Title

Monitoramento on-line de propriedades metalúrgicas do coque via visão computacional e aprendizado de máquina: Uma abordagem para estabilidade de alto-forno

Online Monitoring of Metallurgical Coke Properties Using Computer Vision and Machine Learning: An Approach to Blast Furnace Stability

Authorship

MARTINS, MARCO AURELIO SOARES; SOUZA, EDWIN WILKER CHAVES; PINTO, DANIEL MAGALHÃES; SILVA, ARTHUR DE SOUZA VILELA; MARCIANO, NADIA GIOVANNA MARTINS; CUNHA, JEAN TADEU DE MIRANDA; FERREIRA, KELLY CRISTINA

MARTINS, MARCO AURELIO SOARES

I am this author

SOUZA, EDWIN WILKER CHAVES

I am this author

PINTO, DANIEL MAGALHÃES

I am this author

SILVA, ARTHUR DE SOUZA VILELA

I am this author

MARCIANO, NADIA GIOVANNA MARTINS

I am this author

CUNHA, JEAN TADEU DE MIRANDA

I am this author

FERREIRA, KELLY CRISTINA

I am this author

DOI

10.5151/2594-357X-43940

Downloads

Abstract

O presente trabalho apresenta um estudo detalhado sobre a viabilidade e implementação de um sistema de monitoramento contínuo das propriedades metalúrgicas do coque (CSR, CRI e Umidade) utilizando sensores ópticos e inteligência artificial. A metodologia baseia-se na correlação entre o espectro de tons de cinza da superfície do coque e sua microestrutura de carbono (anisotropia). Os resultados demonstram que o sistema supera as limitações de frequência e a variabilidade intrínseca de ±2 pontos dos ensaios laboratoriais convencionais. Através de uma jornada de calibração iniciada em 2021, o modelo atingiu um erro médio quadrático normalizado (nRMSE) de 0,080 para o CSR, consolidando-se como uma ferramenta de suporte à decisão que permite ajustes proativos na operação e redução de custos operacionais

Optical sensors and artificial intelligence. The methodology is based on the correlation between the grayscale spectrum of the coke surface and its carbon microstructure, particularly anisotropy. The results show that the system overcomes the frequency limitations and the intrinsic variability of ±2 points associated with conventional laboratory tests. Through a calibration process initiated in 2021, the model achieved a normalized root mean square error (nRMSE) of 0.080 for CSR, consolidating itself as a decision-support tool that enables proactive operational adjustments and reductions in operating costs.

Keywords

Coque metalúrgico, CSR, CRI, Visão computacional, Aprendizado de máquina, Monitoramento on-line

Metallurgical coke, CSR, CRI, Computer vision, Machine learning, Online monitoring