Blast Furnace Control Planning by Hierarchical Similarity Search in Historical Data
Nome: LUCAS LUPPI AMORIM
Data de publicação: 17/06/2026
Banca:
Nome |
Papel |
|---|---|
| DAVID MENOTTI GOMES | Examinador Externo |
| DIEGO ROBERTO COLOMBO DIAS | Examinador Interno |
| FILIPE WALL MUTZ | Coorientador |
| FRANCISCO DE ASSIS BOLDT | Examinador Externo |
| THIAGO OLIVEIRA DOS SANTOS | Presidente |
Páginas
Resumo: Controlar a temperatura do ferro-gusa (Hot Metal Temperature, HMT) em altos-fornos é uma tarefa crítica na indústria siderúrgica, pois influencia significativamente a qualidade do produto, a segurança operacional e a eficiência do processo. Devido ao grande número de variáveis envolvidas e à dinâmica complexa do sistema, esse controle é tradicionalmente realizado por operadores humanos experientes. Este trabalho apresenta um sistema de controle baseado em dados que aproveita registros históricos de operadores por meio de uma estratégia hierárquica de busca pelos vizinhos mais próximos. O sistema seleciona sequências de controle anteriores que (i) levaram a uma variação desejada da temperatura, (ii) partiram de um estado do forno semelhante ao atual e (iii) são consistentes com ações aplicadas recentemente. Com base na sequência selecionada, um novo plano de controle com múltiplos passos é gerado. O método não depende de um modelo explícito do alto-forno, tornando-o adequado para avaliação em ambientes simulados. Como testes diretos em um alto-forno em operação envolvem restrições operacionais e de segurança significativas, o comportamento do forno foi simulado utilizando modelos de aprendizado de máquina, incluindo Regressão Linear, Partial Least Squares, Random Forest, XGBoost, LightGBM e redes neurais LSTM. Os resultados experimentais mostram que o sistema é capaz de controlar a temperatura com precisão sob uma variedade de condições, incluindo diferentes estados iniciais e temperaturas-alvo.
Além disso, este trabalho apresenta uma configuração do sistema de controle que incorpora um mecanismo de filtragem baseado na extrapolação das variáveis de controle ao longo do conjunto de dados histórico. Esse refinamento ajuda a reduzir o impacto dos limites operacionais de controle na geração das sequências. Como estudo complementar, também é investigada uma estratégia alternativa de filtragem por similaridade baseada em embeddings aprendidos, na qual amostras históricas são comparadas em uma representação de baixa dimensão aprendida por uma rede neural. O trabalho também apresenta uma extensa avaliação de estabilidade do sistema, com a adição de diferentes níveis de ruído na saída dos modelos de forno, permitindo uma análise aprofundada de sua estabilidade e robustez. Experimentos com diferentes modelos de aprendizado de máquina que simulam o alto-forno mostram que este novo método oferece melhor estabilidade e precisão para todos os modelos testados e para diferentes níveis de ruído.
