ISSN 2594-5300
54rd Seminar on Steelmaking, Casting and Non-Ferrous Metallurgy — Vol. 54, Num. 54 (2025)
Title
Authorship
DOI
Downloads
Abstract
Este estudo propõe um modelo baseado em Machine Learning para prever a densidade de aços carbono à temperatura ambiente utilizando unicamente a sua composição química. O modelo foi treinado com dados de densidade de mais de 190.000 placas, calculados a partir de medições obtidas por balanças industriais e escaneamento dimensional a laser. O pré-processamento dos dados incluiu a filtragem de outliers por meio do algoritmo Isolation Forest e a seleção de atributos utilizando a técnica Recursive Feature Elimination (RFE), que identificou os principais elementos de liga com influência na densidade. Os valores de densidade foram discretizados em 11 classes, de forma a facilitar sua implementação em sistemas industriais. O modelo de Machine Learning baseado em Árvore de Decisão alcançou um erro absoluto médio (MAE) de aproximadamente 0,27%, com alta acurácia e baixa taxa de falsos positivos. Essa metodologia permite uma estimativa mais precisa da densidade do aço em aplicações críticas, contribuindo para a automação, logística e controle de qualidade nos ambientes de produção siderúrgica. O modelo foi exportado como uma estrutura de lógica condicional (“if-then”), possibilitando a integração direta com sistemas operacionais sem a necessidade de bibliotecas externas. Os resultados evidenciam a importância de ferramentas preditivas avançadas para substituir assunções fixas de densidade, mesmo em condições padronizadas de produção.
THIS STUDY PROPOSES A MACHINE LEARNING-BASED MODEL TO PREDICT THE DENSITY OF CARBON STEELS AT AMBIENT TEMPERATURE USING ONLY THEIR CHEMICAL COMPOSITION. THE MODEL WAS TRAINED ON DENSITY DATA FROM MORE THAN 190,000 SLABS, CALCULATED USING MEASUREMENTS FROM SLAB BALANCES AND LASER-BASED DIMENSIONAL SCANNING. DATA PREPROCESSING INCLUDED OUTLIER FILTERING VIA THE ISOLATION FOREST ALGORITHM AND FEATURE SELECTION THROUGH RECURSIVE FEATURE ELIMINATION, WHICH IDENTIFIED THE KEY ALLOYING ELEMENTS INFLUENCING DENSITY. THE DENSITY VALUES WERE DISCRETIZED INTO 11 CLASSES TO FACILITATE IMPLEMENTATION IN INDUSTRIAL SYSTEMS. THE DECISION TREE MACHINE LEARNING MODEL ACHIEVED A MEAN ABSOLUTE ERROR OF APPROXIMATELY 0.27%, WITH HIGH ACCURACY AND LOW FALSE PREDICTION RATES. THIS METHODOLOGY ENABLES MORE PRECISE STEEL DENSITY ESTIMATION IN CRITICAL APPLICATIONS, ENHANCING AUTOMATION, LOGISTICS, AND QUALITY CONTROL IN STEEL PRODUCTION ENVIRONMENTS. THE MODEL WAS EXPORTED AS A CONDITIONAL LOGIC STRUCTURE, ALLOWING SEAMLESS INTEGRATION INTO OPERATIONAL SYSTEMS WITHOUT REQUIRING EXTERNAL LIBRARIES. THE RESULTS HIGHLIGHT THE NEED FOR ADVANCED PREDICTIVE TOOLS TO REPLACE FIXED-DENSITY ASSUMPTIONS, EVEN UNDER STANDARDIZED PRODUCTION CONDITIONS.
Keywords
Densidade do Aço, Machine Learning, Árvore de Decisão, Modelagem Preditiva
Steel Density, Machine Learning, Decision Tree, Predictive Modeling
How to cite
Ramstorfer, Franz; Bastos, Crislaine Soares.
PREVISÃO DA DENSIDADE DO AÇO À TEMPERATURA AMBIENTE UTILIZANDO MACHINE LEARNING,
p. 762-770.
In: 54rd Seminar on Steelmaking, Casting and Non-Ferrous Metallurgy,
São Paulo, Brasil,
2025.
ISSN: 2594-5300, DOI 10.5151/2594-5300-42572