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

Detalhes bibliográficos
Ano de defesa: 2013
Autor(a) principal: David, Sayd Farage
Orientador(a): Machado, Marcelo Lucas Pereira
Banca de defesa: Não Informado pela instituição
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