Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais
| Ano de defesa: | 2013 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://repositorio.ifes.edu.br/xmlui/handle/123456789/291 |
Resumo: | RESUMO: O crescente foco na eficiência do processo de redução em altos fornos gera a uma alteração em sua forma de operação. Isso modifica as condições de transferência de silício e enxofre para o ferro gusa, podendo gerar problemas quanto ao valor agregado de seu produto. Para avaliar as alterações dos parâmetros operacionais do processo de redução sobre as condições de transferência de silício e enxofre foi implementado um modelo matemático baseado em redes neurais artificiais. Através desse modelo foi possível predizer o teor de silício e enxofre e determinar a influencia de cada parâmetro operacional. Os parâmetros mais significativos foram determinadas através de uma revisão bibliográfica sobre cada mecanismos de transferência e outros modelamentos matemáticos. As redes neurais artificiais foram capazes de predizer o teor de silício e enxofre através de parâmetros do processo de redução em altos fornos, e isso foi verificado pela precisão modelo. Além disso, comparando com os modelos estudados temos que as Redes Neurais possuem uma melhor capacidade de predição. A arquitetura da Rede Neural é um importante parâmetro, pois influência diretamente na sua capacidade de predição. Para essa RNA a configuração das funções de transferência mais adequada foi a função tangente hiperbólica na camada escondida e a exponencial na camada de saída. O número de neurônios na camada escondida foi de 17. As variáveis usadas para predizer o teor de silício e enxofre no ferro gusa foram significativas, pois o modelo apresentou uma boa correlação entre os valores reais e os calculados pela rede neural. Para predizer o teor de silício a Temperatura Teórica de Chama, Pressão de Sopro, Coke Rate e Velocidade de Produção de Gusa são as mais significativas. Para o teor de enxofre a quantidade de enxofre carregado, a Velocidade de Produção de Gusa e o teor de CaO e MgO na escória foram as mais importantes. |
| id |
IFES-2_819e4e0832ec7568a126a02a4b6782eb |
|---|---|
| oai_identifier_str |
oai:repositorio.ifes.edu.br:123456789/291 |
| network_acronym_str |
IFES-2 |
| network_name_str |
Repositório Institucional do IFES |
| repository_id_str |
|
| spelling |
David, Sayd FarageMachado, Marcelo Lucas Pereira2018-03-07T16:40:25Z2018-03-07T16:40:25Z2013DAVID, Sayd Farage. Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais. 2013. 87 f. Dissertação (Mestrado em Engenharia Metalúrgica e de Materiais) - Instituto Federal do Espírito Santo, Vitória, 2013.https://repositorio.ifes.edu.br/xmlui/handle/123456789/29130004012001P0RESUMO: O crescente foco na eficiência do processo de redução em altos fornos gera a uma alteração em sua forma de operação. Isso modifica as condições de transferência de silício e enxofre para o ferro gusa, podendo gerar problemas quanto ao valor agregado de seu produto. Para avaliar as alterações dos parâmetros operacionais do processo de redução sobre as condições de transferência de silício e enxofre foi implementado um modelo matemático baseado em redes neurais artificiais. Através desse modelo foi possível predizer o teor de silício e enxofre e determinar a influencia de cada parâmetro operacional. Os parâmetros mais significativos foram determinadas através de uma revisão bibliográfica sobre cada mecanismos de transferência e outros modelamentos matemáticos. As redes neurais artificiais foram capazes de predizer o teor de silício e enxofre através de parâmetros do processo de redução em altos fornos, e isso foi verificado pela precisão modelo. Além disso, comparando com os modelos estudados temos que as Redes Neurais possuem uma melhor capacidade de predição. A arquitetura da Rede Neural é um importante parâmetro, pois influência diretamente na sua capacidade de predição. Para essa RNA a configuração das funções de transferência mais adequada foi a função tangente hiperbólica na camada escondida e a exponencial na camada de saída. O número de neurônios na camada escondida foi de 17. As variáveis usadas para predizer o teor de silício e enxofre no ferro gusa foram significativas, pois o modelo apresentou uma boa correlação entre os valores reais e os calculados pela rede neural. Para predizer o teor de silício a Temperatura Teórica de Chama, Pressão de Sopro, Coke Rate e Velocidade de Produção de Gusa são as mais significativas. Para o teor de enxofre a quantidade de enxofre carregado, a Velocidade de Produção de Gusa e o teor de CaO e MgO na escória foram as mais importantes.ABSTRACT: The increased focus on the process efficiency reduction in blast furnaces generates a change in the way they operate. This modifies the transfer conditions of silicon and sulfur in hot metal, this can cause problems as the aggregate value of their product. To evaluate changes in the operating parameters of the transfer condition in the reduction process of the silicon and sulfur, it was developed a mathematical model based on artificial neural networks. Through this model it was possible to predict the silicon content and sulfur and to determine the influence of each operating parameter. The most significant parameters were determined from literature review on each transfer mechanisms and from other mathematical modeling. Artificial neural networks were able to predict the silicon and sulfur content through the reduction parameters in blast furnaces, and this was confirmed by the accuracy of the model. Furthermore, comparing with the other models studied, the Artificial Neural Networks showed the better predictive capacity. The neural network architecture is an important parameter because it directly influences its predict capacity. For this RNA the most appropriate configuration of the transfer functions were the hyperbolic tangent function in the hidden layer and the exponential in the output layer. The best number of neurons in the hidden layer was 17. The variables used to predict the silicon and sulfur contents in hot metal were significant because the model showed a good agreement between the actual values and the calculated by the neural network. To predict the silicon content, the Theoretical Flame Temperature, blowing Pressure, Coke Rate and hot metal production rate are the most significant. To predict the sulfur the content, the sulfur charged, the hot metal production rate and CaO and MgO in the slag were the most important.porFerro fundidoRedes neurais (Computação)Altos-fornosSilícioEnxofreAnálise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do IFESinstname:Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES)instacron:IFESCampus VitóriaPrograma de Pós-graduação em Engenharia Metalúrgica e de MateriaisORIGINALDISSERTAÇÃO_Análise_influência_fatores_operacionais.pdfDISSERTAÇÃO_Análise_influência_fatores_operacionais.pdfapplication/pdf2436638https://repositorio.ifes.edu.br/bitstreams/5c45c1c9-f4bd-4673-bf9d-a7fe86ab0aa0/download3f713fd8d9467b499295e41f00ee21aeMD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ifes.edu.br/bitstreams/0359c8bc-7c3e-4c7a-9e8f-2ff7d2a84bdd/download8a4605be74aa9ea9d79846c1fba20a33MD52falseAnonymousREADTEXTDISSERTAÇÃO_Análise_influência_fatores_operacionais.pdf.txtDISSERTAÇÃO_Análise_influência_fatores_operacionais.pdf.txtExtracted texttext/plain133615https://repositorio.ifes.edu.br/bitstreams/d7f92770-4891-42bb-91b4-833ec3dd954a/download49db889f2cb2502d5beaf54eafab46f1MD53falseAnonymousREADTHUMBNAILDISSERTAÇÃO_Análise_influência_fatores_operacionais.pdf.jpgDISSERTAÇÃO_Análise_influência_fatores_operacionais.pdf.jpgGenerated Thumbnailimage/jpeg2048https://repositorio.ifes.edu.br/bitstreams/ea9ebbee-be9a-4daf-91fe-548321e18a61/download08c536d2e18e9da2690c89e59dd0ca01MD54falseAnonymousREAD123456789/2912019-06-18T19:36:37.293Zopen.accessoai:repositorio.ifes.edu.br:123456789/291https://repositorio.ifes.edu.brRepositório InstitucionalPUBhttps://repositorio.ifes.edu.br/server/oai/requestrepositorio@ifes.edu.bropendoar:2019-06-18T19:36:37Repositório Institucional do IFES - Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES)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 |
| dc.title.pt_BR.fl_str_mv |
Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais |
| title |
Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais |
| spellingShingle |
Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais David, Sayd Farage Ferro fundido Redes neurais (Computação) Altos-fornos Silício Enxofre |
| title_short |
Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais |
| title_full |
Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais |
| title_fullStr |
Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais |
| title_full_unstemmed |
Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais |
| title_sort |
Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais |
| author |
David, Sayd Farage |
| author_facet |
David, Sayd Farage |
| author_role |
author |
| dc.contributor.author.fl_str_mv |
David, Sayd Farage |
| dc.contributor.advisor1.fl_str_mv |
Machado, Marcelo Lucas Pereira |
| contributor_str_mv |
Machado, Marcelo Lucas Pereira |
| dc.subject.por.fl_str_mv |
Ferro fundido Redes neurais (Computação) Altos-fornos Silício Enxofre |
| topic |
Ferro fundido Redes neurais (Computação) Altos-fornos Silício Enxofre |
| description |
RESUMO: O crescente foco na eficiência do processo de redução em altos fornos gera a uma alteração em sua forma de operação. Isso modifica as condições de transferência de silício e enxofre para o ferro gusa, podendo gerar problemas quanto ao valor agregado de seu produto. Para avaliar as alterações dos parâmetros operacionais do processo de redução sobre as condições de transferência de silício e enxofre foi implementado um modelo matemático baseado em redes neurais artificiais. Através desse modelo foi possível predizer o teor de silício e enxofre e determinar a influencia de cada parâmetro operacional. Os parâmetros mais significativos foram determinadas através de uma revisão bibliográfica sobre cada mecanismos de transferência e outros modelamentos matemáticos. As redes neurais artificiais foram capazes de predizer o teor de silício e enxofre através de parâmetros do processo de redução em altos fornos, e isso foi verificado pela precisão modelo. Além disso, comparando com os modelos estudados temos que as Redes Neurais possuem uma melhor capacidade de predição. A arquitetura da Rede Neural é um importante parâmetro, pois influência diretamente na sua capacidade de predição. Para essa RNA a configuração das funções de transferência mais adequada foi a função tangente hiperbólica na camada escondida e a exponencial na camada de saída. O número de neurônios na camada escondida foi de 17. As variáveis usadas para predizer o teor de silício e enxofre no ferro gusa foram significativas, pois o modelo apresentou uma boa correlação entre os valores reais e os calculados pela rede neural. Para predizer o teor de silício a Temperatura Teórica de Chama, Pressão de Sopro, Coke Rate e Velocidade de Produção de Gusa são as mais significativas. Para o teor de enxofre a quantidade de enxofre carregado, a Velocidade de Produção de Gusa e o teor de CaO e MgO na escória foram as mais importantes. |
| publishDate |
2013 |
| dc.date.issued.fl_str_mv |
2013 |
| dc.date.accessioned.fl_str_mv |
2018-03-07T16:40:25Z |
| dc.date.available.fl_str_mv |
2018-03-07T16:40:25Z |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.citation.fl_str_mv |
DAVID, Sayd Farage. Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais. 2013. 87 f. Dissertação (Mestrado em Engenharia Metalúrgica e de Materiais) - Instituto Federal do Espírito Santo, Vitória, 2013. |
| dc.identifier.uri.fl_str_mv |
https://repositorio.ifes.edu.br/xmlui/handle/123456789/291 |
| dc.identifier.capes.none.fl_str_mv |
30004012001P0 |
| identifier_str_mv |
DAVID, Sayd Farage. Análise da influência dos fatores operacionais dos altos fornos sobre o teor do silício e enxofre no ferro gusa por meio de redes neurais artificiais. 2013. 87 f. Dissertação (Mestrado em Engenharia Metalúrgica e de Materiais) - Instituto Federal do Espírito Santo, Vitória, 2013. 30004012001P0 |
| url |
https://repositorio.ifes.edu.br/xmlui/handle/123456789/291 |
| 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.source.none.fl_str_mv |
reponame:Repositório Institucional do IFES instname:Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES) instacron:IFES |
| instname_str |
Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES) |
| instacron_str |
IFES |
| institution |
IFES |
| reponame_str |
Repositório Institucional do IFES |
| collection |
Repositório Institucional do IFES |
| bitstream.url.fl_str_mv |
https://repositorio.ifes.edu.br/bitstreams/5c45c1c9-f4bd-4673-bf9d-a7fe86ab0aa0/download https://repositorio.ifes.edu.br/bitstreams/0359c8bc-7c3e-4c7a-9e8f-2ff7d2a84bdd/download https://repositorio.ifes.edu.br/bitstreams/d7f92770-4891-42bb-91b4-833ec3dd954a/download https://repositorio.ifes.edu.br/bitstreams/ea9ebbee-be9a-4daf-91fe-548321e18a61/download |
| bitstream.checksum.fl_str_mv |
3f713fd8d9467b499295e41f00ee21ae 8a4605be74aa9ea9d79846c1fba20a33 49db889f2cb2502d5beaf54eafab46f1 08c536d2e18e9da2690c89e59dd0ca01 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositório Institucional do IFES - Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES) |
| repository.mail.fl_str_mv |
repositorio@ifes.edu.br |
| _version_ |
1865654653570514944 |