Desenvolvimento de soft sensor para predição do estado térmico do ferro gusa em alto-forno usando fuzzy c-médias e modelo exógeno auto-regressivo não linear.

• Ano de defesa: 2020
• Autor(a) principal: FONTES, Diane Otília Lima.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Ciências e Tecnologia - CCT; PÓS-GRADUAÇÃO EM ENGENHARIA QUÍMICA; UFCG
• Palavras-chave em Português: Estado Térmico; Alto Forno; Soft Sensor; FCM; NARX; Inteligência Artificial; Redes Neurais; Thermal State; Blast Furnace; Artificial Intelligence; Neural Networks; Engenharia Química
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/15281

A temperatura e a composição de silício no ferro gusa são parâmetros essenciais para o controle térmico do alto-forno. Entretanto, a estrutura física do alto-forno não permite métodos diretos e online para detectar esses parâmetros. Neste estudo, foi proposto um algoritmo híbrido usando fuzzy c-médias (FCM) e modelo exógeno auto-regressivo não linear (NARX) para construir um soft sensor capaz de prever a temperatura do gusa e o teor de silício em um intervalo de amostragem regular. O FCM é uma técnica de modelagem de dados para gerar subconjuntos similares entre si e dissimilares entre os outros subconjuntos. Sua importância se dá pelo fato de descobrir agrupamentos naturais dos dados observados, neste caso, determinar grupos de condições operacionais. O modelo neural NARX visa gerar um modelo de predição dos indicadores. O algoritmo proposto foi avaliado a partir da sua eficiência em um processo industrial de fabricação de ferro gusa em um alto-forno. Os resultados obtidos demonstraram que construir um soft sensor com modelos FCM-NARX apresenta um alto desempenho, tendo um coeficiente de determinação para a predição para a temperatura e teor de silício no gusa de 99,7% e 99,6%, respectivamente.