Predicting temperature in blast furnaces using machine learning regression methods

Página do item simplificado
dc.contributor.advisor1Santos, Thiago Oliveira dos
dc.contributor.advisor1IDhttps://orcid.org/0000-0001-7607-635X
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5117339495064254
dc.contributor.authorNavarro, Letícia Carvalheiro
dc.contributor.authorLatteshttp://lattes.cnpq.br/8545926240379536
dc.contributor.referee1Souza, Alberto Ferreira de
dc.contributor.referee1IDhttps://orcid.org/0000000315618447
dc.contributor.referee1Latteshttp://lattes.cnpq.br/7573837292080522
dc.contributor.referee2Cavalcanti, George Darmiton da Cunha
dc.contributor.referee2IDhttps://orcid.org/0000-0001-7714-2283
dc.contributor.referee2Latteshttp://lattes.cnpq.br/8577312109146354
dc.date.accessioned2024-05-30T01:41:29Z
dc.date.available2024-05-30T01:41:29Z
dc.date.issued2023-03-07
dc.description.abstractIn the iron and steel industry, the stable operation of blast furnaces with efficient hot metal temperature monitoring and control is a very important task in the process to generate high-quality hot metal. In general, the operation of blast furnaces mostly relies on experience based decisions of human operators, which use the most recent measures of hot metal temperature and other operational variables to execute control decisions. However, due to the large number of variables and complex interaction among them, the operation of such equipment is not an easy task. This work proposes a prediction system as the first step of a larger and more complex control system for improving the efficiency of iron production considering the scenario in Brazil. It compares several machine learning models (K-Nearest Neighbors, Linear Regression, Extreme Boosting Machine, Light Gradient Boosting Machine, Random Forest, Support Vector Machine, XGBoost, and Multilayer Perceptron) in the task of hot metal temperature prediction. A good temperature prediction system will allow to better plan the control actions ahead in order to stabilize the furnace temperature during hot metal production. The proposed method was evaluated using real-world data from an steel-producing company. Results shown that the system can predict the hot metal temperature with mean absolute error of 9.56 when compared to the baselines with mean average error of 12.61.
dc.description.resumoNa indústria siderúrgica, a operação estável dos altos-fornos com monitoramento e controle eficientes da temperatura do ferro gusa é uma tarefa muito importante no processo de geração de ferro gusa de alta qualidade. Em geral, a operação dos altos-fornos depende principalmente de decisões baseadas na experiência de operadores humanos, que usam as medidas mais recentes de temperatura do gusa líquido e outras variáveis operacionais para executar as decisões de controle. No entanto, devido ao grande número de variáveis e à complexa interação entre elas, a operação de tais equipamentos não é uma tarefa fácil. Este trabalho propõe um sistema de predição como primeiro passo de um sistema de controle maior e mais complexo para melhorar a eficiência da produção de ferro considerando o cenário brasileiro. Ele compara vários modelos de aprendizado de máquina (K-Nearest Neighbors, Linear Regression, Extreme Boosting Machine, Light Gradient Boosting Machine, Random Forest, Support Vector Machine, XGBoost e Multilayer Perceptron) na tarefa de previsão da temperatura do gusa. Um bom sistema de predição de temperatura permitirá planejar melhor as ações de controle a seguir, a fim de estabilizar a temperatura do forno durante a produção de gusa. O método proposto foi avaliado com dados reais de uma empresa siderúrgica. Resultados mostraram que o sistema conseguiu predizer a temperatura do ferro gusa com um erro médio absoluto de 9,56 comparado ao baseline que teve um erro de 12,61.
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/16772
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseMestrado em Informática
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Informática
dc.rightsopen access
dc.subjectInteligência artificial
dc.subjectAprendizado do computador
dc.subject.br-rjbnsubject.br-rjbn
dc.subject.cnpqCiência da Computação
dc.titlePredicting temperature in blast furnaces using machine learning regression methods
dc.title.alternativetitle.alternative
dc.typemasterThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
dissertacao_leticia_navarro_versao_final.pdf
Tamanho:
1.52 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Mestrado em Informática