Alto-forno: previsão de temperatura e teor de silício de ferro gusa utilizando técnica de aprendizado de máquina

Abstract

A operação estável de um alto-forno é altamente dependente do monitoramento de parâmetros de qualidade do processo, como temperatura de ferro gusa e teor de Silício. A previsão desses parâmetros permite ao operador intervir na operação do alto-forno, pois melhora a estabilidade do processo, aumenta a produtividade e diminui o consumo de combustível. Devido à dificuldade em adquirir medições diretas a partir do estado interno agressivo do forno, abordagens que utilizam técnicas de aprendizado de máquina são um campo de pesquisa promissor, pois são capazes de aprender relações complexas a partir de dados de processo. O trabalho atual apresenta a metodologia utilizada para a preparação de dados em série temporal e de treinamento de modelos de aprendizado de máquina de um alto-forno. Uma seleção de 3 modelos diferentes de aprendizagem de máquina (Lasso, XGBoost e rede neural feed-forward) são comparados com um modelo de base ingênuo na previsão da temperatura e teor de Silício do ferro gusa para um estado futuro de 3 a 6 horas. Além disso, foram testadas frequências de reamostragem de 20 e 60 minutos na etapa de processamento de dados. Os resultados mostraram que quanto à frequência de reamostragem dos dados, 20 minutos apresentam desempenho ligeiramente melhor que 60 minutos tanto para a previsão de temperatura quanto para o teor de Silício de ferro gusa, com a desvantagem de aumentar o tempo de treinamento. Com base no desempenho bruto, verificou-se que a utilização de 20 minutos de amostragem foi a melhor opção. Quanto aos modelos, XGBoost foi o melhor modelo para a previsão de temperatura de ferro gusa no estado futuro de 6 horas e teor de Silício nos estados futuros de 3 e 6 horas. Para a temperatura de ferro gusa no estado futuro de 3 horas, as redes neurais foram o modelo com melhor desempenho.