturing process, the quality of the clinker exiting the rotary kiln determines the
eventual quality of the cement produced. In this study, regression models were developed for online
estimation of the clinker quality parameters. Experimental designs were performed to investigate
the effect of the process (input) parameters on the clinker quality parameters. Numerical solution of
first principle and semi-empirical based cement rotary kiln models was obtained at different
operating conditions and the data obtained were used to develop the regression models for online
estimation of clinker quality parameters

Real life data from cement plants are not easily available because, for cement manufacturing
companies to gain competitive advantage, they keep their data and experience confidential [7].
Even if these data are available, they only capture the normal operating conditions of the plant.
Models built with these types of data can only be valid within the range of the normal operating
conditions. To capture wider operating conditions of the plant (should there be changes in process
characteristics), experimentation on the real plant will be required. However, Plant Managers rarely
will allow deliberate changes to the operating conditions of their plants. This is no doubt that the
reason simulation approach was employed in this study. However, the choice was guided by the
goal of measurement of clinker quality parameters which is to provide reliable, real-time and online
measurement of the clinker quality parameters. The fundamental and semi-empirical models for
cement rotary kiln used in this study are those that have been validated using real plant data, hence,
the data (solutions) are deemed reliable as they capture the physicochemical behaviour of the
process. Therefore, the regression models developed will not only retain the accuracy of the first
principle and semi-empirical models they were developed from but are in the form suitable for
online application in view of the fact that the input parameters are easily measured online.
2.1. Model Formulation
The model for cement rotary kiln (Equations (l)-(14)) used in this study is a collation from the
works of Darabi [7], Mastorakos and Co-workers [8], Zhuo and Co-workers [9] and Sadighi and
Co-workers [10]. This model, a system of twelve differentia1- algebraic equations and two
algebraic equations, involves appropriate mass balance (normalized with respect to the mass of
CaO), energy balance and material residence time for the axial evolution of the components
involved in the clinker formation, temperature profiles and the movement of solids within the kiln
respectively.

traduccin

2. Metodologa

En el proceso de fabricacin del cemento, la calidad del clinker que sale del horno rotatorio
determina la calidad final del cemento producido. En este estudio, se desarrollaron modelos de
regresin para la estimacin en lnea de los parmetros de calidad del clnker. Se realizaron diseos
experimentales para investigar el efecto de los parmetros del proceso (entrada) sobre los
parmetros de calidad del clnker. Se obtuvo una solucin numrica de los primeros modelos de
hornos rotativos de cemento de base y semi emprico en diferentes condiciones de operacin y los
datos obtenidos fueron utilizados para desarrollar modelos de regresin para la estimacin en lnea
de parmetros de calidad de clnker

Los datos reales de las fbricas de cemento no estn fcilmente disponibles porque, para que las
empresas de fabricacin de cemento obtengan ventaja competitiva, mantienen sus datos y
experiencia confidenciales [7]. Incluso si estos datos estn disponibles, slo capturan las
condiciones normales de operacin de la planta. Los modelos construidos con estos tipos de datos
slo pueden ser vlidos dentro del rango de las condiciones normales de operacin. Para capturar
las condiciones de operacin ms amplias de la planta (si hay cambios en las caractersticas del
proceso), se requerir la experimentacin en la planta real. Sin embargo, los gerentes de planta rara
vez permitirn cambios deliberados en las condiciones de operacin de sus plantas. No cabe duda
de que el enfoque de simulacin de la razn se emple en este estudio. Sin embargo, la eleccin se
gui por el objetivo de la medicin de los parmetros de calidad del clnker, que es proporcionar
una medicin fiable, en tiempo real y en lnea de los parmetros de calidad del clnker. Los modelos
fundamentales y semi-empricos para hornos rotatorios de cemento utilizados en este estudio son
aquellos que han sido validados utilizando datos reales de plantas, por lo que los datos (soluciones)
se consideran fiables ya que capturan el comportamiento fsico-qumico del proceso. Por lo tanto,
los modelos de regresin desarrollados no slo conservarn la exactitud del primer principio y los
modelos semi-empricos de los que fueron desarrollados, sino que estn en la forma adecuada para
la aplicacin en lnea, dado que los parmetros de entrada son fcilmente medibles en lnea.

2.1. Formulacin del Modelo

El modelo para el horno rotatorio de cemento (Ecuaciones (l) - (14)) utilizado en este estudio es una
colacin de las obras de Darabi [7], Mastorakos y colaboradores [8], Zhuo y colaboradores [9] y
Sadighi y compaeros de trabajo [10]. Este modelo, un sistema de doce ecuaciones diferenciales
algebraicas y dos ecuaciones algebraicas, implica un balance de masa apropiado (normalizado con
respecto a la masa de CaO), balance energtico y tiempo de residencia del material para la
evolucin axial de los componentes implicados en la formacin de clnker, Los perfiles de
temperatura y el movimiento de slidos dentro del horno, respectivamente.

2.1.1. Steady State Material Balance Equations

The equations that describe the one-dimensional steady-state axial evolution of components
involved in the clinker formation are given as Equations (1)-(9) [7]-[9].

Calcium carbonate (lime stone)

Calcium oxide (quick lime)

Silicon (IV) oxide (silica)

Aluminum oxide (alumina)

Iron (III) oxide

Dicalcium silicate (belite)

Tricalcium silicte(alite)
2.1.2. Steady State Energy Balance Equations
The energy balance equations that describe the one-dimensional steady-state axial temperature
profiles of the phases involved in clinker formation are given as Equations

Gas (free board) phase

Solid(bed) phase

Wall phase

Pag 93

The regression model (299 is a relationship between the clinker quality

parameters and the input variables: CaO(A),SiO2(B),Fe2O3(C),Al2O3(D), mass
flow rate of solid(E) , feed inlet temperature (F), mass flow rate of fuel( G) and
mass flow rate of air (H).

3.2. Estimation of the Capability of the Developed Model

Figure 1 gives the estimation capability of the developed model presented in
section 2.6 with respect to the trained data. Also, Table 2 shows the minimum
MSE and worst case relative error achieved for the models.
The performance of the developed regression model was evaluated by
comparing its predictions with the simulated first principle-based cement rotary
kiln model under the same input conditions. Moreover, some statistical criteria
presented in section (2.10) were used to evaluate the capability of the
regression model. The results are as reported in Figure 1. Table 2 shows that,
the model developed in this work fits the data well with minim um MSE of 8.96E
07 and worst case relative error of 2.17%. With the model accounting for
about 99% variation in the data, the model can be used for estimation of the
clinker quality parameters.
3.3. Performance Evaluation of the Developed Models
The estimation capabilities of the developed regression model were evaluated
with respect to untrained data obtained from simulation (with 2-factor design
interpolation data and extrapolation data) as described in section 2.7.
3.3.1. Interpolation Test of the Developed Models
Figure 2 shows the estimation capability of the regression model with respect to the interpolation
data. Also, Table 3 shows the variance account for (VAF) of the model in predicting the clinker
quality parameters.
The interpolation capability of the regression model was tested by evaluating its predictive ability
using a set of simulated data different from the ones used to develop the model. The results are as
reported in Figure 2. From the figures, it is obvious that, the model performs well in response to
operating conditions different from (but within the range of) operating conditions used for building
it. Furthermore, with the variance accounted for (VAF) statistical criterion, Table 3 reveals that, the
model (with VAF values closer to 100) has high estimation capability. Thus, the model is both
accurate and generally adequate for the purpose of predicting clinker quality parameters under
different operating conditions.

Table 2 mean squared error and relative error of the regression models

Traduccin

2.1.1. Ecuaciones de balance de materiales en estado estacionario

Las ecuaciones que describen la evolucin axial unidimensional en estado

estacionario de los componentes involucrados en la formacin de clnker se
dan como las ecuaciones (1) - (9) [7] - [9].

Carbonato de calcio (piedra de cal)

xido de calcio (cal viva)

El xido de silicio (IV) (slice)

xido de aluminio (almina)

xido de hierro (III)

Silicato diclcico (belita)

Silicio triclcico (alite)

2.1.2. Ecuaciones de equilibrio de energa en estado estacionario

Las ecuaciones del balance energtico que describen los perfiles de

temperatura axial en estado estacionario unidimensional de las fases
implicadas en la formacin de clnker se dan como Ecuaciones

Fase de gas (tablero libre)

Slido (cama) fase

Fase de pared

Pag 93

El modelo de regresin (299 es una relacin entre los parmetros de calidad

del clinker y las variables de entrada: CaO (A), SiO2 (B), Fe2O3 (C), Al2O3 (D),
caudal msico del slido (E) (F), caudal msico del combustible (G) y caudal
msico del aire (H).
3.2. Estimacin de la Capacidad del Modelo Desarrollado

La Figura 1 muestra la capacidad de estimacin del modelo desarrollado

presentado en la seccin 2.6 con respecto a los datos entrenados. Adems, la
Tabla 2 muestra el MSE mnimo y el error relativo de peor caso alcanzado para
los modelos.

El rendimiento del modelo de regresin desarrollado se evalu mediante la

comparacin de sus predicciones con el modelo de horno rotativo de cemento
basado en el principio de simulacin en las mismas condiciones de entrada.
Adems, se utilizaron algunos criterios estadsticos presentados en la seccin
(2.10) para evaluar la capacidad del modelo de regresin. Los resultados se
muestran en la Figura 1. La Tabla 2 muestra que el modelo desarrollado en este
trabajo se ajusta bien a los datos con una MSE mnima de 8,96E-07 y un error
relativo de peor caso de 2,17%. Con el modelo que representa
aproximadamente el 99% de variacin en los datos, el modelo puede utilizarse
para la estimacin de los parmetros de calidad del clnker.

3.3. Evaluacin del Desempeo de los Modelos Desarrollados

Las capacidades de estimacin del modelo de regresin desarrollado fueron

evaluadas con respecto a los datos no entrenados obtenidos de la simulacin
(con datos de interpolacin de diseo de 2 factores y datos de extrapolacin)
como se describe en la seccin 2.7.

3.3.1. Prueba de interpolacin de los modelos desarrollados

La figura 2 muestra la capacidad de estimacin del modelo de regresin con

respecto a los datos de interpolacin. Adems, la Tabla 3 muestra la cuenta de
varianza para (VAF) del modelo en la prediccin de los parmetros de calidad
de clnker.

La capacidad de interpolacin del modelo de regresin se prob mediante la

evaluacin de su capacidad predictiva utilizando un conjunto de datos
simulados diferentes de los utilizados para desarrollar el modelo. Los resultados
se muestran en la figura 2. A partir de las figuras, es obvio que el modelo
funciona bien en respuesta a condiciones operativas diferentes de (pero dentro
del rango de) las condiciones operativas utilizadas para construirlo. Adems,
con el criterio estadstico de varianza (VAF), la Tabla 3 revela que el modelo
(con valores VAF ms cercanos a 100) tiene una alta capacidad de estimacin.
Por lo tanto, el modelo es a la vez preciso y generalmente adecuado para el
propsito de predecir los parmetros de calidad del clnker bajo diferentes
condiciones de operacin.

Cuadro 2 error cuadrtico medio y error relativo de los modelos de regresin