Predição da temperatura de domo em um regenerador utilizando algoritmos de aprendizado supervisionado

• Ano de defesa: 2024
• Autor(a) principal: Ferreira, Fabrício Ribeiro
• Orientador(a): Rezendo, Leandro Colombi
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Aprendizado de máquina; Siderurgia; K-Nearest neighbors (KNN); Light gradient-boosting machine (LightGBM); Hot blast stove I
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/5720

Este trabalho realiza estudo comparativo de técnicas de aprendizado de máquina e analisa a aplicação de diversos modelos de aprendizado de maquina na predição da temperatura do domo de regeneradores durante os ciclos de on-gas e on-blast em uma usina siderúrgica integrada, visto que o consumo de gases durante o período de queima (on-blast) e aquecimento dos tijolos refratários (on-gas), não apenas impacta diretamente nos custos operacionais, mas também acarreta significativas implicações ambientais, e a predição de temperatura do domo de um regenerador permitirá atualizar adequadamente o plano de ação, reajustando as variáveis para atingir a temperatura de domo alvo com maior eficiência energética. O modelo utiliza os valores das variáveis de entrada, definidos pelos operadores e coletadas pelos sensores, para prever a temperatura do domo após 36 minutos, dado osetup atual. Diferentemente de todos os trabalhos encontrados na literatura, as temperatura de domo do passado registrada na base de dados nesta investigação não permitem predizer a temperatura do domo no futuro, o que impossibilita o uso de algoritmos especializados que consideram essa característica. Utilizando uma base de dados fornecida por uma siderúrgica no Brasil, inicialmente foi realizada uma pré-seleção de atributos por meio de entrevistas com especialistas, seguida do uso do método de Análise de Componentes Principais (PCA). O pré-processamento incluiu a remoção de registros duplicados e de outliers usando o Intervalo Interquartil (IRQ) e a imputação de valores faltantes com a média móvel de uma janela fixa que considerou as 24 amostras anteriores, a técnica Min-Max Scaling foi aplicada para normalizar os valores, transformando as variáveis do conjunto para a escala. Para o treinamento dos modelos, foi utilizado o método de validação cruzada, dividindo a base em 80% dos dados para treino e 20% para teste. Os modelos foram avaliados com métricas como R2 e RMSE, após ajustes de hiperparâmetros via Grid Search CV e k-fold de 5. O LightGBM e o XGBoost apresentaram, respectivamente, os melhores resultados para R2 de 0, 87040695 e 0, 83274270 e RMSE de 3, 0538916 e 3, 2550260. Os resultados indicam uma eficácia significativa dos modelos, com uma ligeira vantagem do LightGBM.