Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/9572
Título: Modelos de previsão do conteúdo de silício no ferro-gusa usando redes neurais artificiais
Autor(es): Diniz, Ana Paula Miranda
Orientador: Salles, José Leandro Félix
Data do documento: 23-Mar-2018
Editor: Universidade Federal do Espírito Santo
Resumo: O teor de silício presente no ferro-gusa tem sido usado ao longo dos anos como um dos índices mais representativos do estado térmico de um alto-forno, bem como da qualidade do ferro-gusa que está sendo produzido. Trabalhos anteriores comprovam a eficiência das Redes Neurais Artificiais (RNA) no que concerne a previsão do teor de silício. Partindo desta premissa, este trabalho propõe o uso de modelos neurais para prever os elementos da série temporal do teor de silício no ferro-gusa, que devido aos atrasos de atualização das mediçõesdo teor de silício, serão utilizadoshorizontes de previsão de no mínimo 3 horas à frente e de no máximo 8 horasà frente.Serão testados modelos com e sem entradas exógenas, utilizando para a seleção das mesmas, a expertise dos operadores de alto-forno etécnicas de otimização como o Algoritmo de Poda. Além disto, visandomelhorar o desempenho das previsões, será feita a decomposição do sinal da série de silício em componentes aditivas usando a Maximal Overlap Discrete Wavelet PacketTransform(MODWPT) e, posteriormente, tais subséries serão aplicadas como entradas de modelos neurais. Os resultados obtidos com dados reais de uma indústria siderúrgica indicam que oalgoritmo híbrido apresenta resultados superiores aosdos modelosusando RNA somente com entradas exógenas.Portanto, os resultados obtidos por este trabalhopoderão antecipar ações de controle durante o processo produtivo, contribuindo não só na qualidade do produto final como também para a redução dos custos associados à sua produção.
The silicon content present in hot metalhas been used over the years as one of the most representative indices of the thermal state of a blast furnace, as well as the quality of pig iron produced. Previous work has demonstrated the efficiency of Artificial Neural Networks (ANN) in terms of prediction of silicon content. Based on this premise, this work proposes the use of neural models to predict the elements of the time series of the silicon content in the hot metal, which due to delays in updating the silicon content measurements will be used forecast horizons of at least 3 hours ahead and a maximum of 8 hours ahead.Models with and without exogenous entrances will be tested, using for their selection, the expertise of the blast furnace operators and optimization techniques such as the Pruning Algorithm. In addition, in order to improve prediction performance, the signal of the silicon series will be decomposed into additive components using the Maximal Overlap Discrete Wavelet Packet Transform (MODWPT), and later these subseries will be appliedas inputs to neural models.The results indicate that the hybrid algorithm presents superior performanceto the algorithm using only ANN. The results obtained with real data of a steel industry indicate that the hybrid algorithm presents superiorresults to the models using ANNonly with exogenous entrances.Therefore, the results obtained by this work can anticipate control actions during the production process, contributing not only to the quality of the final product but alsofor the reduction of the costs associated with its production.
URI: http://repositorio.ufes.br/handle/10/9572
Aparece nas coleções:PPGEE - Dissertações de mestrado

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tese_10911_DISSERTAÇÃO - ANA PAULA MIRANDA DINIZ.pdf6.59 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.