Predição do teor de carbono na descarbonetação de aços elétricos de grão orientado utilizando técnicas de aprendizado de máquina.

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.