Utilização de técnicas de aprendizado de máquina no processo de produção de sínter para os altos-fornos.

Abstract

Este trabalho descreve uma estrutura metodológica para o desenvolvimento de modelos baseados em técnicas de aprendizado de máquina para aplicação no processo de sinterização de uma usina siderúrgica de grande porte. A estrutura proposta compreende modelos analíticos capazes de extrair padrões e tendências nos dados das áreas de sinterização e matérias-primas, a fim de gerar previsões relacionadas à qualidade do sínter produzido, produtividade do processo, consumo de combustíveis e emissão de particulados. O objetivo destes modelos é suportar as decisões operacionais de ajuste de processo e contribuir para um melhor desempenho do sínter nos altos-fornos. Inicialmente, foi proposto um modelo piloto para prever o principal índice de qualidade do sínter, representado pelo shatter test. Diversos algoritmos de aprendizado de máquina foram testados, incluindo Regressão Linear, Regressão Polinomial, Árvores de Decisão, Ensemble Learning e Redes Neurais Artificiais (RNA). O desempenho dos modelos foi comparado utilizando a métrica de Mean Absolute Error (MAE). Entre os algoritmos testados para previsão do shatter, o Random Forests apresentou o melhor desempenho. O modelo obteve um MAE de 0,31 e exibiu um comportamento gráfico aceitável ao comparar as previsões com os valores reais do conjunto de testes, indicando sua aplicabilidade prática. Os resultados obtidos neste trabalho demonstram que a estrutura proposta foi capaz de aprender com os dados das sinterizações e matérias-primas. Além disso, esta estrutura permite a integração com os demais modelos sugeridos, sendo uma ferramenta flexível e aplicável para as sinterizações.