Title

DESENVOLVIMENTO DE UMA MODELAGEM SUPERVISIONADA DE MACHINE LEARNING PARA DETERMINAçãO DO PESO DO TARUGO NA ACIARIA

DEVELOPMENT OF A SUPERVISED MACHINE LEARNING MODELING FOR DETERMINING THE BILLET WEIGHT IN THE STEELMAKING PROCESS

Authorship

FILHO, DÉCIO SARTORI FELIX; JÚNIOR, MARINO MOSCARDINI DOS PASSOS; FERREIRA, ANDREI CORRADO CURATOLI

FILHO, DÉCIO SARTORI FELIX

I am this author

JÚNIOR, MARINO MOSCARDINI DOS PASSOS

I am this author

FERREIRA, ANDREI CORRADO CURATOLI

I am this author

DOI

10.5151/2594-5335-42240

Downloads

Abstract

Mais de 90% da produção mundial de aço é realizada por lingotamento contínuo, processo sujeito a variações dimensionais que impactam a eficiência da laminação. Este trabalho propõe a utilização de visão computacional para medição da área do tarugo e aplicação de modelos supervisionados de machine learning para estimar seu peso. Foram testados modelos de regressão linear múltipla, Random Forest e Gradient Boosting Machine. O modelo de regressão linear múltipla apresentou melhor desempenho, com R² de 84% e RMSE de 1,06. A acurácia na estimativa do peso dos tarugos foi de 11% com o método atual, 46% com uma câmera e 67% com duas câmeras. Os resultados demonstram que a combinação de visão computacional e aprendizado de máquina pode substituir com precisão a pesagem direta, otimizando o processo e reduzindo perdas. A coleta de mais dados e o ajuste contínuo do modelo podem aumentar ainda mais sua robustez e precisão

OVER 90% OF GLOBAL STEEL PRODUCTION IS CARRIED OUT THROUGH CONTINUOUS CASTING, A PROCESS PRONE TO DIMENSIONAL VARIATIONS THAT AFFECT ROLLING EFFICIENCY. THIS STUDY PROPOSES USING COMPUTER VISION TO MEASURE BILLET CROSS-SECTIONAL AREA AND APPLYING SUPERVISED MACHINE LEARNING MODELS TO ESTIMATE BILLET WEIGHT. MULTIPLE LINEAR REGRESSION, RANDOM FOREST, AND GRADIENT BOOSTING MACHINE MODELS WERE TESTED. THE MULTIPLE LINEAR REGRESSION MODEL SHOWED THE BEST PERFORMANCE, WITH AN R² OF 84% AND RMSE OF 1.06. WEIGHT ESTIMATION ACCURACY WAS 11% WITH THE CURRENT METHOD, 46% USING ONE CAMERA, AND 67% USING TWO CAMERAS. RESULTS DEMONSTRATE THAT COMBINING COMPUTER VISION AND MACHINE LEARNING CAN ACCURATELY REPLACE DIRECT WEIGHING, OPTIMIZING THE PROCESS AND REDUCING WASTE. CONTINUOUS DATA COLLECTION AND MODEL REFINEMENT CAN FURTHER ENHANCE ROBUSTNESS AND ACCURACY

Keywords

Aço, Aprendizado de Máquina, Visão Computacional, Sistema de Medição por Câmeras

Steel, Machine Learning, Computer Vision, Camera-Based Measurement System