Classificação da temperatura do anodo de um metal líquido em um Forno Elétrico a Arco usando o método kNN

• Tiago Ferreira Pontifícia Universidade Católica do Rio de Janeiro
• Karla Figueiredo Universidade do Estado do Rio de Janeiro
• Marley Vellasco Pontifícia Universidade Católica do Rio de Janeiro

DOI: https://doi.org/10.5753/eniac.2019.9316

Resumo

As indústrias metalúrgica e siderúrgica adotam, em seus processos, fornos elétricos a arco para o refino da composição química de metais líquidos. Para tanto, faz-se necessário controlar a temperatura de anodo destes reatores, de modo que a mesma não entre em faixas excessivamente elevadas ou baixas, o que leva a perda do banho metálico ou ao desgaste precoce do refratário dos fornos. Assim, esse trabalho apresenta técnicas de Mineração de Dados e Machine Learning que solucionam o problema de classificação da temperatura do anodo em temperaturas baixas, normais e altas. Os modelos de Aprendizado de Máquina se valeram do algoritmo KNN (k-Nearest Neighbors). Três diferentes abordagens são utilizadas para criação dos modelos KNN e os resultados de cada uma delas são apresentados e discutidos.

Palavras-chave: KNN, Análise por Componentes Principais, Forno Elétrico a Arco, Aprendizado de Máquina, Classificação, Temperatura de Anodo

Referências

ABM, (1978) “Fusão em Fornos Elétricos - Princípios de Funcionamentos de Fornos Elétricos: Forno a Arco Direto, a Arco Indireto, a Resistência; Forno a Indução e Forno Especiais Processo Duplex e Triplex”. Associação Brasileira de MetaisFundição, 10ª edição.

Bergman, K., Kjellberg, B. (2001) “Arc Furnace Techonology Applied to Smelting Applications”. INFACON IX – 9ª Inter. Ferroalloys Cong., Quebec, Canadá.

Blachnik M., Mączka K., Wieczorek T. (2010) “A Model for Temperature Prediction of Melted Steel in the Electric Arc Furnace (EAF)”. Artifical Intelligence and Soft Computing. ICAISC 2010. vol 6114. Springer, Berlim, Heidelberg.

Chen, C., Liu, Ying, Kumar, M., Qin, J. (2018) “Energy Consumption Modelling Using Deep Learning Technique — A Case Study for EAF”. Elsevier. 51º CIRP Conferência em Sistemas de Manufatura. p. 1063 - 1068.

Da Costa e Silva, A. (2013) Refino dos Aços - Capítulo 7: Forno Elétrico a Arco.

Fernandéz, J. M. M., Cabal, V.A., Montequin, V.R., Balsera, J.V. (2008) “Online estimation of electric arc furnace tap temperature by using fuzzy neural networks”. Elsevier. Engineering Applications of Artificial Intelligence. p. 1001 – 1012.

Goodfellow, I., Bengio, Y., and Courville, A. (2016) Deep learning. MIT press.

Jackson, J. (1991) A User’s Guide to Principal Components, Wiley-Interscience Publication, John Wiley & Sons, Inc.

Haykin, S. (1998) Neural Networks: A Comprehensive Foundation, Prentice Hall, 2ª Edição.

Jolliffe, I. (2002) Principal Component Analysis, Springer.

Jones, R. (2011) “Smelting Applications of DC Arc Furnaces. Fray Inter. Symposium on Metals and Materials Processing in a Clean Environment”. Cancun, México.

Mourão, M. (2019) “PMT 2420 – Metalurgia Geral”, USP, São Paulo.

O’Brien, N. and Ford, M. (2018) “Practical Aspects of DC Furnace Design”. INFACON VIII, Pequim, China.

Parsian, M. (2015) Data Algorithms – Recipes for Scaling Up with Hadoop and Spark, O’Reilly Media.

Rogers, C. and Cramer, C. (1989) “Advanced Process Control for Electric Arc Furnaces”. Carnegie Mellon Research Institute, Pittsburg, Pennsylvania, EUA.

Sampaio, J. and Almeida, S. (2005) “Calcário e dolomito In: Rochas & minerais industriais: usos e especificação”, RJ: CETEM/MCT, Parte II. Cap. 15. p.327-350.