Title

Previsão de consumo de gás natural no ltq da CSN utilizando machine learning

Natural gas consumption prediction in the ltq#2 at CSN using machine learning

Authorship

PRETTO, TATIANE; SEIBERT, LUCAS; PEREIRA, PAULO JOSÉ DOS REIS; YSHII, LUCAS NOBUMICHI; GUIMARÃES, MATEUS; LERMAN, LAURA VISINTAINER; SANTIAGO, GABRIEL AUGUSTO DE AVILA; ALVES, VINICIUS CARDILO CAMPOS; NETTO, VITOR HUGO MAIA; VELLASCO, MATTHEUS VINICIUS CORDEIRO

PRETTO, TATIANE

I am this author

SEIBERT, LUCAS

I am this author

PEREIRA, PAULO JOSÉ DOS REIS

I am this author

YSHII, LUCAS NOBUMICHI

I am this author

GUIMARÃES, MATEUS

I am this author

LERMAN, LAURA VISINTAINER

I am this author

SANTIAGO, GABRIEL AUGUSTO DE AVILA

I am this author

ALVES, VINICIUS CARDILO CAMPOS

I am this author

NETTO, VITOR HUGO MAIA

I am this author

VELLASCO, MATTHEUS VINICIUS CORDEIRO

I am this author

DOI

10.5151/2594-3626-43757

Downloads

Abstract

Esse trabalho apresenta o desenvolvimento de um modelo de machine learning (ML) para previsão de consumo diário de gás natural (GN) na laminação a quente de aços planos (LTQ) da Companhia Siderúrgica Nacional (CSN). O modelo, baseado no algoritmo CatBoost, incorpora informações de produção planejada, condições operacionais e variáveis temporais. O objetivo é aumentar a assertividade das previsões diárias, reduzindo as penalidades contratuais associadas a desvios superiores a 5% entre o consumo previsto, informado à distribuidora no início do dia, e o consumo total ao final do dia. Para o desenvolvimento do modelo, foram utilizados dados históricos de 2023 a 2025, além de um período de operação assistida com duração de 46 dias. O desempenho do modelo foi avaliado pelas métricas R², WMAPE e MAE, além de indicadores de negócio, como a proporção de dias dentro da faixa de tolerância contratual e a redução das penalidades financeiras. Os resultados foram comparados ao modelo previamente utilizado pela CSN, onde foi observada uma redução de 43% no valor total das penalidades e diminuição de 48% na média diárias dessas penalidades. Os resultados demonstram que a modelagem por ML é capaz de capturar a complexidade do processo de laminação a quente, proporcionando ganhos financeiros e operacionais sob o processo.

This work presents the development of a machine learning model to predict daily natural gas consumption in the hot strip mill of flat steel production at Companhia Siderúrgica Nacional (CSN). The model, based on the CatBoost algorithm, incorporates planned production data, operational conditions, and temporal variables. The goal is to improve the predictions accuracy, reducing contractual penalties associated with deviations over 5% between predicted consumption, reported to the gas distributor at the beginning of the day, and the total consumption at the end of the day. Historical data from 2023 to 2025 were used for model development, along with an assisted operation period of 46 days. Model performance was evaluated using R², WMAPE and MAE metrics, as well as business indicators, such as the days within the contractual tolerance range and the reduction in financial penalties. The results were compared to the previous model used by CSN, showing a 43% reduction in total penalty costs and a 48% decrease in the average daily penalties. The results demonstrate that ML-based modeling captures the complexity of the hot rolling process, leading to relevant operational and financial gains..

Keywords

Gás natural, Machine learning, Laminação a quente, Indústria siderúrgica

Natural gas, Machine learning, Steel industry, Hot strip mill