Redes neurais artificiais para modelagem de altos-fornos.
| dc.contributor.advisor | Assis, Paulo Santos | pt_BR |
| dc.contributor.author | Carvalho, Leonard de Araújo | |
| dc.contributor.referee | Assis, Paulo Santos | pt_BR |
| dc.contributor.referee | Silva, Guilherme Liziero Ruggio da | pt_BR |
| dc.contributor.referee | Assis, Carlos Frederico Campos de | pt_BR |
| dc.contributor.referee | Oliveira, Tiago Luís | pt_BR |
| dc.contributor.referee | Martins, Máximo Eleotério | pt_BR |
| dc.contributor.referee | Murta, Jorge Luiz Brescia | pt_BR |
| dc.date.accessioned | 2020-02-14T13:40:47Z | |
| dc.date.available | 2020-02-14T13:40:47Z | |
| dc.date.issued | 2019 | |
| dc.description | Programa de Pós-Graduação em Engenharia de Materiais. Departamento de Engenharia Metalúrgica, Escola de Minas, Universidade Federal de Ouro Preto. | pt_BR |
| dc.description.abstract | O processo de redução do ferro é milenar. Desenvolvido ao longo dos séculos, ocupa, atualmente, papel de destaque no cenário produtivo mundial. No Brasil, a indústria siderúrgica se estabeleceu com uma produção expressiva, totalizando mais 30 milhões de toneladas em 2018, com impacto da ordem de 4% no PIB. A etapa do processo relacionada à obtenção de ferro-gusa é a de maior consumo de energia e custo operacional e, portanto, elemento de grande importância para estabelecer a competitividade do aço nacional. A principal forma de obtenção do ferro-gusa é via alto-forno, caracterizando-se como um processo de alta complexidade e com inúmeras variáveis a serem analisadas e controladas como, por exemplo, quantidade e qualidade da matéria-prima, temperatura de chama, troca de calor, tempo de corrida e parâmetros termodinâmicos, o que dificulta a modelagem da operação, apesar dos grandes avanços realizados na área. No que se refere a controles de processos complexos, verifica-se uma utilização crescente das redes neurais artificiais em função da sua versatilidade de aplicação e aumento da fidedignidade de respostas em comparação a outras técnicas de modelagem. A utilização de múltiplas redes neurais artificiais com características distintas para a modelagem de um processo tem a possibilidade de diminuir a margem de erro dos resultados obtidos, quando comparados com aquelas atuando de forma isolada; tal arranjo é denominado máquinas de comitê. Considerando a situação apresentada, realizou-se, neste projeto, o desenvolvimento de uma máquina de comitê para modelar três variáveis do processo de produção do gusa durante a operação de um alto-forno a coque. A máquina de comitê é composta por nove redes neurais artificiais distintas e utiliza 23 parâmetros de entrada para predizer cada uma das variáveis do estudo, a saber: i) predição do consumo de combustível (fuel rate), em função do seu impacto econômico no processo; ii) teor de silício no gusa, visando estabilidade térmica do processo; e iii) teor de enxofre, visando garantir qualidade do produto a ser entregue a aciaria. Utilizou-se a validação cruzada, do tipo k-fold, para avaliação do desempenho do modelo. Por fim, verificou-se que os resultados obtidos pela máquina de comitê foram menores do que aqueles das redes neurais atuando de forma isolada, conforme observado nos seguintes valores de Root Mean Square Error (RMSE): i) fuel rate: 4,88 (rede 1), 4,74 (rede 2), 6,14 (rede 3) e 4,67 (comitê); ii) teor de silício: 0,1061 (rede 1), 0,1266 (rede 2), 0,1120 (rede 3) e 0,0856 (comitê); iii) teor de enxofre: 0,00915 (rede 1), 0,00917 (rede 2), 0,00974 (rede 3) e 0,00726 (comitê). Considerando os resultados obtidos, o modelo pode ser utilizado para fornecer subsídios importantes no acompanhamento e tomada de decisão durante a operação. | pt_BR |
| dc.description.abstracten | The iron reduction process is ancient. Developed over the centuries, it currently occupies a prominent role in the global production scenario. In Brazil, the steel industry established itself with expressive production, totaling another 30 million tons in 2018, with an impact of around 4% on GDP. The process step related to obtaining pig iron is the one with the highest energy consumption and operating cost and, therefore, an element of great importance to establish the competitiveness of national steel. The main way to obtain pig iron is via blast furnace, characterized as a highly complex process and with numerous variables to be analyzed and controlled, such as, for example, quantity and quality of the raw material, flame temperature, heat exchange, running time and thermodynamic parameters, which makes modeling the operation difficult, despite the great advances made in the area. With regard to complex process controls, there is an increasing use of artificial neural networks due to their versatility of application and increased reliability of responses compared to other modeling techniques. The use of multiple artificial neural networks with different characteristics for the modeling of a process has the possibility of reducing the margin of error of the results obtained, when compared with those acting in isolation; such an arrangement is called committee machines. Considering the situation presented, in this project, a committee machine was developed to model three variables of the hot metal production process during the operation of a coke blast furnace. The committee machine is made up of nine different artificial neural networks and uses 23 input parameters to predict each of the study variables, namely: i) fuel consumption prediction, according to its economic impact on the process; ii) silicon content in the pig iron, aiming at thermal stability of the process; and iii) sulfur content, in order to guarantee the quality of the product to be delivered to the melt shop. K-fold cross-validation was used to assess the model's performance. Finally, it was found that the results obtained by the committee machine were lower than those of the neural networks acting in isolation, as observed in the following Root Mean Square Error (RMSE) values: i) fuel rate: 4.88 ( network 1), 4.74 (network 2), 6.14 (network 3) and 4.67 (committee); ii) silicon content: 0.1061 (network 1), 0.1266 (network 2), 0.1120 (network 3) and 0.0856 (committee); iii) sulfur content: 0.00915 (network 1), 0.00917 (network 2), 0.00974 (network 3) and 0.00726 (committee). Considering the results obtained, the model can be used to provide important support for monitoring and decision making during the operation. | pt_BR |
| dc.identifier.citation | CARVALHO, Leonard de Araújo. Redes neurais artificiais para modelagem de altos-fornos. 2019. 157 f. Tese (Doutorado em Engenharia de Materiais) – Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2019. | pt_BR |
| dc.identifier.uri | http://www.repositorio.ufop.br/handle/123456789/11908 | |
| dc.language.iso | pt_BR | pt_BR |
| dc.rights | aberto | pt_BR |
| dc.rights.license | Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 10/02/2020 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais nem a adaptação. | pt_BR |
| dc.subject | Redes neurais - computação | pt_BR |
| dc.subject | Comitê de maquinas | pt_BR |
| dc.subject | Altos - fornos | pt_BR |
| dc.subject | Combustíveis - taxa | pt_BR |
| dc.subject | Enxofre - teor | pt_BR |
| dc.title | Redes neurais artificiais para modelagem de altos-fornos. | pt_BR |
| dc.type | Tese | pt_BR |