APLICAçãO DE TéCNICAS DE APRENDIZADO DE MáQUINA NA PREDIçãO DA COMPOSIçãO QUíMICA DE RECEITAS METáLICAS: APPLICATION OF MACHINE LEARNING TECHNIQUES IN THE PREDICTION OF CHEMICAL COMPOSITION OF METALLIC CHARGE RECIPES

COM A ALTA CONCORRÊNCIA NO SETOR SIDERÚRGICO, AS EMPRESAS TÊM BUSCADO MELHORIAS EM SEUS PROCESSOS PARA REDUZIR O NÚMERO DE PERDAS E, ASSIM, MAXIMIZAR OS LUCROS. UM DOS MOTIVOS QUE CAUSAM PERDAS DE PROCESSO NESSAS INDÚSTRIAS, PRINCIPALMENTE NAS SIDERURGICAS DE AÇOS ESPECIAIS, É O SUCATEAMENTO DA PRODUÇÃO DEVIDO AO DESVIO DE COMPOSIÇÃO QUÍMICA QUE PODE OCORRER EM ALGUMAS ETAPAS DO PROCESSO, COMO POR EXEMPLO, NA PREPARAÇÃO DA CARGA DE SUCATA. COM O OBJETIVO DE FORNECER UM MEIO DE AUXILIAR NA SELEÇÃO DE RECEITAS DE SUCATA, ESTE ESTUDO BUSCOU CRIAR UM ALGORITMO DE APRENDIZADO DE MÁQUINA QUE FOSSE CAPAZ DE PREVER A COMPOSIÇÃO QUÍMICA DAS RECEITAS E ASSIM AUXILIAR NO PROCESSO DE SELEÇÃO. A BASE DE DADOS UTILIZADA FOI DE UMA MULTINACIONAL SIDERÚRGICA E FORAM COMPARADOS SEIS ALGORITMOS DIFERENTES PARA PREVER OS VALORES DE MOLIBDÉNIO E NÍQUEL. DEPOIS DE EFETUADAS AS PREVISÕES, OS MODELOS FORAM VALIDADOS COMPARANDO-OS COM OS DADOS REAIS OBTIDOS DURANTE DOIS MESES DE PRODUÇÃO. VERIFICOU-SE QUE O MODELO RANDOM FOREST FORNECEU OS MELHORES RESULTADOS PARA AMBOS OS ELEMENTOS, COM UMA PRECISÃO DE APROXIMADAMENTE 80%.

With the high competition in the steel sector, companies have been seeking improvements in their processes to reduce the number of losses and thus maximize profits. One of the reasons that cause process losses in these industries, especially in the automotive steel, is the scrapping of production due to the deviation of chemical composition that can occur in some steps of the process, for example, in the preparation of the scrap charge. In order to provide a means to assist in the selection of scrap recipes, this study sought to create a machine learning algorithm that would be able to predict the chemical composition of the recipes and thus assist in the selection process. The database used was from a multinational steel company and six different algorithms were compared to predict the values of molybdenum and nickel. After the predictions were made, the models were validated by comparing them with the real data obtained during two months of production. It was found that the Random Forest model provided the best results for both elements, with an accuracy of approximately 80%.

Palavras-chave

aPRENDIZADO DE MÁQUINA; APRENDIZADO SUPERVISIONADO; RECEITAS DE CARGA FRIA; FORNO ELÉTRICO A ARCO

Machine learning; Supervised learning; Metallic charge recipes; Electric arc furnace

Como citar

Zanca, João Pedro Peruchi; Azevedo, Luiz Maurício Barreto de; Silva, Aneirson Francisco da. APLICAçãO DE TéCNICAS DE APRENDIZADO DE MáQUINA NA PREDIçãO DA COMPOSIçãO QUíMICA DE RECEITAS METáLICAS , p. 439-451. In: 52º Seminário de Aciaria, Fundição e Metalurgia de Não-Ferrosos, São Paulo, 2023.
ISSN: 2594-5300 , DOI 10.5151/2594-5300-39743