Título

PREVISÃO DE TEMPERATURA DE BOBINAMENTO DE AÇOS LAMINADOS A QUENTE UTILIZANDO REDES NEURAIS ARTIFICIAIS

PREVISÃO DE TEMPERATURA DE BOBINAMENTO DE AÇOS LAMINADOS A QUENTE UTILIZANDO REDES NEURAIS ARTIFICIAIS

Autoria

Barcelos, Glaucio Barros; Vieira, Douglas Alexandre Gomes; Saldanha, Rodney Rezende; Miranda, Luciano Lellis

DOI

10.5151/2594-5335-23866

Downloads

Baixar Artigo 286 Downloads

Resumo

Durante a produção de bobinas de aço em uma laminação a quente o controle da temperatura de bobinamento do material é de suma importância para o processo. A sua variação pode causar mudanças de propriedades mecânicas e micro-estruturas dos materiais, gerando materiais com não conformidades, o que pode gerar perdas. Este trabalho visa contribuir para melhoria deste processo através da aplicação de modelagem numérica e inteligência computacional na estimativa do coeficiente de transferência de calor por convecção do leito de resfriamento e, consequentemente, na previsão de temperaturas de bobinamento. Utilizando métodos numéricos e de otimização, o coeficiente de transferência de calor por convecção é determinado para cada amostra coletada. Finalmente, uma rede neural é aplicada para definir as relações entre as variáveis de processo (espessura, fluxo de água, entre outras) e o coeficiente de transferência de calor por convecção estimado. Os resultados são comparados com alguns modelos encontrados na literatura e mostram que a abordagem proposta teve desempenho superior.

 

During the production of steel coils in a hot rolling, the coiling material temperature control is of paramount importance to the process. Its variation can cause changes in the materials mechanical properties and microstructures, producing materials with nonconformities which may generate waste. This work aims to contribute to improving this process through the application of numerical modeling and computational intelligence in the estimate of the convective heat transfer coefficient from the run-out cooling table and predicting coiling temperatures. Using numerical methods and optimization, the convective heat transfer coefficient is determined for each collected sample. Finally, a neural network is applied to define the relationships between process variables (thickness, water flow, etc.) and the estimated convective heat transfer coefficient. The results are compared with other models found in the literature and they show that the proposed approach has superior performance.

Palavras-chave

Modelagem matemática; Leito de resfriamento; Otimização; Método numérico; Método de diferenças finitas; Rede neural artificial; Laminação a quente.

Mathematical modeling; Run-out cooling table; Optimization; Numerical method; Finite difference method; Artificial neural network; Hot rolling mill.