Redes neurais artificiais para modelagem de altos-fornos.

Abstract

O processo de redução do ferro é milenar. Desenvolvido ao longo dos séculos, ocupa, atualmente, papel de destaque no cenário produtivo mundial. No Brasil, a indústria siderúrgica se estabeleceu com uma produção expressiva, totalizando mais 30 milhões de toneladas em 2018, com impacto da ordem de 4% no PIB. A etapa do processo relacionada à obtenção de ferro-gusa é a de maior consumo de energia e custo operacional e, portanto, elemento de grande importância para estabelecer a competitividade do aço nacional. A principal forma de obtenção do ferro-gusa é via alto-forno, caracterizando-se como um processo de alta complexidade e com inúmeras variáveis a serem analisadas e controladas como, por exemplo, quantidade e qualidade da matéria-prima, temperatura de chama, troca de calor, tempo de corrida e parâmetros termodinâmicos, o que dificulta a modelagem da operação, apesar dos grandes avanços realizados na área. No que se refere a controles de processos complexos, verifica-se uma utilização crescente das redes neurais artificiais em função da sua versatilidade de aplicação e aumento da fidedignidade de respostas em comparação a outras técnicas de modelagem. A utilização de múltiplas redes neurais artificiais com características distintas para a modelagem de um processo tem a possibilidade de diminuir a margem de erro dos resultados obtidos, quando comparados com aquelas atuando de forma isolada; tal arranjo é denominado máquinas de comitê. Considerando a situação apresentada, realizou-se, neste projeto, o desenvolvimento de uma máquina de comitê para modelar três variáveis do processo de produção do gusa durante a operação de um alto-forno a coque. A máquina de comitê é composta por nove redes neurais artificiais distintas e utiliza 23 parâmetros de entrada para predizer cada uma das variáveis do estudo, a saber: i) predição do consumo de combustível (fuel rate), em função do seu impacto econômico no processo; ii) teor de silício no gusa, visando estabilidade térmica do processo; e iii) teor de enxofre, visando garantir qualidade do produto a ser entregue a aciaria. Utilizou-se a validação cruzada, do tipo k-fold, para avaliação do desempenho do modelo. Por fim, verificou-se que os resultados obtidos pela máquina de comitê foram menores do que aqueles das redes neurais atuando de forma isolada, conforme observado nos seguintes valores de Root Mean Square Error (RMSE): i) fuel rate: 4,88 (rede 1), 4,74 (rede 2), 6,14 (rede 3) e 4,67 (comitê); ii) teor de silício: 0,1061 (rede 1), 0,1266 (rede 2), 0,1120 (rede 3) e 0,0856 (comitê); iii) teor de enxofre: 0,00915 (rede 1), 0,00917 (rede 2), 0,00974 (rede 3) e 0,00726 (comitê). Considerando os resultados obtidos, o modelo pode ser utilizado para fornecer subsídios importantes no acompanhamento e tomada de decisão durante a operação.