Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/6811
Title: Predição do teor de carbono na descarbonetação de aços elétricos de grão orientado utilizando técnicas de aprendizado de máquina.
Authors: Mourão, Mário Sérgio
Moreira, Fernanda Maria Nunes
Souza, Felipe Caetano Cordeiro de
metadata.dc.contributor.advisor: Leite, Sarah Negreiros de Carvalho
metadata.dc.contributor.referee: Leite, Sarah Negreiros de Carvalho
Almeida, Adriano Alex de
Souza, Alexandre Magno de
Keywords: Aço - metalurgia
Análise de regressão
Aprendizado do computador
Inteligência artificial
Redes neurais - computação
Issue Date: 2024
Citation: MOURÃO, Mário Sérgio; MOREIRA, Fernanda Maria Nunes; SOUZA, Felipe Caetano Cordeiro de. Predição do teor de carbono na descarbonetação de aços elétricos de grão orientado utilizando técnicas de aprendizado de máquina. 2024. 31 f. Monografia (Especialização em Ciência de Dados) - Instituto de Ciências Exatas e Aplicadas. Universidade Federal de Ouro Preto. João Monlevade, 2024.
Abstract: Uma das etapas finais na produção de aço elétrico de grão orientado é a descarbonetação, que evita o envelhecimento magnético. O processo em si é o recozimento primário do material laminado em um forno horizontal, sob controle de temperatura, pressão, tração e umidade, de modo que a quantidade de carbono seja reduzida e o tamanho de grãos sejam otimizados. O equipamento funciona com parâmetros pré-estabelecidos que resultam em um valor médio final. Isto dificulta o controle para um resultado de descarbonetação ótimo. Neste trabalho foram desenvolvidos modelos de predição de teor de carbono pré-processo na linha de descarbonetação do aço GO, visando mitigar a produção de produtos não conformes. A metodologia adotada neste estudo envolveu a utilização de um banco de dados exportado do sistema integrado de produção como fonte primária de informações. Os dados foram submetidos a um processo de tratamento e análise por meio de técnicas avançadas, incluindo árvores de decisão e redes neurais. Essas abordagens permitiram a identificação de padrões complexos e a modelagem preditiva necessária para entender e otimizar os processos de produção. Os resultados alcançados, especialmente com a utilização da rede neural MLP, demonstraram um desempenho promissor, com um MAE de 1,81 ppm, que está abaixo da margem de erro do equipamento de análise de carbono. Contudo, é importante destacar que este trabalho concentrou-se exclusivamente na previsão do teor de carbono com base na matéria-prima e nos parâmetros de processo, sendo necessário avançar nas análises de modo a tornar o modelo efetivamente integrável à linha de produção. A MLP apresentou resultados promissores, atendendo às necessidades do processo. Isso é evidenciado pelo fato de que o erro médio absoluto (MAE) do modelo é inferior à margem de erro de medição da análise de carbono, estabelecida em 2,00 ppm.
metadata.dc.description.abstracten: One of the final stages in the production of grain-oriented electrical steel is decarburization, which involves reducing carbon levels to decrease the material’s magnetic loss. The process itself entails annealing the rolled material in a horizontal furnace, under controlled temperature, pressure, tension, and humidity, aiming to decrease the quantity and size of carbon precipitates. The equipment operates with pre-established parameters resulting in a final average value, making it challenging to control for optimal decarburization results. In this study, prediction models for pre-process carbon content in the GO steel decarburization line were developed to mitigate the production of non-conforming products. The achieved results, particularly with the use of the MLP neural network, showed promising performance, with an MAE of 1.81 ppm, below the carbon analysis equipment’s margin of error. However, it’s essential to highlight that this work focused solely on predicting carbon content based on raw materials and process parameters, necessitating further analysis to integrate the model into the production line effectively.
URI: http://www.monografias.ufop.br/handle/35400000/6811
metadata.dc.rights.license: Este trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).
Appears in Collections:Especialização - Ciência dos Dados

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_PrediçãoTeorCarbono.pdf2,6 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.