Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/5820
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorSilva, Thiago Augusto de Oliveirapt_BR
dc.contributor.authorBorges, Marcus Antônio Bueno-
dc.contributor.authorAvellar, Amanda Souza de-
dc.contributor.authorMagalhães, Amanda Oliveira-
dc.date.accessioned2023-08-17T15:05:09Z-
dc.date.available2023-08-17T15:05:09Z-
dc.date.issued2023pt_BR
dc.identifier.citationAVELLAR, Amanda Souza de; BORGES, Marcus Antônio Bueno; MAGALHÃES, Amanda Oliveira. Modelo de previsão para a resistência mecânica do coque metalúrgico. 2023. 27 f. Monografia (Especialização em Ciência dos Dados) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2023.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/5820-
dc.description.abstractOs parâmetros de qualidade das matérias primas metalúrgicas são regularmente controlados afim de que se atinja o controle do processo e de qualidade do produto final. Uma das matérias primas utilizadas como combustível dentro da siderurgia é o coque e sua característica de resistência mecânica (drum index) foi analisada presente estudo. Considerando o alto impacto no custo final do gusa gerado pelo coque metalúrgico, além de suas propriedades estarem ligadas à performance dos altos-fornos, mostra-se importante o aumento da assertividade da previsibilidade de seus parâmetros. Tomando como base pesquisas bibliográficas e conhecimento técnico, o presente trabalho busca a partir de análises estatísticas de dados da qualidade dos carvões individuais e dos parâmetros reais do processo de coqueificação, desenvolver um modelo de previsão para o DI (resistência mecânica). Para modelagem deste trabalho, foi selecionado o algoritmo Random Forest que prediz o DI, combinando o resultado das árvores de decisão através da correlação de variáveis. O estudo contribui para melhor previsibilidade, gestão, desempenho e custo no processo de coqueificação. Os resultados de previsão se mostraram promissores, com um acerto de 96% dos valores preditos em comparação com os resultados reais, além disso a média ponderada do erro apresentou um desvio absoluto de 0,14, demonstrando sua assertividade.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectCiência de dadospt_BR
dc.subjectCoquept_BR
dc.subjectCarvãopt_BR
dc.subjectSiderurgiapt_BR
dc.subjectAlgoritmos - Random Forestpt_BR
dc.titleModelo de previsão para a resistência mecânica do coque metalúrgico.pt_BR
dc.typeTCC-Especializaçãopt_BR
dc.contributor.refereeSilva, Thiago Augusto de Oliveirapt_BR
dc.contributor.refereeOliveira, Paganini Barcelos dept_BR
dc.contributor.refereeMalaquias, Bruno Santospt_BR
dc.description.abstractenThe quality parameters of metallurgical raw materials are regularly controlled in order to achieve control of the process and quality of the final product. One of the raw materials used as fuel in the steel industry is coke and its mechanical resistance characteristic (drum index) was analyzed in this study. Considering the high impact on the final cost of pig iron generated by metallurgical coke, in addition to its properties being linked to the performance of blast furnaces, it is important to increase the assertiveness of the predictability of its parameters. Based on bibliographical research and technical knowledge, this work seeks, based on statistical analysis of data on the quality of individual coals and the real parameters of the coking process, to develop a prediction model for DI (drum index). For modeling this work, the Random Forest algorithm was selected, which predicts the DI, combining the result of the decision trees through the correlation of variables. The study contributes to better predictability, management, performance and cost in the coking process. The prediction results were promising, with a 96% accuracy of the predicted values compared to the actual results, in addition the weighted average of the error presented an absolute deviation of 0.14, demonstrating its assertiveness.pt_BR
dc.contributor.authorID2019.10772pt_BR
dc.contributor.authorID2019.10741pt_BR
dc.contributor.authorID2019.10763pt_BR
Aparece nas coleções:Especialização - Ciência dos Dados

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_ModeloPrevisãoResistência.pdf1,58 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons