ISSN 2594-5335
28º Seminário de Automação e TI — Vol. 28 , num. 28 (2026)
Título
Autoria
DOI
Downloads
Resumo
Este trabalho propõe um framework híbrido baseado em Physics-Guided Neural Networks (PGNNs) para reconstrução e previsão do desgaste refratário em canais de corrida de alto-forno utilizando dados industriais reais. O objetivo foi desenvolver uma abordagem capaz de integrar variáveis operacionais do processo siderúrgico com restrições físicas inspiradas nos mecanismos de desgaste do revestimento refratário, reduzindo a dependência de grandes volumes de dados e melhorando a capacidade de generalização do modelo. A metodologia empregou dados industriais de campanhas reais contendo variáveis térmicas, químicas e operacionais, como temperatura, vazão e composição química do gusa/escória. O modelo foi estruturado a partir de uma equação diferencial ordinária que descreve a evolução da espessura refratária ao longo da campanha, incorporada diretamente à função de perda da rede neural. Além disso, foram utilizados termos de regularização física e um fator adaptativo α para ajuste da taxa de desgaste. Os resultados demonstraram elevada capacidade de reconstrução contínua do desgaste a partir de medições discretas, apresentando erros inferiores a 7% em campanhas não utilizadas no treinamento. A abordagem mostrou robustez frente a dados industriais ruidosos e potencial para aplicações em monitoramento preditivo, suporte à tomada de decisão e desenvolvimento de gêmeos digitais para refratários na siderurgia.
This work proposes a hybrid framework based on Physics-Guided Neural Networks (PGNNs) for the reconstruction and prediction of refractory wear in blast furnace runners using real industrial data. The main objective was to develop an approach capable of integrating operational process variables with physics-based constraints inspired by refractory degradation mechanisms, reducing dependence on large datasets while improving model generalization. The methodology employed industrial campaign data containing thermal, chemical, and operational variables, including temperature, flow rate, and hot metal/slag chemical composition. The model was structured from an ordinary differential equation describing the evolution of refractory thickness throughout the campaign, which was directly incorporated into the neural network loss function. In addition, physical regularization terms, and an adaptive correction factor α were introduced to improve wear rate calibration and numerical stability. The results demonstrated a high capability for continuous wear reconstruction from sparse measurements, achieving prediction errors below 7% in unseen validation campaigns. The proposed framework also showed robustness against noisy and incomplete industrial data. The methodology presents strong potential for predictive monitoring, industrial decision support, and the development of digital twins for refractory systems in the steel industry.
Palavras-chave
Physics-Guided Neural Networks, Desgaste refratário, Alto-forno, Aprendizado guiado por física, Gêmeo digital
Physics-Guided Neural Networks, Refractory Wear, Blast Furnace, Physics-Informed Machine Learning, Digital Twin
Como citar
Matos, Diego Santiago; Bittencourt, Tiago Seixas; Bomfim, Danilo Augusto; Hespanhol, Deivison Carlos Fontes; Menezes, Mario Olimpio de; Mathias, Marlon Sproesser; Oliveira, Alisson Paulo de.
Redes Neurais guiadas por física para reconstrução e previsão de desgaste de refratários em canais de corrida,
p. 127-138.
In: 28º Seminário de Automação e TI,
São Paulo, SP - Brasil,
2026.
ISSN: 2594-5335, DOI 10.5151/2594-5335-43332
