Investigação da generalização de pipeline para o problema da previsão do consumo de gás no processo de pelotização através de séries temporais multivariadas

• Ano de defesa: 2024
• Autor(a) principal: Melo, Thadeu Pezzin
• Orientador(a): Komati, Karin Satie
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Redes neurais; Pelotização; Consumo de gás; Aprendizado de máquina; AutoML; Machine Learning
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/5801

RESUMO O consumo de gás é parte crítica no processo de pelotização, pois reflete diretamente nos custos operacionais e no impacto ambiental decorrente de sua queima. A previsão desse consumo é uma alternativa relevante para subsidiar decisões que otimizem seu uso. Este trabalho investigou a generalização de um pipeline baseado em aprendizado de máquina para prever o consumo de gás em plantas industriais de pelotização, utilizando séries temporais multivariadas. Dados operacionais coletados ao longo de 90 dias em uma planta foram utilizados na construção de modelos preditivos que indicaram também o subconjunto de dados mais promissor para a investigação. Os resultados desses modelos foram comparados aos obtidos por um método estatístico clássico, que serviu como linha de base, e a técnicas modernas de aprendizado de máquina. A avaliação foi realizada por meio da métrica raiz quadrada do erro médio (RMSE, do inglês Root Mean Squared Error). O estudo concluiu que o pipeline empregado apresentou resultados satisfatórios e evidências de generalização. Em particular, o método de AutoML DEAP combinado com a rede neural LSTM obteve um RMSE de 0,33, reforçando a viabilidade de aplicação do pipeline na planta industrial estudada. Palavras-chave: Consumo de Gás, Pelotização, Séries Temporais Multivariadas, Redes Neurais, Seleção de características, AutoML