Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/5813
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorLeite, Harlei Miguel de Arrudapt_BR
dc.contributor.authorMachado, Leandro Ferreira-
dc.date.accessioned2023-08-16T15:01:12Z-
dc.date.available2023-08-16T15:01:12Z-
dc.date.issued2023pt_BR
dc.identifier.citationMACHADO, Leandro Ferreira. Utilização de técnicas de aprendizado de máquina no processo de produção de sínter para os altos-fornos. 2023. 44 f. Monografia (Especialização em Ciência de Dados) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2023.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/5813-
dc.description.abstractEste trabalho descreve uma estrutura metodológica para o desenvolvimento de modelos baseados em técnicas de aprendizado de máquina para aplicação no processo de sinterização de uma usina siderúrgica de grande porte. A estrutura proposta compreende modelos analíticos capazes de extrair padrões e tendências nos dados das áreas de sinterização e matérias-primas, a fim de gerar previsões relacionadas à qualidade do sínter produzido, produtividade do processo, consumo de combustíveis e emissão de particulados. O objetivo destes modelos é suportar as decisões operacionais de ajuste de processo e contribuir para um melhor desempenho do sínter nos altos-fornos. Inicialmente, foi proposto um modelo piloto para prever o principal índice de qualidade do sínter, representado pelo shatter test. Diversos algoritmos de aprendizado de máquina foram testados, incluindo Regressão Linear, Regressão Polinomial, Árvores de Decisão, Ensemble Learning e Redes Neurais Artificiais (RNA). O desempenho dos modelos foi comparado utilizando a métrica de Mean Absolute Error (MAE). Entre os algoritmos testados para previsão do shatter, o Random Forests apresentou o melhor desempenho. O modelo obteve um MAE de 0,31 e exibiu um comportamento gráfico aceitável ao comparar as previsões com os valores reais do conjunto de testes, indicando sua aplicabilidade prática. Os resultados obtidos neste trabalho demonstram que a estrutura proposta foi capaz de aprender com os dados das sinterizações e matérias-primas. Além disso, esta estrutura permite a integração com os demais modelos sugeridos, sendo uma ferramenta flexível e aplicável para as sinterizações.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectAltos-fornospt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectSinterizaçãopt_BR
dc.subjectUsinas siderúrgicaspt_BR
dc.titleUtilização de técnicas de aprendizado de máquina no processo de produção de sínter para os altos-fornos.pt_BR
dc.typeTCC-Especializaçãopt_BR
dc.contributor.refereeLeite, Harlei Miguel de Arrudapt_BR
dc.contributor.refereeFonseca, George Henrique Godim dapt_BR
dc.contributor.refereeLeite, Sarah Negreiros de Carvalhopt_BR
dc.description.abstractenThis work describes a methodological structure for the development of models based on machine learning techniques for application in the sintering process of a large steel plant. The proposed structure comprises analytical models capable of extracting patterns and trends in data from the sintering and raw materials areas, in order to generate forecasts related to the quality of the sinter produced, process productivity, fuel consumption and particulate emissions. The objective of these models is to support the operational decisions of process adjustment and contribute to a better performance of the sinter in the blast furnaces. Initially, a pilot model was proposed to predict the main sinter quality index, represented by the shatter test. Several machine learning algorithms were tested, including Linear Regression, Polynomial Regression, Decision Trees, Ensemble Learning and Artificial Neural Networks (ANN). The performance of the models was compared using the Mean Absolute Error (MAE) metric. Among the algorithms tested for shatter prediction, Random Forests presented the best performance. The model obtained a MAE of 0.31 and exhibited an acceptable graphical behavior when comparing the predictions with the actual values of the test set, indicating its practical applicability. The results obtained in this work demonstrate that the proposed structure was able to learn from the sintering and raw material data. In addition, this structure allows integration with the other suggested models, being a flexible and applicable tool for sintering.pt_BR
dc.contributor.authorID2019.10769pt_BR
Aparece nas coleções:Especialização - Ciência dos Dados

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_UtilizaçãoTécnicaAprendizado.pdf2,84 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons