Predicting Temperature in Blast Furnaces Using Machine Learning Regression
Methods
Nome: LETICIA CARVALHEIRO NAVARRO
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 07/03/2023
Orientador:
Nome | Papel |
---|---|
THIAGO OLIVEIRA DOS SANTOS | Orientador |
Banca:
Nome | Papel |
---|---|
THIAGO OLIVEIRA DOS SANTOS | Orientador |
ALBERTO FERREIRA DE SOUZA | Examinador Interno |
Resumo: Na indústria siderúrgica, a operação estável dos altos-fornos com monitoramento e controle eficientes da
temperatura do ferro gusa é uma tarefa muito importante no processo de geração de ferro gusa de alta qualidade.
Em geral, a operação dos altos-fornos depende principalmente de decisões baseadas na experiência de operadores
humanos, que usam as medidas mais recentes de temperatura do gusa líquido e outras variáveis operacionais para
executar as decisões de controle. No entanto, devido ao grande número de variáveis e à complexa interação entre
elas, a operação de tais equipamentos não é uma tarefa fácil. Este trabalho propõe um sistema de previsão como
primeiro passo de um sistema de controle maior e mais complexo para melhorar a eficiência da produção de ferro
considerando o cenário brasileiro. Ele compara vários modelos de aprendizado de máquina (K-Nearest Neighbors,
Linear Regression, Extreme Boosting Machine, Light Gradient Boosting Machine, Random Forest, Support Vector
Machine, XGBoost e Multilayer Perceptron) na tarefa de previsão da temperatura do gusa. Um bom sistema de
previsão de temperatura permitirá planejar melhor as ações de controle a seguir, a fim de estabilizar a temperatura
do forno durante a produção de gusa. O método proposto foi avaliado com dados reais de uma empresa siderúrgica.