Title

Previsão de emissões atmosféricas em usina de pelotização: Estudo comparativo entre Gradient Boosting e redes neurais profundas

Atmospheric emissions forecasting in a pelletizing plant: A comparative study between Gradient Boosting and deep neural networks

Authorship

MIRANDA, JORGE METRI; HUPP, FABRÍCIO DARDEGNO; BIANCHI, MACIEL RODRIGUES ROCHA; ROCHA, HELDER ROBERTO DE OLIVEIRA

MIRANDA, JORGE METRI

I am this author

HUPP, FABRÍCIO DARDEGNO

I am this author

BIANCHI, MACIEL RODRIGUES ROCHA

I am this author

ROCHA, HELDER ROBERTO DE OLIVEIRA

I am this author

DOI

10.5151/2594-5335-43557

Downloads

Abstract

A previsão de emissões atmosféricas em usinas de pelotização do setor mineral brasileiro constitui desafio crítico para o controle ambiental, exigindo modelos preditivos capazes de antecipar eventos com granularidade fina. Este trabalho propõe um pipeline de previsão de plumas visíveis (identificadas genericamente como Fonte A e Fonte B) e SMOG com horizonte de 15 minutos, baseado em séries temporais de um sistema historiador de processo de duas linhas produtivas. A metodologia integra discretização temporal via soft labeling, que calcula a fração de sobreposição entre eventos assíncronos e janelas fixas de cinco minutos, e estudo comparativo sistemático entre Gradient Boosting Regressor, Multi-Layer Perceptron, TabTransformer e variante com Mixture of Experts. Os resultados demonstram que o Gradient Boosting atinge Erro Absoluto Médio Global de 0,0352, superando arquiteturas profundas em até 68%, devido à escassez de eventos raros (265 em 26.000 amostras) e à natureza tabular heterogênea do problema. A pesquisa consolida o viés indutivo favorável dos modelos baseados em árvores para monitoramento industrial em mineração e sinaliza caminhos concretos para sistemas preditivos em ambientes de operação real.

Forecasting atmospheric emissions in iron ore pelletizing plants is a critical challenge for environmental control, demanding predictive models capable of anticipating events with fine granularity. This work proposes a pipeline for forecasting visible plumes (generically identified as Source A and Source B) and SMOG with a 15-minute horizon, based on time series from a process historian system of two production lines. The methodology integrates temporal discretization via soft labelling, which computes the overlap fraction between asynchronous events and fixed five-minute windows, and a systematic comparative study among Gradient Boosting Regressor, Multi-Layer Perceptron, TabTransformer, and a Mixture of Experts variant. The results show that Gradient Boosting achieves a global Mean Absolute Error of 0.0352, outperforming deep architectures by up to 68%, due to the scarcity of rare events (265 out of 26,000 samples) and the heterogeneous tabular nature of the problem. The research consolidates the favorable inductive bias of tree-based models for industrial monitoring in mining and signals concrete paths for predictive systems in real-world operational environments.

Keywords

Aprendizado de Máquina, Séries Temporais, Pelotização, Gradient Boosting

Machine Learning, Time Series, Pelletizing, Gradient Boosting