Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/7023
Título: Aplicação de redes neurais artificiais para predição do consumo de combustível em um alto-forno a coque de uma empresa de grande porte.
Autor(es): Mota, Moacir Andretti Sabino
Orientador(es): Assis, Paulo Santos
Membros da banca: Carvalho, Leonard de Araújo
Silva, Guilherme Liziero Ruggio da
Assis, Paulo Santos
Palavras-chave: Alto-forno
Gusa
Inteligência artificial
Redes neurais
Fuel rate
Data do documento: 2021
Referência: MOTA, Moacir Andretti Sabino. Aplicação de redes neurais artificiais para predição do consumo de combustível em um alto-forno a coque de uma empresa de grande porte. 2021. 55 f. Monografia (Graduação em Engenharia Metalúrgica) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2021.
Resumo: A indústria siderúrgica no Brasil possui significativa importância para economia nacional. Somente no ano de 2018 foram produzidas 30 milhões de toneladas de aço. Com tamanha produção a siderurgia representou cerca de 4% do PIB nesse mesmo ano. O processo de produção de aço é altamente complexo e possui incontáveis variáveis inerentes a diversidade de rotas até a entrega do produto final. Inserido na rota conhecida como redução, o alto-forno é um reator com muitas variáveis de processo que, por sua vez, são responsáveis por garantir a qualidade e a competitividade do produto final conhecido como ferro gusa. Dentre essas variáveis podemos citar: o consumo específico de carbono - responsável por garantir viabilidade econômica do processo -, e o teor de silício de enxofre no gusa, esses são os principais indicadores de qualidade do gusa. Diante desse contexto surge então a necessidade de criar métodos consistentes e precisos para controlar tais indicadores. O objetivo deste trabalho é a criação de uma máquina de comitê compostas por três modelos de redes neurais para predição do consumo de carbono específico. Como resultado final, verificou-se que o modelo apresentou o valor de RMSE 4,67 para o consumo específico de carbono. De posse desses valores foi possível constatar a relevância do modelo para a comunidade acadêmica, uma vez que os mesmos foram os mais promissores encontrados na literatura até o presente momento.
Resumo em outra língua: The steel industry in Brazil has significant importance for the national economy. In 2018 alone, 30 million tons of steel were produced. With such production, the steel industry represented around 4% of GDP that same year. The steel production process is highly complex and has countless variables inherent to the diversity of routes until the final product is delivered. Inserted in the route known as reduction, the blast furnace is a reactor with many process variables that, in turn, are responsible for guaranteeing the quality and competitiveness of the final product known as pig iron. Among these variables we can mention: the specific carbon consumption - responsible for ensuring the economic viability of the process - and the sulfur silicon content in the pig iron, these are the main indicators of the quality of the pig iron. Given this context, the need to create consistent and precise methods to control such indicators arises. The objective of this work is to create a committee machine composed of three neural network models to predict specific carbon consumption. As a final result, it was found that the model presented a value of RMSE 4.67 for specific carbon consumption. With these values in hand, it was possible to verify the relevance of the model for the academic community, since they were the most promising found in the literature to date.
URI: http://www.monografias.ufop.br/handle/35400000/7023
Aparece nas coleções:Engenharia Metalúrgica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_AplicaçãoRedesNeurais.pdf2,45 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.