ISSN 2594-357X
54º Seminário de Redução de Minérios e Matérias-Primas — Vol. 54 , num. 54 (2026)
Título
Autoria
DOI
Downloads
Resumo
A competitividade no setor siderúrgico global impulsiona a adoção de tecnologias capazes de reduzir custos operacionais sem comprometer a qualidade dos produtos. Nesse contexto, o custo do mix de carvões representa uma das principais alavancas de competitividade nas coquerias, dado seu peso significativo no custo de fabricação do ferro-gusa. Este trabalho apresenta uma estratégia tecnológica que combina aprendizado de máquina e programação linear matemática para predição da qualidade do coque metalúrgico e otimização do custo do mix de carvões em uma usina siderúrgica integrada. A base de dados abrange o período entre janeiro de 2018 e dezembro de 2025, totalizando 2776 registros de duas coquerias, com 33 variáveis de entrada e 6 índices de qualidade do coque como saídas. Cinco algoritmos foram avaliados no modo multi-output, sendo o Random Forest selecionado por apresentar melhor desempenho. O módulo de otimização formula o problema minimizando o custo total do mix sujeito a restrições estratégicas, resultando em redução de 3% a 5% no custo por tonelada de carvão utilizada, mantendo os índices de qualidade dentro das especificações operacionais, com impacto direto na competitividade do processo produtivo e na redução do custo de fabricação do ferro-gusa.
The competitiveness in the global steel industry drives the adoption of technologies capable of reducing operational costs without compromising product quality. In this context, the coal blend cost represents one of the main competitiveness levers in coking plants, given its significant share in hot metal manufacturing costs. This work presents a technological strategy combining machine learning and mathematical linear programming for predicting metallurgical coke quality and optimizing coal blend cost in an integrated steelmaking plant. The dataset spans January 2018 to December 2025, comprising 2776 operational records from two coking plants, with 33 input variables and 6 coke quality indices as outputs. Five algorithms were evaluated in multi-output mode; Random Forest was selected for its superior performance. The optimization module formulates the problem minimizing total blend cost subject to strategic constraints, resulting in a 3% to 5% reduction in cost per ton of coal used, while maintaining quality indices within operational specifications, with direct impact on production competitiveness and hot metal manufacturing cost reduction.
Palavras-chave
Coque metalúrgico, Aprendizado de máquina, Programação Linear, Otimização de misturas
Metallurgical coke, Machine learning, Linear programming, Blend optimization
Como citar
Campos, Denilson Gomes; Silva, Guilherme Liziero Ruggio da; Coura, Dimas Pereira; Assis, Paulo Santos.
Otimização do Mix de Carvões: Um Framework Híbrido Industrial baseado em Machine Learning e Programação Linear,
p. 60-71.
In: 54º Seminário de Redução de Minérios e Matérias-Primas,
São Paulo, SP - Brasil,
2026.
ISSN: 2594-357X, DOI 10.5151/2594-357X-43181
