Título

REDES NEURAIS PERCEPTRON MULTICAMADAS COMO MÉTODO DE PREVISÃO DO FENÔMENO DE AUTORREDUÇÃO UTILIZANDO BIOMASSA COMO AGENTE REDUTOR

MULTILAYER PERCEPTRON NEURAL NETWORKS AS A METHOD FOR PREDICTING THE SELF-REDUCTION PHENOMENON USING BIOMASS AS REDUCING AGENT

Autoria

Medeiros, Giulio Antunes de; Silva, Leonardo Martins da; Castro, José Adilson de

DOI

10.5151/2594-357X-39863

Downloads

Baixar Artigo 24 Downloads

Resumo

A maior parte da produção mundial de ferro metálico se destina a produção do aço, no entanto, entre os processos ditos convencionais, unidades como as coquerias, plantas de sinterização e sobretudo altos-fornos são consideradas altamente poluentes, com elevados níveis de emissão de substâncias como o dióxido de carbono (CO2), as dibenzodioxinas ploricloradas e dibenzofuranos policlorados (PCDD/F), NOx e SOx, caminhando no sentido contrário de resoluções como o Protocolo de Kyoto (1997), complemento da Convenção-Quadro das Nações Unidas sobre Mudança do Clima (UNFCCC) que definem a redução na emissão de gases de efeito-estufa. Surgindo como alternativa de produção sustentável em diversos processos, a utilização de pelotas autorredutoras baseia-se fortemente na eliminação da necessidade de um agente redutor externo, incluindo-o diretamente no aglomerado e permitindo a redução do consumo de coque ao substituí-lo por alternativas mais limpas, como as biomassas. No presente trabalho, a cinética global de redução para pelotas autorredutoras contendo biomassa como fonte de carbono foi analisada por meio da construção de modelos de redes neurais perceptron multicamadas e de ensaios cinéticos experimentais utilizados como referência. Para isso, desenvolveu-se redes neurais construídas a partir de 100 ou 1000 neurônios fixos, e ainda redes com números de neurônios variáveis segundo algoritmo, podendo possuir entre 3 e 100 neurônios, ou entre 10 e 1000 neurônios. A previsão da fração reduzida por meio de redes neurais demonstrou considerável desempenho para previsão dos ensaios cinéticos para ensaios de até 12 minutos em todos os níveis de temperatura analisados. A rede fixa de 1000 neurônios apresentou a melhor precisão na previsão da extensão de redução.

 

Most of the world's production of metallic iron is used for steel production, however, among the so-called conventional processes, units such as coke ovens, sintering plants and, above all, blast furnaces are considered highly polluting, with high levels of emission of substances such as carbon dioxide (CO2), plychlorinated dibenzodioxins and polychlorinated dibenzofurans (PCDD/F), NOx and SOx, moving in the opposite direction of resolutions such as the Kyoto Protocol (1997), a complement to the United Nations Framework Convention on Climate Change (UNFCCC) that define the reduction in the emission of greenhouse gases. Appearing as an alternative for sustainable production in several processes, the use of self-reducing pellets is strongly based on eliminating the need for an external reducing agent, including it directly in the agglomerate and allowing a reduction in coke consumption when replacing it with cleaner more efficient alternatives such as biomasses. In the present work, the global kinetics of reduction for self-reducing pellets containing biomass as a carbon source was analyzed through the construction of multilayer perceptron neural network models and experimental kinetic tests used as a reference. For this, neural networks built from 100 or 1000 fixed neurons were developed, as well as networks with variable numbers of neurons according to an algorithm, which had between 3 and 100 neurons, or between 10 and 1000 neurons. The prediction of the reduced fraction through neural networks showed considerable performance for predicting the kinetic tests for time inputs of up to 12 minutes at all analyzed temperature levels. The fixed network of 1000 neurons showed the best accuracy in predicting the extent of reduction.

Palavras-chave

Autorredução; Biomassa; Redes Neurais MLP; Produção de ferro.

Self-reduction; Biomass; MLP Neural Networks; Ironmaking.