Modelo preditivo de alvura final em estágio de branqueamento de polpa celulósica.

Abstract

O objetivo deste trabalho é demonstrar a viabilidade de modelos preditivos de alvura em estágios de branqueamento de celulose e identificar as principais variáveis de entrada úteis para essa predição. O trabalho foi desenvolvido na empresa Suzano Papel e Celulose, unidade de Aracruz – ES, líder global na produção de celulose de eucalipto e uma das maiores fabricantes de papéis no mercado internacional. Esta pesquisa busca avaliar a eficácia de diferentes técnicas de aprendizado de máquina com foco na aplicação prática desses modelos em processos industriais para melhorar a precisão das previsões de alvura, a qual é um parâmetro crítico para a qualidade do produto final. Foram aplicados três modelos de aprendizado de máquina, a saber: Regressão Linear, XGBoost, e LightGBM. Os resultados mostram que os métodos do estado da arte como XGBoost e LightGBM alcaçaram um R 2 de 0.80 e são 25% melhores que a Regressão linear. Isso demonstra a superioridade de modelos baseados em árvores de decisão para capturar relações não lineares e complexas entre as variáveis. O modelo XGBoost foi utilizado para aplicação da previsão da alvura no PI System que coleta e gerencia dados da planta provenientes dos sistemas PLC e SDCD. Essa integração demonstra a viabilidade da aplicação de modelos de predição avançados em processos de produção em tempo real. Por fim, a aplicação do modelo no sistema contribui para a otimização do processo, redução de custos e, principalmente, na melhoria da qualidade do produto final.