Redes neurais artificiais para modelagem de altos-fornos.

Detalhes bibliográficos
Autor(a) principal: Carvalho, Leonard de Araújo
Data de Publicação: 2019
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFOP
Texto Completo: http://www.repositorio.ufop.br/handle/123456789/11908
Resumo: Programa de Pós-Graduação em Engenharia de Materiais. Departamento de Engenharia Metalúrgica, Escola de Minas, Universidade Federal de Ouro Preto.
id UFOP_4b76535896190a2b399a5987465089ff
oai_identifier_str oai:repositorio.ufop.br:123456789/11908
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str 3233
spelling Redes neurais artificiais para modelagem de altos-fornos.Redes neurais - computaçãoComitê de maquinasAltos - fornosCombustíveis - taxaEnxofre - teorPrograma de Pós-Graduação em Engenharia de Materiais. Departamento de Engenharia Metalúrgica, Escola de Minas, Universidade Federal de Ouro Preto.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.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.Assis, Paulo SantosAssis, Paulo SantosSilva, Guilherme Liziero Ruggio daAssis, Carlos Frederico Campos deOliveira, Tiago LuísMartins, Máximo EleotérioMurta, Jorge Luiz BresciaCarvalho, Leonard de Araújo2020-02-14T13:40:47Z2020-02-14T13:40:47Z2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfCARVALHO, 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.http://www.repositorio.ufop.br/handle/123456789/11908Autorização 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.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOP2020-02-14T13:40:47Zoai:repositorio.ufop.br:123456789/11908Repositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332020-02-14T13:40:47Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)false
dc.title.none.fl_str_mv Redes neurais artificiais para modelagem de altos-fornos.
title Redes neurais artificiais para modelagem de altos-fornos.
spellingShingle Redes neurais artificiais para modelagem de altos-fornos.
Carvalho, Leonard de Araújo
Redes neurais - computação
Comitê de maquinas
Altos - fornos
Combustíveis - taxa
Enxofre - teor
title_short Redes neurais artificiais para modelagem de altos-fornos.
title_full Redes neurais artificiais para modelagem de altos-fornos.
title_fullStr Redes neurais artificiais para modelagem de altos-fornos.
title_full_unstemmed Redes neurais artificiais para modelagem de altos-fornos.
title_sort Redes neurais artificiais para modelagem de altos-fornos.
author Carvalho, Leonard de Araújo
author_facet Carvalho, Leonard de Araújo
author_role author
dc.contributor.none.fl_str_mv Assis, Paulo Santos
Assis, Paulo Santos
Silva, Guilherme Liziero Ruggio da
Assis, Carlos Frederico Campos de
Oliveira, Tiago Luís
Martins, Máximo Eleotério
Murta, Jorge Luiz Brescia
dc.contributor.author.fl_str_mv Carvalho, Leonard de Araújo
dc.subject.por.fl_str_mv Redes neurais - computação
Comitê de maquinas
Altos - fornos
Combustíveis - taxa
Enxofre - teor
topic Redes neurais - computação
Comitê de maquinas
Altos - fornos
Combustíveis - taxa
Enxofre - teor
description Programa de Pós-Graduação em Engenharia de Materiais. Departamento de Engenharia Metalúrgica, Escola de Minas, Universidade Federal de Ouro Preto.
publishDate 2019
dc.date.none.fl_str_mv 2019
2020-02-14T13:40:47Z
2020-02-14T13:40:47Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 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.
http://www.repositorio.ufop.br/handle/123456789/11908
identifier_str_mv 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.
url http://www.repositorio.ufop.br/handle/123456789/11908
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1813002799893446656

Registros relacionados