Title

Aplicação de técnicas de aprendizado de máquina para predição da temperatura de vazamento em fornos elétricos de arco

Machine learning-based tapping temperature prediction in an Electric Arc furnace (EAF)

Authorship

GUIMARÃES, MATEUS; SILVA, PEDRO HENRIQUE DA ROCHA; COSTA, DESIREE THIELY ALVES RAMALHO; MAGALHÃES, ALFREDO RAYMUNDO DE; SEIBERT, LUCAS GABRIEL; SIBEMBERG, LUCAS SIVIERO; HIPPLER, CRISTIAN; GROSSMANN, HENRIQUE MAGALHÃES; SILVEIRA, PEDRO ERNESTO GOMIDE

GUIMARÃES, MATEUS

I am this author

SILVA, PEDRO HENRIQUE DA ROCHA

I am this author

COSTA, DESIREE THIELY ALVES RAMALHO

I am this author

MAGALHÃES, ALFREDO RAYMUNDO DE

I am this author

SEIBERT, LUCAS GABRIEL

I am this author

SIBEMBERG, LUCAS SIVIERO

I am this author

HIPPLER, CRISTIAN

I am this author

GROSSMANN, HENRIQUE MAGALHÃES

I am this author

SILVEIRA, PEDRO ERNESTO GOMIDE

I am this author

DOI

10.5151/2594-5300-44228

Downloads

Abstract

Este trabalho apresenta uma aplicação industrial de técnicas de aprendizado de máquina para a predição da temperatura de vazamento em fornos elétricos a arco (FEA), realizada na planta de Piracicaba da ArcelorMittal Brasil, visando reduzir a variabilidade térmica e melhorar a eficiência energética do processo de produção de aço. A metodologia proposta baseia-se em dois modelos supervisionados de regressão: um modelo de perda térmica (PDT), responsável por estimar a temperatura ótima de vazamento, e um modelo de consumo energético (CSE), utilizado para definir e ajustar dinamicamente o setpoint de energia durante a operação. Os modelos foram desenvolvidos a partir de dados industriais provenientes de sistemas de automação, MES e PIMS, estruturados em conjuntos de dados em nível de corrida e em nível de medição, com aplicação de técnicas de pré-processamento e de engenharia de atributos para o tratamento de dados faltantes e ruidosos. Os resultados mostraram um aumento de aproximadamente 30% no percentual de corridas dentro da faixa de ±10 °C e uma redução de cerca de 22% no erro energético médio por corrida, além de menor variabilidade térmica, indicando melhorias na estabilidade e na previsibilidade do processo.

This work presents an industrial application of machine learning techniques for predicting tapping temperature in Electric Arc Furnaces (EAF), carried out at the Piracicaba plant of ArcelorMittal Brasil, aiming to reduce thermal variability and improve energy efficiency in the steelmaking process. The proposed methodology is based on two supervised regression models: a thermal loss model (PDT), responsible for estimating the optimal tapping temperature, and an energy consumption model (CSE), used to define and dynamically adjust the energy setpoint during operation. The models were developed using industrial data from automation systems, MES, and PIMS, structured at both heat-level and measurement-level datasets, with data preprocessing and feature engineering techniques applied to handle missing and noisy data. The results showed an increase of approximately 30% in the percentage of heats within the ±10 °C range and a reduction of about 22% in average energy error per heat, along with reduced thermal variability, indicating improvements in process stability and predictability.

Keywords

Forno Elétrico a Arco, Aprendizado de Máquina, Temperatura de Vazamento, Eficiência Energética

Electric Arc Furnace, Machine Learning, Tapping Temperature, Energy Efficiency