Utilização de técnicas de aprendizado de máquina supervisionado para a previsão do desgaste do revestimento refratário de um conversor de aço à oxigênio.

• Ano de defesa: 2024
• Autor(a) principal: Klotz, Luccas Esper
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de dados; Aprendizado computacional; Data analysis; Desgaste de revestimentos; Indústria siderúrgica; Lining wear; Machine learning; Materiais refratários; Refractory materials; Steel industry
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3133/tde-06052024-080850/

Este estudo explora o uso de técnicas de aprendizado de máquina supervisionado para abordar a previsão do desgaste de revestimentos refratários em conversores LD, uma questão crucial na indústria siderúrgica. Os materiais refratários são extremamente importantes nesta indústria devido à sua resistência em condições extremas, e seu desempenho influencia diretamente e indiretamente os custos de produção do aço, além da segurança operacional. Com a evolução das técnicas de análise de dados, o aprendizado de máquina apresenta-se como uma solução promissora frente às limitações das abordagens estatísticas clássicas, especialmente em contextos em que a quantidade de características de processo é vasta e a distribuição dos dados não segue padrões estatísticos convencionais. No contexto deste estudo, utilizaram-se dados de um conversor LD de uma usina siderúrgica integrada localizada no Brasil. O tratamento dos dados envolveu eliminar outliers e variáveis irrelevantes ou incorretas. Os dados utilizados podem ser separados em dados de processo e medidas de espessura do revestimento, que precisaram ser relacionados e, para isso, agrupamentos de corridas foram feitos para adequar as diferenças de frequência de coleta dos dois grupos de dados. A principal ferramenta utilizada para o tratamento de dados e modelagem foi Python, empregando bibliotecas como scikit-learn e TensorFlow. Na modelagem, aplicaram-se os algoritmos de regressão linear, polinomial, Lasso, Ridge, Elastic Net, KNN, SVR, árvores de decisão e redes neurais artificiais (RNAs). Utilizou-se grid search e cross-validation para otimizar cada algoritmo. Além de ajustar os modelos, conduziu-se treinamento com diferentes conjuntos de características, incluindo todas as disponíveis, seleção via eliminação recursiva de variáveis (RFE) e aquelas com correlação de Pearson significativa com a variável alvo. Os melhores algoritmos foram combinados em modelos de aprendizado conjunto. Os resultados evidenciaram a inadequação dos modelos lineares, enquanto abordagens que modelam relações não lineares, como SVR, KNN e RNAs, demonstraram desempenho superior. Entre os diferentes modelos e combinações de características, o melhor resultado obtido foi o aprendizado em conjunto de SVR com KNN, alcançando um R² de 0,21, indicando que o aprendizado em conjunto pode gerar modelos superiores aos individuais. Devido à pequena quantidade de dados disponíveis, foi feita uma análise com relação a quantidade de dados que mostra que com uma maior quantidade seria possível obter coeficientes de determinação sensivelmente maiores. Este trabalho contribui para a indústria não pela precisão na previsão do desgaste do revestimento, mas pelo seu extenso exame de várias técnicas de aprendizado de máquina. A investigação detalhada sobre o desempenho de diferentes metodologias enriquece o corpo de conhecimento técnico e oferece uma base sólida para futuras pesquisas.