Avaliação de modelos de previsão da qualidade de coque baseado em abordagem de mineração de dados e aprendizado de máquina

• Autor(a) principal: Oliveira, Diestéfano Souza
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/267714
• topic: Engenharia metalúrgica; Coque metalúrgico; Modelos de previsão; Aprendizado de máquina; Mineração de dados; coke; machine learning; data mining; predictive machines; CSR; CRI

Os coques metalúrgicos precisam possuir alta resistência mecânica e baixa reatividade, devido ao seu papel estrutural indispensável no alto-forno, usado na produção de ferro-gusa. No entanto, os carvões minerais que produzem coques de alta qualidade estão se tornando cada vez mais escassos e caros, ao mesmo tempo em que há pressões para reduzir as emissões de gases de efeito estufa na indústria. O cenário futuro para o uso de coque na metalurgia sugere uma tendência de redução gradual do seu uso no reator. Isso significa que o coque restante precisa ter qualidade superior. Para alcançar esse objetivo, é crucial compreender os parâmetros mais relevantes no processo de coqueificação e otimizar as misturas de carvão. As ferramentas computacionais mais modernas podem ajudar a facilitar esse processo, uma vez que conseguem lidar com um grande volume de dados e esgotar as possibilidades propostas na literatura. Procurou-se, então, avaliar o desempenho de modelos de aprendizado de máquina para previsão de CRI e CSR a partir de dados de carvão e misturas. Com esse objetivo em mente, foi realizado um processo de mineração de dados para limpar e processar dados operacionais de quatro anos. Isso foi seguido por uma etapa de engenharia de parâmetros, visitando diversos métodos de previsão de qualidade dos coques Então, foi realizada uma seleção de parâmetros relevantes que tentam explicar a variabilidade dos dados. Em seguida, usando técnicas simples de regressão e aprendizado de máquina, foram desenvolvidos cinco modelos de previsão para a reatividade do coque (CRI) e mais cinco para a resistência mecânica após reações (CSR). Além disso, a capacidade dos modelos foi avaliada por meio de validação cruzada, e houve uma tentativa de compreender a importância de cada um dos parâmetros considerados relevantes a partir dos valores SHAP. Os resultados mostraram limitações na base de dados utilizada, sobretudo ao considerar os parâmetros escolhidos para explicar os índices, que destoam da literatura. Ainda assim, os resultados demonstraram que o modelo é suficiente para prever a qualidade do coque com cerca de 60% de confiabilidade, de acordo com a métrica de validação cruzada utilizada. Também foi observado que os valores extremos, onde há poucas amostras de dados e fatores externos podem influenciar a qualidade da mistura, tendem a aumentar os erros observados