Process and energy optimization of the Waelz kiln : advanced simulation modelling through industrial modelling tools and machine learning techniques for zinc recovery

The Waelz process is a well-established pyrometallurgical route for the recovery of zinc from steel making dust. Despite its industrial relevance, the optimization of the kiln is challenging due to the complex interplay of multiple heterogenous reactions, thermodynamic equilibria, and varying physical properties along the length of the kiln with temperature. The present work was carried out at Pontenossa S.p.A. and addresses the optimization of the process and energy (fuel and reductant) making a comprehensive one-dimensional mass energy transport model along the differential length of the kiln simulating reactions and temperature profile, serving as a MATLAB digital twin. To extend the predictive capability and to enable data-driven optimization, Python-based Artificial Intelligence and machine learning methods were applied with a systematic hyperparameter tuning. These models were then coupled with numerical optimization techniques to determine operating conditions that maximizes zinc recovery while minimizing carbon consumption. An Aspen Plus® process simulation complemented the study by providing rigorous thermodynamic validation and sensitivity analysis, ensuring a consistency between the model and plant data. The integration of detailed modelling, Artificial Intelligence (AI) / Machine Learning (ML) based predictions and process simulations established a strong framework for sustainable zinc recovery process aligning with circular economy goals in metallurgical and chemical operations.

Il processo Waelz è un processo pirometallurgico consolidato per il recupero dello zinco dalle polveri di abbattimento fumi derivanti dalla produzione dell'acciaio. Nonostante la sua rilevanza industriale, l'ottimizzazione del forno è complessa a causa della complessa interazione di molteplici reazioni eterogenee, equilibri termodinamici e proprietà fisiche variabili lungo la lunghezza del forno in base alla temperatura. Il presente lavoro è stato svolto presso Pontenossa S.p.A. e riguarda l'ottimizzazione del processo e dell'energia (combustibile e riducente) realizzando un modello completo di trasporto di massa ed energia monodimensionale lungo la lunghezza differenziale del forno, simulando le reazioni e il profilo di temperatura, fungendo da gemello digitale MATLAB. Per estendere la capacità predittiva e consentire l'ottimizzazione basata sui dati, sono stati applicati metodi di intelligenza artificiale e apprendimento automatico basati su Python con un’applicazione sistematica degli iper-parametri. Questi modelli sono stati poi abbinati a tecniche di ottimizzazione numerica per determinare le condizioni operative che massimizzano il recupero dello zinco riducendo al minimo il consumo di carbonio. Una simulazione di processo Aspen Plus® ha completato lo studio fornendo una rigorosa validazione termodinamica e un'analisi di sensibilità, garantendo la coerenza tra il modello e i dati dell'impianto. L'integrazione di una modellazione dettagliata, di previsioni basate su intelligenza artificiale/apprendimento automatico e simulazioni di processo ha creato un solido quadro per la definizione di parametri per un processo di recupero sostenibile dello zinco, in linea con gli obiettivi di economia circolare nelle operazioni metallurgiche e chimiche.