Dissertação Forno Panela

Modelagem Trmica de um Forno Panela utilizando Redes Neurais Articiais
Patrcia Teixeira Sampaio
Universidade Federal de Minas Gerais Escola de Engenharia Programa de Ps-Graduao em Engenharia Eltrica
Modelagem Trmica de um Forno Panela utilizando Redes Neurais Articiais

Patrcia Teixeira Sampaio
Orientador: Prof. Dr. Antnio de Pdua Braga
Dissertao de Mestrado submetida Banca Examinadora designada pelo Programa de PsGraduao em Engenharia Eltrica da Universidade Federal de Minas Gerais - PPGEE/UFMG, como requisito parcial obteno do ttulo de Mestre em Engenharia da Eltrica.
Belo Horizonte dezembro/2006
Dedico este trabalho aos meus pais Dilson e Eneide, minhas fontes de inspirao e admirao
vi
Agradecimentos
Agradeo primeiramente aos meus pais, Dilson e Eneide, pela sabedoria com que conduziram os meus passos, guiando-me busca constante pelo conhecimento. Pelo amor e apoio incondicionais e pela compreenso nos momentos de ausncia, o meu muito obrigada. Agradeo aos meus irmos, Chris e Andr, pelo carinho e apoio que sempre me deram. Agradeo ao Rodrigo, meu grande amor e amigo de todas as horas, pelas inmeras palavras de incentivo e carinho e pela experincia e direcionamento nos momentos de dvida e angstia. Agradeo ao meu orientador Prof. Antnio Braga, pelas palavras sbias nos momentos adequados, que no me deixaram desistir deste sonho. Obrigada pela experincia, pelo conhecimento e pela conana que me foram transmitidas durante todo o desenvolvimento desse trabalho. Agradeo ao Takeshi, coordenador do Forno Panela da V&M do Brasil, pelo apoio ao projeto desde a sua concepo at a implantao, e pelo suporte tcnico s diversas dvidas metalrgicas que surgiram durante o desenvolvimento. Agradeo aos meus amigos e colegas de trabalho pela pacincia, compreenso e apoio de sempre. Agradeo aos colegas do LITC pela ajuda nos momentos necessrios. Agradeo V&M do Brasil pela concesso do meu tempo durante todo curso de mestrado e pelo apoio nanceiro dado ao projeto. Agradeo aos funcionrios do CPDEE pelo prossionalismo com que sempre conduziram as questes burocrticas relacionadas ao mestrado. Finalmente, agradeo a todos que contriburam para a realizao deste sonho. A vocs, o meu muito obrigada!
vii
viii
Resumo
s siderrgicas nacionais esto investindo cada vez mais na constru-
o de usinas hidreltricas ou termoeltricas em parceria com as concessionrias regionais com o objetivo principal de deter o crescimento do custo energtico nos seus negcios. Com isso, todas as aes que visam a busca de alternativas para a reduo do consumo energtico e o aumento da produtividade nas siderurgias tornaram-se temas prioritrios de pesquisa e desenvolvimento. O forno panela da V&M uma das maiores unidades consumidoras de energia na siderurgia, consumindo em mdia 2.400 MWh por ms. Devido complexidade do processo, a busca pela otimizao do sistema tornou-se de difcil implementao a partir de tcnicas convencionais. No entanto, aplicaes de inteligncia computacional vm sendo utilizadas cada vez mais como ferramentas de modelagem de processos de difcil abordagem. Desta forma, devido no-linearidade do processo do forno panela, ao baixo conhecimento de sua dinmica e alta variabilidade observada do consumo energtico especco, deniu-se o uso de redes neurais articiais como uma ferramenta de modelagem e previso. Este trabalho de dissertao busca demonstrar a aplicabilidade do emprego das redes neurais articiais em problemas industriais complexos, atravs da previso da temperatura do ao durante o processo de reno secundrio de um forno panela. O trabalho comprova a capacidade de generalizao da rede neural, obtendo erro mdio menor que o erro mdio especicado pelo instrumento de medio da temperatura do ao. Alm disso, este trabalho demonstra que a utilizao efetiva do modelo trmico resultar em ganhos de produtividade, reduo do custo energtico e operacional.
ix
Abstract
he national steel industries are investing in construction of hydroelectric or thermo electrical power stations in partnership with the energy companies with the objective of energy cost reduction in their business. Then, actions that search alternatives of energy consumption reduction and increase the productivity became priority for research and development. The ladle furnace of V&M is one of the largest consuming units of energy in the steel plant, consuming 2.400 MWh on average a month. Due to the process complexity, system optimization became difcult to be implemented using conventional techniques. However, applications of computational intelligence have been used as auxiliary tools or main tools to modeling process with difcult approach. Due to the low knowledge of ladle furnace dynamics and the high variability of specic energy consumption, the use of neural networks was dened as a modeling tool. This work demonstrates the use of neural networks in complex industrial problems through the steel temperature prediction during the ladle furnace process. This work proves the generalization capability of the neural networks, obtaining smaller medium error than the medium error specied by the instrument of measurement of steel temperature. Besides, this work demonstrates that use of the thermal model will result in productivity increase and operational and energy cost reduction.
xi
xii
Sumrio
Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Lista de Abreviaturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ix xi xv
Sumrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii Lista de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii Lista de Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxi 1 Introduo 1.1 Forno Panela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Motivao do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Objetivo da Dissertao . . . . . . . . . . . . . . . . . . . . . . . . . 1.4 Principais Contribuies . . . . . . . . . . . . . . . . . . . . . . . . 1.5 Organizao do Texto . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Inteligncia Computacional na Indstria 2.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Aplicaes Industriais utilizando Redes Neurais 1 2 4 4 5 7 9 9
2.2 Modelagem Trmica em Siderurgias . . . . . . . . . . . . . . . . . . 14 . . . . . . . . . . 24 2.4 Consideraes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3 Desenvolvimento do Modelo Trmico do Forno Panela 33
3.1 Processo do Forno Panela . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2 Redes Neurais Articiais . . . . . . . . . . . . . . . . . . . . . . . . 42 3.2.1 Algoritmo Levenberg-Marquardt . . . . . . . . . . . . . . . . 44 3.2.2 Regularizao Bayesiana . . . . . . . . . . . . . . . . . . . . 45 3.3 Desenvolvimento do Modelo . . . . . . . . . . . . . . . . . . . . . . 48 3.3.1 Denio das Variveis . . . . . . . . . . . . . . . . . . . . . 50 3.3.2 Coleta e Pr-processamento dos Dados . . . . . . . . . . . . 58 3.3.3 Denio da Topologia e Resultados do Modelo Neural . . . 62 3.4 Consideraes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . 67 xiii
Sumrio
4 Implementao do Modelo Trmico Online 4.1 Implementao do Modelo . . . . . . . . . . . . . . . . . . . . . . . 4.2 Resultados Obtidos na Implementao Online . . . . . . . . . . . . 4.3 Consideraes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . 69 69 74 79
5 Concluses e Propostas de Continuidade 81 5.1 Concluses Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 5.2 Propostas de Continuidade . . . . . . . . . . . . . . . . . . . . . . . 85 Referncias 87
xiv
Lista de Abreviaturas
RNA MLP MCP LMS RBF IC IA LFOR BPNN MLR PCA LD TCS SCADA MES PIMS
Rede Neural Articial Multilayer Perceptron McCulloch e Pitts Least Mean-Squared Radial Basis Function Inteligncia Computacional Inteligncia Articial Ladle Furnace Online Reckoner Back Propagation Neural Net Multi-linear Regression Principal Component Analysis Convertedor Linz-Donawitz Filtro Trend-Cycle-Season Supervisory Control And Data Acquisition Manufacturing Execution System Plant Information Management System
xv
Sumrio
xvi
Lista de Figuras
1.1 Foto do Forno Panela da V&M. . . . . . . . . . . . . . . . . . . . . . 1.2 Consumo mdio de energia eltrica da Aciaria da V&M. . . . . . . 1.3 Resultado da previso da temperatura de uma corrida utilizando o modelo RNA implementado. . . . . . . . . . . . . . . . . . . . . .
2 3 6
2.1 Comportamento da temperatura do ao lquido durante o processo da aciaria. Adaptado de (Ferreira 2000). . . . . . . . . . . . 16 2.2 Medidas das taxas durante a fase de desgaseicao. Adaptado de (Ferreira 2000). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3 Percentual de acerto do modelo estatstico para as diferentes faixas de disperso das temperaturas do lingotamento contnuo. Adaptado de (Ferreira 2000). . . . . . . . . . . . . . . . . . . . . . . 18 2.4 Malha do Forno Panela. Adaptado de (Zabadal, Vilhena, & Leite 2004). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.5 Comparao entre a temperatura medida e a temperatura prevista no forno panela. Adaptado de (Nath, Mandal, Singh, Basu, Bhanu, Kumar, & Ghosh 2006). . . . . . . . . . . . . . . . . . . . . 23 2.6 Desempenho do sistema de previso de temperatura no forno panela. Adaptado de (Nath, Mandal, Singh, Basu, Bhanu, Kumar, & Ghosh 2006). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.7 Resultado do teste de generalizao da rede MLP. Adaptado de (Rocha, Souza, Carvalho, & Almeida 2005). . . . . . . . . . . . . . 26 2.8 Previso do ouro dissolvido utilizando BPNN e MLR. Adaptado de (Aldrich, Deventer, & Reuter 1994). . . . . . . . . . . . . . . . . . . 28 2.9 Previso do ouro no dissolvido utilizando BPNN e MLR. Adaptado de (Aldrich, Deventer, & Reuter 1994). . . . . . . . . . . . . . 29 2.10 Previso do consumo de aditivos utilizando BPNN e MLR. Adaptado de (Aldrich, Deventer, & Reuter 1994). . . . . . . . . . . . . . 30 xvii
Lista de Figuras
2.11 Resultados de validao do modelo de previso de qualidade das pelotas. Adaptado de (Monteiro 2004). . . . . . . . . . . . . . . . . 31 3.1 Fluxograma de uma siderurgia. . . . . . . . . . . . . . . . . . . . . 34 3.2 Fluxograma de um forno panela. Adaptado de (Rizzo 2006). . . . 36 3.3 Evoluo trmica no tratamento de um ao comum no forno panela. Adaptado de (Ribeiro, Quinto, & Cruz 2005). . . . . . . . . 37 3.4 Curvas caractersticas de um forno panela para um determinado tap. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.5 Modelo para determinao do ndice de encharque (Fujii, Lenna, Sampaio, & Muradas 2005). . . . . . . . . . . . . . . . . . . . . . . 40 3.6 (a) Rede sem regularizao comparada a uma (b) Rede com regularizao bayesiana. Adaptado de (Dan Foresee & Hagan 1997). . 48 3.7 Varivel ndice de Encharque. . . . . . . . . . . . . . . . . . . . . . 51 3.8 Varivel Temperatura Inicial do Ao. . . . . . . . . . . . . . . . . . 51 3.9 Correlao Cruzada da Temperatura Inicial x Temperatura Final do Ao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.10 Varivel Altura da Borda Livre. . . . . . . . . . . . . . . . . . . . . 52 3.11 Varivel Tempo de Forno Desligado. . . . . . . . . . . . . . . . . . . 53 3.12 Correlao Cruzada do Tempo de Forno Desligado x Temperatura Final do Ao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.13 Varivel Nmero do TAP. . . . . . . . . . . . . . . . . . . . . . . . . 54 3.14 Varivel Tempo de Forno Ligado. . . . . . . . . . . . . . . . . . . . 54 3.15 Correlao Cruzada do Tempo de Forno Ligado x Temperatura Final do Ao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.16 Varivel Perda Trmica. . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.17 Correlao Cruzada das Perdas Trmicas x Temperatura Final do Ao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.18 Varivel Qualidade do Ao. . . . . . . . . . . . . . . . . . . . . . . . 57 3.19 Varivel Peso Lquido do Ao. . . . . . . . . . . . . . . . . . . . . . 57 3.20 Arquitetura do sistema de automao do Forno Panela. . . . . . . 59 3.21 Abordagens no desenvolvimento do modelo. . . . . . . . . . . . . . 60 3.22 Topologia da rede neural utilizada no modelo. . . . . . . . . . . . . 63 3.23 Resultados do treinamento do modelo neural. . . . . . . . . . . . . 64 3.24 Resultados da validao do modelo neural. . . . . . . . . . . . . . 65 3.25 Correlao da Temperatura Medida x Temperatura prevista pelo modelo RNA - Validao do modelo. . . . . . . . . . . . . . . . . . . 66 4.1 Fluxograma do clculo do modelo neural. . . . . . . . . . . . . . . 70 4.2 Tela principal de superviso do forno panela. . . . . . . . . . . . . 73 4.3 Resultados da generalizao do modelo neural. . . . . . . . . . . . 74 xviii
Lista de Figuras
4.4 Grco do resultado de previso da temperatura corrida - Anlise do Erro. . . . . . . . . . . . . . . 4.5 Grco do resultado de previso da temperatura corrida - Anlise do Erro. . . . . . . . . . . . . . . do . . do . . ao de uma . . . . . . . . 75 ao de uma . . . . . . . . 76
4.6 Grco do resultado de previso da temperatura de uma corrida utilizando o modelo RNA implementado. . . . . . . . . . . . . . . . 77 4.7 Correlao da Temperatura Medida x Temperatura prevista pelo modelo RNA - Generalizao do modelo. . . . . . . . . . . . . . . . 78 5.1 Freqncia de medies da temperatura do ao por corrida. . . . 82 5.2 Valores de sobre-aquecimento do ao por corrida. . . . . . . . . . 84
xix
Lista de Figuras
xx
Lista de Tabelas
2.1 Resultados comparativos da temperatura estimada (T p). Adaptado de (Baro 2002). . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Comparao dos resultados obtidos. Adaptado de (Marzano, Braga, & Nunes 2001). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.3 Comparao estatstica dos resultado obtidos pela RNA. Adaptado de (Rocha, Souza, Carvalho, & Almeida 2005). . . . . . . . . 27 2.4 Resultado da modelagem da perda trmica entre convertedor LD e Forno Panela. Adaptado de (Carvalho, Maia, Moreira, Fonseca, Fortuna, & Ramos 2005). . . . . . . . . . . . . . . . . . . . . . . . . 28 3.1 Perdas tpicas em tratamento em panelas. Adaptado de (Szekely, Carlsson, & Helle 1988). . . . . . . . . . . . . . . . . . . . . . . . . 42 3.2 Tabela terica das taxas de aquecimento do forno panela, determinada de forma emprica pelos especialistas em metalurgia secundria da V&M do Brasil. . . . . . . . . . . . . . . . . . . . . . 61 3.3 Resultados do treinamento e validao do modelo neural do forno panela. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 3.4 Comparao estatstica entre a temperatura medida e a temperatura prevista pelo modelo RNA - Validao do modelo. . . . . . . 66 4.1 Contedo do arquivo de mdias e desvios padro das entradas e sada da rede (medias.rna). . . . . . . . . . . . . . . . . . . . . . . . 71 4.2 Contedo do arquivo de congurao da rede neural (pesos.rna). 72 4.3 Resultados da generalizao do modelo neural do forno panela. . 74 4.4 Comparao estatstica entre a temperatura medida e a temperatura prevista pelo modelo RNA - Generalizao do modelo. . . . 78
xxi
Lista de Tabelas
xxii
CAPTULO
Introduo
o cenrio competitivo atual, construir e gerenciar conhecimento de apoio a especialistas no controle de processos industriais de extrema importncia. O controle manual, exercido por intermdio de
decises que dependem do nvel de conhecimento individual para relacionar aes e resultados, podem trazer grandes desperdcios ao negcio, sem no entanto, depreciar a qualidade do produto nal. A necessidade de melhoria dos processos e prticas operacionais levou as indstrias trabalhar em parceria com universidades e instituies de pesquisa e desenvolvimento em busca de solues tecnolgicas que visavam o controle e a padronizao das tarefas operacionais. Neste campo, as tcnicas de inteligncia articial so capazes de fornecer modelos de apoio deciso e ao controle com base em fatos histricos e conhecimentos empricos e tericos, mesmo que apoiados em dados incompletos, facilitando desta forma a modelagem de processos complexos. Quando se fala em inteligncia articial, importante entender sua origem e suas linhas de pesquisa. Segundo Bittencourt (2000), existem duas linhas principais de pesquisa para a construo de sistemas inteligentes: a linha conexionista e a linha simblica. A linha conexionista visa a modelagem atravs da construo de sistemas cuja estrutura se baseia no modelo do crebro humano, com neurnios e sinapses. Por outro lado, a linha simblica segue a tradio lgica, isto , sintetiza as diversas tarefas executadas pela mente humana a uma seqncia de passos lgicos e aritmticos para a resoluo de um problema especco. As redes neurais articiais foram inspiradas nas redes neuronais biolgicas, sendo sua estrutura originada do conexionismo. A convergncia do 1
Captulo 1
Introduo
desenvolvimento das tcnicas de inteligncia articial com a sua utilizao no meio industrial se tornou mais evidente nos anos 80, com a popularizao das RNAs e tcnicas correlatas. Atualmente, as RNAs tem sido aplicadas na soluo de problemas cuja delimitao de fronteiras complexa ou onde falta algum conhecimento explcito para a busca de uma soluo. Nesse trabalho as redes neurais articiais foram utilizadas como ferramenta principal para a modelagem trmica de um forno panela.
1.1 Forno Panela

Para compreender a importncia do controle trmico em um forno panela, uma breve anlise histrica do processo ser apresentada. A necessidade de aumento de produtividade, reduo de custos e fabricao de aos com exigncias de qualidade cada vez mais severas, conduziu o desenvolvimento dos processos de reno para uma outra unidade, denominada reno secundrio do ao. At ento, o reno do ao era realizado apenas em fornos eltricos ou convertedores LD. A criao desta nova unidade trouxe um aumento de at 20% da produtividade, possibilitando que o convertedor LD se dedicasse exclusivamente tarefa de fuso e elaborao do ao primrio (Ribeiro, Quinto, & Cruz 2005). O reno secundrio do ao, realizado atravs do forno panela, tem como princpio de funcionamento a utilizao de energia eltrica para o aquecimento do ao. O forno panela, apesar de ter sido desenvolvido com o objetivo principal de liberar o forno primrio das funes de reno e aquecimento do ao, possui vantagens em termos de produtividade, qualidade de produo e reduo de custo que tem tornado-o cada vez mais indispensvel nas aciarias. A gura 1.1 mostra uma foto do forno panela da V&M do Brasil, utilizado nesse trabalho de modelagem trmica.
Figura 1.1: Foto do Forno Panela da V&M.

2
1.1 Forno Panela
O grande problema do reno secundrio a perda de temperatura. Um estudo realizado pela British Steel Corporation (2005) demonstrou que para um arco eltrico de 7kA e 173V, aproximadamente 72,5% do calor transferido para o banho, 14,5% para os eletrodos e 13% para as paredes e abbada. No entanto, esses dados dependem muito da instalao de cada forno panela (Ribeiro, Quinto, & Cruz 2005). Apesar das perdas relatadas, a utilizao do forno panela possibilitou a produo de aos com estreitos ajustes de temperatura e composio qumica. O forno panela tambm se mostrou ser uma unidade capaz de garantir o equilbrio trmico entre o ao e o revestimento refratrio da panela, o que considerado um ponto chave para a garantia da qualidade do ao produzido. Em acrscimo, a necessidade de produo seqencial no lingotamento contnuo para alcanar uma alta produtividade na fabricao de barras, gerou uma demanda por uma unidade "pulmo"entre o convertedor LD e o lingotamento contnuo. Esta demanda foi facilmente atendida pelo forno panela, devido a sua facilidade em elevar e manter a temperatura do ao lquido. Entretanto, apesar do forno panela ter possibilitado uma reduo de at 15% do consumo energtico, com a retirada do processo de reno do convertedor LD, esta unidade representa a maior parcela do consumo energtico da aciaria da V&M, conforme mostrado na gura 1.2.
Figura 1.2: Consumo mdio de energia eltrica da Aciaria da V&M. Desta forma, a busca por alternativas que reduzam o consumo energtico da unidade do forno panela so de extrema importncia dadas as propores que esse consumo representa no custo total do ao produzido. No entanto, essencial que as caractersticas primordiais que motivaram o desenvolvimento da unidade em questo no seja depreciada, podendo levar perdas maiores
3
Captulo 1
Introduo
que os ganhos levantados com a reduo do consumo energtico.
1.2 Motivao do Trabalho

Aps o racionamento de energia eltrica ocorrido em 2000, o aumento da competitividade mundial do mercado de ao e o crescimento do custo energtico, alternativas para a reduo do consumo energtico se tornaram temas prioritrios de pesquisa e desenvolvimento em siderurgias. Na siderurgia da V&M do Brasil, o forno panela uma das maiores unidades consumidoras de energia eltrica, consumindo em mdia 2.400 MWh por ms. Aps vrias anlises realizadas em conjunto com a equipe de produo da unidade, observou-se que os procedimentos operacionais do forno panela eram inadequados, no reetindo a necessidade trmica da corrida em elaborao e, por esse motivo, eram constantemente modicados pelos operadores ao longo do processo, acarretando em um aumento do consumo de energia e uma alta variabilidade do processo. Para compreender o emprego da energia total consumida durante o processo de um forno panela, dividiu-se a energia til utilizada em duas componentes: energia efetivamente usada no aquecimento do ao e energia perdida durante o tratamento do ao no forno panela. A energia perdida durante o tratamento constituda de trs componentes principais: perdas trmicas para a abbada e eletrodos, perdas por transferncia de calor na panela e perdas trmicas para escria, ligas e fundentes. Uma forma de reduzir o consumo energtico seria a reduo das perdas do tratamento do ao no forno panela. No entanto, estas perdas so difceis de se determinar, principalmente as perdas relativas transferncia de calor para a abbada e panela. Uma outra abordagem seria a reduo da variabilidade da temperatura do ao, que est diretamente ligada variao observada no consumo energtico especco. Com isso, decidiu-se por desenvolver um modelo de previso da temperatura do ao, com o objetivo de prover uma ferramenta de suporte deciso para a operao, tornando-a mais ecaz e padronizada. A no-linearidade e a complexidade do processo do forno panela, aliado ao baixo conhecimento da sua dinmica, tornaram o uso de redes neurais articiais bastante interessante como uma ferramenta de modelagem e previso.
1.3 Objetivo da Dissertao

Esse trabalho tem como objetivo principal demonstrar a aplicabilidade do emprego das redes neurais articiais em problemas industriais complexos,
4
1.4 Principais Contribuies
atravs da previso da temperatura do ao durante o processo de reno secundrio em um forno panela. A busca pelo controle da temperatura do ao no forno panela em estudo tem sido tema de estudo h alguns anos. A primeira tentativa foi implementada em 1998 com a implantao do sistema de automao da unidade. No entanto, os resultados obtidos no foram satisfatrios. Uma das hipteses levantadas que os dados utilizados nos modelos anteriores no consideraram alguns fatores importantes do processo relacionados variao trmica do ao no forno panela. Um levantamento das diversas solues encontradas na literatura para a soluo do problema de modelagem trmica em siderurgias foi realizado com o objetivo de comparar resultados de modelos que utilizaram outras abordagens tecnolgicas com o modelo neural desenvolvido. A proposta desse trabalho foi desenvolver um modelo utilizando redes neurais articiais para a previso da temperatura do ao, considerando todas as variveis que inuenciam o comportamento trmico do ao durante o processo no forno panela. Para o desenvolvimento desse trabalho foram utilizadas amostras de corridas correspondentes a 6 meses de produo. Esse volume de dados foi considerado suciente para descrever o comportamento do processo do forno panela, incluindo todas as faixas operacionais das variveis correlacionadas com a variao trmica do ao. Como resultado do trabalho, espera-se aumento da produtividade, reduo do consumo energtico e reduo da variabilidade da temperatura do ao enviada ao lingotamento contnuo.
1.4 Principais Contribuies

O modelo de previso da temperatura do ao foi elaborado com o objetivo de prover uma ferramenta de suporte deciso para a operao. No entanto, durante o processo de desenvolvimento e implementao do modelo neural na unidade do forno panela foi possvel realizar um estudo mais aprofundado das causas da variabilidade da temperatura de liberao do ao e do consumo energtico especco. Esse conhecimento permitiu que outros ganhos relativos ao custo operacional do processo fossem alcanados. A utilizao da tcnica de modelagem atravs de redes neurais articiais se mostrou bastante eciente, Os resultados do modelo podem ser comprovados observando-se os erros de generalizao obtidos e os ganhos estimados com a sua utilizao efetiva. A gura 1.3 mostra o resultado de previso da temperatura do ao de uma corrida utilizando o modelo neural em comparao aos valores de temperatura medidos.
5
Captulo 1
Introduo
Figura 1.3: Resultado da previso da temperatura de uma corrida utilizando o modelo RNA implementado. Para estimar os ganhos do processo com a utilizao efetiva do modelo, foram coletadas amostras de 5 meses de produo, aps a implantao do modelo RNA no sistema de automao existente. Dentre os ganhos estimados, aqueles que evidenciam o objetivo principal do trabalho foram analisados detalhadamente, sendo esses: Reduo de 50% do nmero mdio de termopares utilizados por corrida, resultante da padronizao do nmero de medies a serem realizadas; Reduo de 4,5% do custo anual de energia eltrica da unidade do forno panela, resultado da reduo de 4 C no sobre-aquecimento do ao; Reduo de 15% no tempo total de corrida, resultado da padronizao do nmero de medies realizadas por corrida. Os resultados alcanados comprovam que a rede neural articial uma tcnica capaz de modelar e interpretar dados de plantas complexas, sem a necessidade de um conhecimento profundo dos fenmenos fsicos do processo em estudo.
1.5 Organizao do Texto
1.5 Organizao do Texto

Esse trabalho de dissertao est organizado da seguinte maneira: O Captulo 2 apresenta um breve histrico das RNAs bem como algumas vantagens do uso de tcnicas de inteligncia computacional para a resoluo de problemas industriais complexos. A utilizao de redes neurais em problemas industriais similares ao discutido nesta dissertao e diversas solues encontradas na literatura para o problema de modelagem trmica em siderurgias so descritas a seguir. A metodologia utilizada nesse trabalho e os conceitos de redes neurais articiais so descritos no Captulo 3. O algoritmo Levenberg-Marquardt e a utilizao de tcnicas de regularizao Bayesiana so discutidos detalhadamente. Para facilitar o entendimento da importncia da modelagem trmica para o forno panela, uma descrio detalhada do processo apresentada. Finalizando, so descritas as etapas de desenvolvimento do projeto e seus primeiros resultados. As etapas de implementao do modelo neural desenvolvido e sua implantao no sistema de automao existente so apresentadas no Captulo 4. As expectativas de ganhos do processo e os resultados de generalizao do modelo so analisados e discutidos. No Captulo 5 so apresentadas as concluses e propostas de continuidade desse trabalho. Ganhos relacionados reduo do consumo energtico e custo de produo e ao aumento da produtividade no forno panela so discutidos detalhadamente.
Captulo 1
Introduo
CAPTULO
Inteligncia Computacional na Indstria
esse captulo apresentado um breve histrico das redes neurais articiais com o objetivo de contextualisar o incio do uso desta tcnica em aplicaes industriais. Com isso, so discutidas algu-
mas vantagens da utilizao das tcnicas de inteligncia computacional para a resoluo de problemas industriais complexos. As diversas solues encontradas na literatura para a soluo do problema de modelagem trmica em siderurgias e a utilizao das redes neurais em problemas industriais similares ao discutido nesta dissertao so mostrados a seguir.
2.1 Introduo
Desde a incluso do Brasil no mercado globalizado, a busca por produtividade e melhoria de qualidade do produto nal se tornaram essenciais para a sobrevivncia das empresas (Kim, Moon, Kang, Han, & Chang 1998). Com isso, o mercado tecnolgico vem buscando cada vez mais uma aproximao de solues inteligentes para resoluo de problemas de aplicaes prticas. Por sua vez, o meio acadmico e as instituies de pesquisa e desenvolvimento vem desenvolvendo h algumas dcadas uma srie de tcnicas e metodologias que facilitam a tomada de decises autnomas e a modelagem alternativa de sistemas fsicos. Neste mbito, as aplicaes de inteligncia computacional vm ocupando cada vez mais espao, sendo utilizadas como ferramentas auxiliares dentro de esquemas convencionais, ou mesmo como ferramentas principais de modelagem de processos de difcil abordagem (Almeida 2002). 9
Captulo 2
A rea de inteligncia computacional composta por quatro principais ramos de pesquisa: IA clssica, redes neurais articiais, algoritmos genticos, sistemas nebulosos e sistemas hbridos. Sendo uma das reas de desenvolvimento mais promissoras da inteligncia computacional, o estudo das redes neurais articiais iniciou-se na dcada de 40, com o trabalho de McCulloch e Pitts, onde foi proposto um modelo baseado no funcionamento do neurnio biolgico. McCulloch acreditava que o funcionamento do sistema nervoso central era fundamentado em um representao boolena. Baseado nisso, o modelo proposto foi descrito da seguinte forma: se a soma ponderada dos sinais de entrada de um neurnio ultrapassar um determinado limite de disparo, ento a sada recebe o valor um; caso este limite no seja ultrapassado, a sada recebe o valor zero. Neste modelo, as entradas eram consideradas como binrias e os pesos das conexes sinpticas eram xos. A equao 2.1 descreve a funo de ativao da sada do neurnio MCP (McCulloch & Pitts 1943).
n
xi wi >=
i=1
(2.1)
onde: = valor de threshold (limite de disparo); x = entrada dos neurnios; w = pesos sinpticos. No entanto, mesmo com este modelo simplicado, McCulloch e Pitts foram capazes de provar que uma rede neural capaz de calcular qualquer lgica booleana bsica. O prximo grande desenvolvimento que teve grande inuncia em futuros desenvolvimentos das redes neurais articiais apareceu em 1949, em um trabalho apresentado por Donald Hebb. Em seu trabalho, Hebb props uma teoria sobre o aprendizado dos neurnios biolgicos baseado no reforo das ligaes sinpticas entre os neurnios excitados (Hebb 1949). Hebb introduziu a famosa regra do aprendizado, onde o peso de uma conexo sinptica deve ser ajustado de acordo com o nvel de sincronismo existente entre os neurnios conectados pela sinapse. Em termos matemticos, o postulado de Hebb pode ser expresso a partir da equao 2.2 que consiste na regra de atualizao do peso sinptico. wij (t) = yi (t)xi (t) onde: x = valores dos neurnios de entrada;
10
(2.2)
2.1 Introduo
w = pesos da rede; y = sada obtida pela rede; = taxa de aprendizado. Aps 15 anos da publicao McCulloch e Pitts, uma nova abordagem sobre o problema de reconhecimento de padres foi introduzida por Rosenblatt (1958), em seu trabalho sobre perceptron (Rosenblatt 1958). Rosenblatt demonstrou que se as redes neurais com neurnios MCP fossem acrescidas de sinapses ajustveis, elas seriam capazes de classicar certos tipos de padres. O modelo proposto era composto por unidades de entrada, chamadas de retinas, um nvel intermedirio com unidades associativas e pesos xos e um nvel de sada, formado pelas unidades de resposta. A equao 2.3 descreve a regra de aprendizagem proposta por Rosenblatt. w(t + 1) = w(t) + ex onde: = taxa de aprendizado; x = valores dos neurnios de entrada; e = erro da sada atual (e = d y ); d = sada desejada; y = sada obtida. Em 1960, Widrow e Hoff introduziram o algoritmo LMS (Least Mean Square), conhecido como regra delta, baseado no mtodo gradiente para minimizao do erro na sada de uma resposta linear (Widrow & Hoff 1960). Este algoritmo foi de extrema importncia para as RNAs, servindo como base no desenvolvimento do algoritmo backpropagation. O modelo ADALINE (ADAptive LInear NEuron), descrito por Widrow e Hoff, baseou-se na mesma idia do modelo perceptron, com elementos de processamento executando a operao de soma ponderada e comparando a sada a um valor limiar. No entanto, o ADALINE se diferencia do perceptron por ter seus pesos adaptados em funo do erro de sua sada linear antes da aplicao da funo de ativao, levando a uma funo custo quadrtica, a ser minimizada. Esta funo descrita pela equao 2.4. 1 p i J= (d y i )2 2 i=1 onde: d = sada desejada; p = nmero de neurnios de sada;
11
(2.3)
(2.4)
Captulo 2
y = sada obtida. Durante este clssico perodo do perceptron e ADALINE, da dcada de 60, acreditava-se que as redes neurais articiais poderiam fazer qualquer coisa. No entanto, em um livro de Minsky e Papert (1969), foi demonstrado matematicamente a existncia de limitaes para a resoluo de problemas no linearmente separados atravs nas redes Perceptron de uma nica camada. Em uma sesso sobre o multilayer perceptron, foi sugerido que no haveriam razes para assumir que as limitaes encontradas no perceptron de uma camada seriam resolvidas pelo perceptron de mais de uma camada (Minsky & Papert 1969). Aps isso, o projeto do multilayer perceptron se deparou com o importante problema de "atribuir crdito aos neurnios das camadas escondidas". No nal da dcada de 60, vrias idias e conceitos foram formulados a m de tentar resolver este problema. No entanto, somente na dcada de 80 as solues para os problemas comearam a aparecer (Rumelhart, Hinton, & Williams 1986). Segundo Cowan (1990), este atraso de mais de 10 anos ocorreu devido s seguintes razes: Tecnolgica: no existiam computadores pessoais e nem estaes de trabalho sucientemente potentes para tratar a complexidade do mtodo e realizar os experimentos; Financeira/Psicolgica: aps a publicao de Minsky e Papert de 1969 no haviam agncias dispostas patrocinar pesquisas nesta rea e poucas eram as pessoas que continuaram motivadas para trabalhar com perceptron. Na dcada de 80, com a retomada das pesquisas relacionadas s redes neurais articiais, grandes contribuies para a teoria de RNA surgiram em diversas reas da cincia (Haykin 1999). Em 1982, Jonh Hopeld publicou um artigo que buscava entender, por meio do uso da funo de energia, o funcionamento das redes recorrentes com conexes sinpticas simtricas (Hopeld 1982). No entanto, a maior contribuio deste trabalho foi o estabelecimento da relao entre as redes recorrentes auto-associativas e os modelos fsicos. Com isso, em 1986 o desenvolvimento do algoritmo backpropagation foi reportado por Rumelhart, Hinton e Williams, surgindo como o algoritmo de aprendizagem mais popular do multilayer perceptron (Rumelhart, Hinton, & Williams 1986). O algoritmo backpropagation, ou de retropropagao, pode ser considerado como uma generalizao da regra delta para redes de alimentao para frente (feedforward) com mais de duas camadas. O backpropagation um
12
2.1 Introduo
algoritmo de treinamento supervisionado e tem como objetivo principal fazer com que, para cada vetor de entrada, a rede produza vetores de sada mais prximos dos vetores de sada desejados. Como os vetores de entrada e sada do modelo so xos, o desempenho do erro pode ser calculado comparando-se a sada obtida pela rede com o valor de sada desejado, conforme descrito na equao 2.5. E= onde: d = sada desejada; y = sada obtida; E = vetor erro; c = nmero de padres apresentados; j = nmero de neurnios da camada de sada. O algoritmo backpropagation procura minimizar o vetor E , ajustando os pesos e limiares para que a rede atinja os pontos mnimos da superfcie do erro. Para isso, o algoritmo utiliza o mtodo gradiente descendente. O funcionamento do algoritmo pode ser descrito como uma seqencia de dois passos. O primeiro passo, chamado tambm de forward, consiste na apresentao de um padro camada de entrada, obtendo-se assim a sada correspondente. No segundo passo, chamando de backward, a sada obtida comparada sada desejada, calculando-se o vetor de erro. O gradiente do vetor do erro ento calculado com o objetivo de atualizar, atravs da regra delta, os pesos da camada de sada. Os valores desejados so ento propagados para trs, de modo atualizar os pesos das demais camadas. Este ciclo continua at que o erro atinja um valor mnimo desejado ou o algoritmo atinja o nmero mximo de iteraes denido (Krose & Smagt 1996). O surgimento do backpropagation, associado ao desenvolvimento de novos equipamentos com alta capacidade de processamento paralelo, estimularam a utilizao das redes neurais articiais em aplicaes industriais (Braga, Carvalho, & Ludemir 2000). As caractersticas que tornaram a metodologia de redes neurais articiais interessante para a resoluo de problemas complexos so: Capacidade de aprender atravs de exemplos e generalizar este aprendizado de maneira a reconhecer padres que no lhe foram apresentados; Desempenhar de maneira satisfatria tarefas cuja delimitao de fronteiras complexa ou onde falta algum conhecimento explcito para a busca de uma soluo;
13
1 2
(yj,c dj,c )2
c j
(2.5)
Captulo 2
No requerer um conhecimento profundo dos fenmenos fsicos que descrevem a aplicao em estudo; Possuir elevada imunidade ao rudo, isto , a presena de informaes falsas ou mesmo a falta das mesmas no causam grandes danos ao modelo, mas depreciam-no com o tempo. No entanto, para a concepo de uma rede neural articial importante ter em mente a importncia da denio das variveis que faro parte do modelo, bem como da arquitetura da rede, uma vez que estas escolhas restringem o problema a ser tratado. Para a denio da arquitetura os seguintes parmetros so necessrios: Nmero de camadas da rede; Nmero de neurnios em cada camada; Tipo de conexo entre os neurnios. Podem ser do tipo feedforward (acclica), isto , a sada de um neurnio da camada i no pode ser usada como entrada dos neurnios das camadas de ndices inferiores ou iguais a i; ou feedback (cclica), onde a sada de um neurnio da camada i usada como entrada dos neurnios das camadas de ndices inferiores ou iguais a i. No h regras denidas para a escolha dos parmetros nmero de camadas e nmero de neurnios por camadas, mas existem algumas tcnicas de otimizao, chamadas pruning, que podem ajudar na escolha dos mesmos. No entanto, importante observar que quanto maior o valor destes parmetros, mais complexa ser a rede, acarretando um maior custo computacional para a implementao da mesma. Desta forma, encontrar a topologia adequada para o problema em questo de extrema importncia. Uma topologia inadequada pode impedir a rede de encontrar uma boa soluo ou pode torn-la incapaz de generalizar a soluo encontrada.
2.2 Modelagem Trmica em Siderurgias

Durante a fabricao do ao, trs fenmenos fsicos ocorrem: reaes qumicas entre o ao lquido e a escria, fenmenos fsicos relacionados ao escoamento do ao lquido e trocas trmicas do ao lquido com elementos do processo, como: panela, abbada, distribuidor, entre outros. Em todos estes fenmenos, a temperatura tem importncia fundamental (Ferreira 2000).
14
Do ponto de vista metalrgico, um dos maiores problemas da produo a segregao de elementos qumicos no ao, que pode provocar a perda de resistncia, favorecendo a formao de trincas internas. Esta segregao normalmente est associada a fatores de sobre-aquecimento do ao no distribuidor. Sob o ponto de vista operacional, uma temperatura abaixo da especicada pode causar o efeito "freezing", isto , a solidicao do ao durante a passagem pela vlvula do distribuidor. Por outro lado, um sobre-aquecimento pode causar um "break-out" - perfurao da pele solidicada do tarugo, ocorrendo perda do veio na unidade de lingotamento ou reduo da velocidade de lingotamento e, conseqentemente, atraso de produo. Nesse trabalho de dissertao, no entanto, o foco foi econmico. Um sobreaquecimento desnecessrio representa desperdcio de energia eltrica, eletrodo e refratrio. Este desperdcio causado principalmente pela falta de visibilidade da condio trmica do ao, tornando os resultados de produo dependentes do conhecimento pessoal das equipes de operao. Com isso, comum se observar sobre-aquecimento do ao durante o processo de fabricao, sem que este fato, no entanto, altere a qualidade nal do produto. Entretanto, esta variabilidade da temperatura causa efeitos econmicos danosos ao custo produtivo, afetando inclusive a produtividade da planta. Ferreira (2000) buscou identicar em seu trabalho as causas do descontrole de temperatura mediante observao in-loco do processo da aciaria. O objetivo do seu estudo foi a anlise das perdas do processo para a previso das perdas trmicas do ao lquido durante as etapas de desgaseicao e lingotamento contnuo. Em seu estudo, observou-se que a troca do tipo de refratrio utilizado produziu uma inuncia maior do estado trmico da panela sobre a temperatura do ao. Sendo assim, quanto maior o tempo de espera para o vazamento do ao no distribuidor, maior ser a perda trmica do ao para as paredes internas da panela. Outra perda observada foi relativa escria. Esta perda depende diretamente da espessura da escria, da utilizao ou no de tampa na panela, da agitao do banho e conseqente exposio do ao ao meio ambiente. A perda relativa s adies de ligas e materiais escoricantes no banho tambm foi avaliada. Na gura 2.1 possvel observar uma curva trmica terica do ao, desde o vazamento do forno eltrico at o lingotamento contnuo.
15
Captulo 2
Figura 2.1: Comportamento da temperatura do ao lquido durante o processo da aciaria. Adaptado de (Ferreira 2000). O modelo proposto por Ferreira (2000) prev, baseado em informaes do processo, qual ser a perda trmica do ao nas etapas subseqentes ao Forno Panela, indicando qual deveria ser a temperatura de liberao do ao no desgaseicador e no Forno Panela. O modelo trmico desenvolvido para previso das perdas trmicas na etapa de desgaseicao, considerou dados de 33 corridas, onde procederam-se trs medies de temperatura, conforme esquematizado na gura 2.2.
Figura 2.2: Medidas das taxas durante a fase de desgaseicao. Adaptado de (Ferreira 2000).
16
O clculo das perdas trmicas na etapa de desgaseicao foi obtido por meio da equao 2.6 (Ferreira 2000): P erda = (dT dV ) T x1 + dV T x2 onde: dT = durao total do processo de desgaseicao; dV = durao do tempo de vcuo no processo de desgaseicao; T x1 = taxa da perda trmica referente aos momentos de espera; T x2 = taxa da perda trmica referente ao processo de vcuo. Para a previso das perdas no lingotamento contnuo foi desenvolvido um modelo estatstico que considerou o histrico de 1 ms de dados. Aps as ltragens, foram analisadas 135 corridas. O modelo agrupou os dados do processo em trs grupos, chamados de fatores controlveis, que representam o conjunto de parmetros estudados e os que possuem maior inuncia sobre as perdas trmicas; fatores constantes, que so os parmetros no considerados na anlise e mantidos constantes durante o experimento; e fatores no controlveis, parmetros no controlveis, sendo responsveis pelo erro do experimento. No modelo desenvolvido, os fatores no controlveis no foram utilizados a ttulo de simplicao. Os fatores controlveis utilizados no modelo foram: Tempo sem ao, que compreende no tempo desde o nal do lingotamento anterior at o vazamento da corrida; Seqencial, que representa a posio da corrida dentro de uma seqncia; Seo, que corresponde rea de passagem do ao pelo molde. O modelo agrupou os parmetros da seguinte forma: dois grupos, considerando o tempo sem ao (panelas quentes e frias); trs grupos, considerando a posio seqencial da corrida (P (primeira), I (intermediria) e U (ltima corrida da seqencia)) e mais dois grupos, considerando a seo do molde de lingotamento (150x150 mm ou 240x240 mm). Feito isso, o modelo separou os dados em diferentes grupos por similaridade. Para cada grupo, foram calculados perda mdia, desvio padro, nmero de ocorrncias do grupo, valor mximo e valor mnimo. O valor mdio da perda foi considerado como a perda trmica do grupo. Os resultados do modelo de previso das perdas no lingotamento contnuo, utilizando a diviso de panelas quentes e frias, so mostrados na gura 2.3.
17
(2.6)
Captulo 2
Figura 2.3: Percentual de acerto do modelo estatstico para as diferentes faixas de disperso das temperaturas do lingotamento contnuo. Adaptado de (Ferreira 2000). Um outra abordagem para este problema foi elaborada por Baro (2002), em seu trabalho sobre o controle trmico do ao na panela, onde descrito um modelo para a correo da temperatura de liberao do reno secundrio. Inicialmente, a denio da temperatura nal do ao na panela levava em considerao somente a composio qumica e um valor de super-aquecimento (T). Este valor referia-se s perdas trmicas previstas no lingotamento contnuo. A temperatura de liberao era obtida pela equao 2.7: TP = TL + T onde: TL = temperatura do ao lquido ( C); T = super-aquecimento ( C); TP = temperatura visada na panela ( C). A partir do levantamento de vrios tipos de ao, vericou-se a necessidade da incluso da perda trmica gerada durante o tratamento do ao no reno secundrio na equao 2.7. Foi observado que a denio de T p tanto mais correta quanto menor for o ndice de correo de temperatura nos tratamentos de reno secundrio. Assim, para a determinao da perda relativa queda da temperatura do ao do convertedor para a panela, foi desenvolvido um modelo a partir de tcnicas de regresso linear com dados histricos de 305
18
(2.7)
corridas. A m de prevenir o problema de multicolinearidade, vrias anlises foram realizadas com as variveis do processo, resultando em cinco variveis que se mostraram mais signicativas para a resoluo do problema. Como meta do modelo, foi estabelecido um erro de 10 C. Os resultados podem ser vistos na tabela 2.1. Tabela 2.1: Resultados comparativos da temperatura estimada (T p). Adaptado de (Baro 2002). Tipo de Nmero de Ao Corridas Efervescente 185 Acalmado 185 T (real - estimada) Acerto (%) Mdia Desvio 10 C 1,5 12,1 61,1 -0,2 12,7 58,1
Segundo Baro (2002), os resultados caram abaixo do esperado, o que pode ser explicado pela falta de controle de algumas variveis de entrada do modelo, como condio trmica da panela. Uma nova interpretao para a resoluo do problema de modelagem trmica do forno panela, utilizando o mtodo de clculo de elementos nitos, foi desenvolvida por Zabalal et al. (2004) com o objetivo de simular o processo de transferncia de calor em todas as etapas do forno panela. Segundo Zabalal et al. (2004), na literatura existem vrios mtodos de simulao focados na resoluo de problemas de transientes trmicos durante a produo de ligas metlicas. No entanto, estes mtodos reportam diculdades em simular o problema considerando um curto tempo de processamento e a preciso necessria. De acordo com Zabadal et al. (2004), o controle da temperatura em um forno panela considerado uma etapa crtica na produo de aos especiais. Desta forma, a mdia aceitvel de variabilidade da temperatura de liberao do ao de 10 C. No entanto, considerando a inrcia trmica existente, este ajuste de temperatura torna-se difcil de ser obtido. Assim, um modelo de previso trmica preciso necessrio para o controle online do processo. Para a construo do modelo, a rea do forno panela foi dividida em um nmero nito de malhas, onde foram denidos pontos de clculo da temperatura. Estes pontos, indicados na gura 2.4, so a interseco entre as distncias radiais igualmente espaadas e as linhas axiais. Os pontos foram escolhidos de tal forma que incluam as superfcies de fronteira da malha do forno.
19
Captulo 2
Figura 2.4: Malha do Forno Panela. Adaptado de (Zabadal, Vilhena, & Leite 2004). Para o desenvolvimento do modelo, a equao que descreve a transferncia do transiente de calor dentro do forno e as equaes que descrevem as condies de contorno da perda trmica por radiao e conveco das superfcies da panela com o meio ambiente (panela sem ao), a transferncia de calor por conveco do ao lquido com as superfcies internas da panela e com a escria, e a perda trmica da escria com o meio ambiente foram denidas. Para o clculo das equaes de contorno foram consideradas as seguintes condies iniciais: Temperatura do meio ambiente (Tenv ) para a primeira corrida; F (r, z ) para as corridas subseqentes, onde F (r, z ) a funo de distribuio da temperatura inicial da panela, denida pelo estado da ltima corrida realizada pela panela; Temperatura do ao (Taco ) igual a T0 . O modelo foi testado simulando todas as fases de produo do forno panela, iniciando com o aquecimento da panela vazia e nalizando com o descarregamento da segunda panela no distribuidor do lingotamento contnuo. Este modelo alcanou uma mdia de clculo de aproximadamente 100ms para a simulao de uma corrida completa, o que considerado suciente para se permitir uma simulao online. Para validao do modelo, foram realizadas 150 simulaes com panelas novas e usadas, resultando em um erro relativo mximo na ordem de 0 a 8%. Considerando a temperatura mdia de 1600 C, este erro equivaleria a 0 a 128 C, o que no aceitvel em termos de controle. No entanto, para ns de simulao, este modelo foi considerado satisfatrio por Zabadal et al. (2004).
20
Segundo Nath et al. (2006), dos vrios trabalhos desenvolvidos de modelagem em tempo real para o controle trmico de uma panela, poucos levaram em considerao os aspectos qumicos do processo. Desta forma, a m de desenvolver um sistema de predio e controle da temperatura e da composio qumica do ao, Nath et al. (2006) buscaram primeiramente o entendimento detalhado dos fenmenos trmicos do processo de reno secundrio do ao. A partir dos dados gerados deste trabalho, foi desenvolvido um modelo baseado na anlise fsica simplicada e na anlise estatstica. Para simplicar o modelo online, a temperatura e a composio do ao lquido foram considerados homogneos no banho, e foi denida uma varivel unidimensional para representar o perl de temperatura do refratrio na panela. Os efeitos das variveis relacionadas adio de argnio e ligas no ao, injeo de energia atravs do arco eltrico e perdas durante os momentos de espera foram quanticados utilizando-se equaes tericas de transferncia de calor. Estes valores foram ento validados, por meio dos dados coletados do processo. Para analisar esta combinao de fatores de inuncia na variao da temperatura do ao, os parmetros do modelo trmico foram divididos em quatro categorias: Perda trmica com o refratrio; Perda trmica devido injeo de argnio e momentos de espera; Ganho trmico devido injeo de energia atravs do arco eltrico; Efeitos trmicos relacionados adio de ligas. A equao, que descreve a perda trmica com o refratrio, considerou como: Condio inicial (t 0): (TW all = TP reht ) Condio de contorno (t t): (TW all = TLiqSt ) Foi observado que as perdas com o refratrio inicialmente so muito elevadas, no entanto esta perda decai gradualmente durante o processo, at atingir um valor estvel. Entretanto, o valor destas perdas depende diretamente do ndice de encharque da panela. Na equao que descreve as perdas trmicas devido injeo de argnio e momentos de espera foi levado em considerao dois fenmenos trmicos: Perda trmica por radiao no topo da panela; Perda trmica por conveco nos lados e na base da panela para a atmosfera.
21
Captulo 2
O ganho trmico devido injeo de energia atravs do arco eltrico foi calculado considerando a ecincia do arco com relao todos os taps existentes no transformador. Finalmente, a equao que descreve os efeitos trmicos relacionados adio de ligas considerou o peso adicionado de cada liga e o efeito causado na temperatura pela adio das mesmas. Baseado nestas denies, o modelo gerado que descreve todas as perdas trmicas ocorridas durante o processo no forno panela descrito pela equao 2.8: T = Href t + Ahp fhp thp + Aarc farc tarc +
i i Wadd Qi add
(2.8)
onde: Href = perda trmica resultante do aquecimento do refratrio (Ks1 ). Ahp = coeciente estatstico determinado para as etapas de injeo de argnio e espera da panela; fhp = integral da funo que determina os efeitos do aquecimento para as etapas de injeo de argnio e espera da panela; thp = tempo relacionado s etapas de injeo de argnio e espera da panela (s); t = tempo (s); T = temperatura do ao (K ); Aarc = coeciente estatstico determinado para a etapa de injeo de energia eltrica; farc = funo que determina os efeitos do aquecimento para a etapa de injeo de energia eltrica; tarc = tempo relacionado etapa de injeo de energia eltrica (s); i Wadd = peso adicionado da liga i (kg ); i Qadd = efeito causado na temperatura pela adio de 1 kg da liga i (Kkg 1 ). Para a validao dos coecientes utilizados para as etapas de injeo de argnio e espera da panela e para a etapa de injeo de energia eltrica foi realizada uma anlise estatstica multi-varivel dos dados medidos durante a etapa de estudo do processo. Pode-se dizer desta forma que o desenvolvimento deste modelo foi baseado na anlise do processo. No entanto, para o seu correto funcionamento necessrio a realizao de alguns procedimentos, tais como: 1. Medio da temperatura da panela no pr-aquecimento; 2. Medio da temperatura do ao lquido durante o despejo na panela; 3. Medio da temperatura do argnio aps 3 minutos de funcionamento;
22
4. Recebimento dos dados de tempo total de processo e temperatura de liberao desejados no forno panela; 5. Medio da temperatura do ao aps 3 minutos de injeo de argnio. Aps estes procedimentos, o sistema denominado LFOR (Ladle Furnace Online Reckoner ) calcula os valores de tempo de forno ligado, nmero do tap a ser utilizado e adies de ligas para se atingir a temperatura desejada. Aproximadamente 15 minutos antes da liberao da corrida, uma nova injeo de argnio de 3 minutos e uma nova medio da temperatura do ao so solicitadas pelo sistema. Baseado no valor da temperatura medida, o sistema LFOR calcula novamente a equao do modelo e exibe os procedimentos para se atingir a temperatura de liberao. A terceira e ltima medio da temperatura do ao lquido realizada antes da liberao da panela, sendo seu objetivo vericar se a temperatura de liberao est de acordo com a temperatura desejada inicialmente. O desempenho do sistema LFOR foi testado e analisado em 100 corridas. A comparao entre a temperatura medida e a temperatura prevista no forno panela pode ser visto na gura 2.5.
Figura 2.5: Comparao entre a temperatura medida e a temperatura prevista no forno panela. Adaptado de (Nath, Mandal, Singh, Basu, Bhanu, Kumar, & Ghosh 2006). O desempenho do sistema de previso da temperatura do forno panela pode se visto na gura 2.6, onde so mostradas as diferenas entre a temperatura real e a temperatura prevista de vrias corridas no forno panela. Os desvios variaram em torno de 5 C para 90% das corridas.
23
Captulo 2
Figura 2.6: Desempenho do sistema de previso de temperatura no forno panela. Adaptado de (Nath, Mandal, Singh, Basu, Bhanu, Kumar, & Ghosh 2006). Com a implantao do sistema LFOR, a mdia de temperaturas medidas durante o processo passou de cinco medies para apenas trs. Esta diferena trouxe uma reduo signicativa no custo operacional do processo. Os resultados obtidos nesse trabalho demonstram a viabilidade de se obter uma modelagem trmica do forno panela atravs de equaes fsicas e anlises estatsticas do processo. No entanto, necessrio um conhecimento profundo e detalhado dos fenmenos trmicos do processo de reno secundrio.
2.3 Aplicaes Industriais utilizando Redes Neurais

O controle avanado de processos tem sido utilizado nas indstrias para a resoluo de problemas de otimizao e modelagem. No entanto, as tcnicas de controle mais difundidas so baseadas em equaes fsico-qumicas de balano de massa e energia e regresses estatsticas. Todavia, para se aplicar a tcnica de modelagem fsica do processo, essencial um conhecimento especco e profundo do mesmo, o que muitas vezes no vivel devido ao tempo e ao grau de conhecimento necessrios. No caso da utilizao de tcnicas de regresso estatstica, para a escolha das funes no-lineares e a estrutura do modelo a serem utilizadas, faz-se desejvel o conhecimento a priori das relaes entre as variveis de entrada e sada (Souan, Souan, & Thomson 1997). Em algum casos, para a aplicao da tcnica de identicao dos parmetros, necessria a interveno no processo, o que muitas vezes no possvel. Por outro lado, para a utilizao de tcnicas de inteligncia computacional, como redes neurais articiais, nenhum conhecimento a priori das relaes fsicas entre as variveis do sistema necessrio, sendo o nico pr-requisito, a existncia de uma base de dados histrica capaz de
24
representar a dinmica do processo em questo. Alm disso, as redes neurais so capazes de atuar como mapeadores universais de funes multi-variveis, com um custo computacional que cresce apenas linearmente com o nmero de variveis, o que a torna bastante atrativa para a utilizao em aplicaes industriais (Braga, Carvalho, & Ludemir 2000). Algumas aplicaes industriais que visam previso de variveis do processo atravs da aproximao da funo que descreve a dinmica do mesmo, utilizando tcnicas de redes neurais articiais, so apresentadas a seguir. Com o objetivo de prever o teor de oxignio da fumaa originada da queima de combustveis, Marzano et al. (2001) desenvolveram um projeto utilizando a tcnica de redes neurais articiais. Para a modelagem do processo de combusto da caldeira foram coletadas 32 variveis em intervalos de 2 segundos, por um perodo de quatro meses. No entanto, aps anlise dos dados, apenas 13 variveis foram efetivamente utilizadas no desenvolvimento do modelo. Aps vrias simulaes, a topologia da RNA de melhor desempenho, possua duas camadas escondidas, com 18 e 12 neurnios respectivamente, sendo o menor erro quadrtico de treinamento obtido de 0,002%. Para o treinamento foram utilizadas 261 amostras dos dados de processo. Para a validao do modelo utilizaram-se 1592 amostras dos dados coletados de hora em hora. Observou-se que, para valores superiores a 4,7% do teor de O2 , o modelo no apresentou bons resultados. Uma justicativa para isso pode ser o fato da rede ter sido treinada fora desta faixa operacional. A tabela 2.2 apresenta uma comparao entre os dados reais e os resultados do treinamento e validao do modelo. O erro absoluto apresentado na tabela calculado pela diferena entre o teor de O2 medido e o obtido pelo modelo. Tabela 2.2: Comparao dos resultados obtidos. Braga, & Nunes 2001). Adaptado de (Marzano,
tem Treinamento Correlao linear % 95,26 Dados com erro < 0,2 % 198 Dados com erro entre 0,2 e 0,5 % 61 Dados com erro entre 0,5 e 1,0 % 2 Nmero total de dados 261
Validao 85,78 876 539 177 1592
O resultado deste trabalho foi o decrscimo do consumo especco de 740 para 720 Gcal/t de vapor, o que gerou um economia de 2,7 % da quantidade de calor fornecida para a produo de vapor. Outra aplicao industrial utilizando RNA foi desenvolvida por Rocha et al. (2005), com o objetivo de prever a temperatura de sada de tubos em um forno de reaquecimento. Devido grande exibilidade da produo da linha
25
Captulo 2
de fabricao de tubos em questo, muitos parmetros importantes para a determinao de um modelo, como: tipo de ao, dimetro do tubo, espessura da parede e o comprimento do tubo, variam de corrida para corrida, tornando difcil a criao de um modelo emprico. Visando a soluo deste problema, Rocha et al. (2005) desenvolveram uma RNA capaz de aprender as relaes existentes no processo, por meio da utilizao de dados histricos do mesmo, para prever a temperatura de sada de cada tubo aps a laminao. Este sistema teve como meta permitir a otimizao do tempo de permanncia do tubo no forno e a simulao da produo de tubos com novas caractersticas fsico-qumicas. Aps a escolha das variveis e a coleta dos dados, iniciou-se o trabalho de tratamento dos dados, limitando-os faixa de operao desejada para o estudo em questo. O objetivo do trabalho foi a obteno de uma rede com erro de modelagem inferior a 1% do valor mdio de sada dos tubos do laminador. Utilizou-se a arquitetura de rede MLP com duas camadas intermedirias e funo de ativao sigmoidal. Aps o treinamento realizado usando o algoritmo de treinamento backpropagation obteve-se, como resultado nal, um erro mdio quadrtico de 4,21 C, que corresponde a 0,57% da temperatura mdia de sada (igual a 850 C). A gura 2.7 apresenta uma comparao entre a temperatura de sada medida com a sada obtida pela rede RNA. Para a realizao do teste de generalizao, novos dados foram coletados correspondentes a um outro perodo de produo.
Figura 2.7: Resultado do teste de generalizao da rede MLP. Adaptado de (Rocha, Souza, Carvalho, & Almeida 2005).
26
O erro mdio obtido no teste de generalizao foi de 7,94 C, o que corresponde a 0,88% do valor mdio da temperatura de sada do tubo. Uma anlise estatstica, mostrada na tabela 2.3, foi realizada para se conrmar o bom resultado obtido pela RNA. Tabela 2.3: Comparao estatstica dos resultado obtidos pela RNA. Adaptado de (Rocha, Souza, Carvalho, & Almeida 2005). Resultados Sada Medida Sada da RNA Valor Mnimo 790,0 791,8 Valor Mximo 922,0 919,9 Valor Mdia 882,4 879,5 Valor Mediano 884,0 884,5 Desvio Padro 20,27 20,39 Faixa Operacional 132,0 128,1 A previso da temperatura de sada dos tubos permitiu a realizao de estudos aprofundados sobre a dinmica do processo, possibilitando a variao, por exemplo, da temperatura de referncia ou da marcha de produo, visando a economia de energia. O trabalho realizado por Carvalho et al. (2005) utilizou a inteligncia computacional no desenvolvimento de um sistema de suporte deciso para o controle de temperatura em um forno panela. Este sistema contemplou o desenvolvimento de um modelo de previso da perda trmica do forno panela para o lingotamento contnuo e um outro modelo de previso da perda trmica entre o convertedor LD (Linz Donawitz) e o forno panela. No desenvolvimento deste ltimo, trs modelos RNA foram obtidos, um para cada tipo de ao: baixo carbono, mdio carbono e alto carbono. A base de dados utilizada para o desenvolvimento dos modelos continha 3213 amostras de 14 variveis do processo. Inicialmente, os dados foram submetidos a um processo de formatao e ltragem para retirar dados fora da faixa de operao de interesse. Para atender ao critrio de generalizao, os dados foram divididos em trs conjuntos: 80% dos dados foram utilizados na etapa de aprendizagem, sendo 60% para o treinamento e 20% para a validao e os 20% restantes foram utilizados no teste de generalizao do modelo alcanado. A rede escolhida representada por uma RNA do tipo MLP com 10 neurnios na camada escondida. Para o treinamento, foi utilizado o algoritmo multi-objetivo para redes MLP. A tabela 2.4 apresenta os erros de predio para os trs modelos obtidos.
27
Captulo 2
Tabela 2.4: Resultado da modelagem da perda trmica entre convertedor LD e Forno Panela. Adaptado de (Carvalho, Maia, Moreira, Fonseca, Fortuna, & Ramos 2005). Resultados Erro mdio - Treinamento Erro mdio - Teste Erro mdio - Total Coeciente de Correlao Baixo Carbono 7,83 C 9,02 C 8,19 C 0,807 Mdio Carbono 9,11 C 10,34 C 9,20 C 0,761 Alto Carbono 9,07 C 9,88 C 9,26 C 0,786
A partir da modelagem das perdas do processo, foi possvel desenvolver um sistema de suporte deciso, permitindo a otimizao do processo de abastecimento do lingotamento contnuo e uma melhor sincronizao das operaes entre as unidades da aciaria. Aldrich et al. (1994), ao descrever aplicaes metalrgicas que utilizaram RNA como tcnica capaz de modelar e interpretar os dados de plantas complexas, descreve uma planta de extrao de ouro que utilizou a rede neural para previso das perdas do processo tanto referentes ao ouro dissolvido quanto ao no dissolvido. Para o desenvolvimento do modelo RNA, foram coletadas 76 amostras de 16 variveis que descrevem as perdas do ouro dissolvido e no dissolvido. Dentre estas amostras, 60 foram utilizadas na etapa de treinamento da rede e 16 amostras foram utilizadas para o teste de generalizao. Uma rede multilayer perceptron com apenas uma camada escondida foi desenvolvida, utilizando o algoritmo de aprendizado backpropagation, tendo 14 variveis de entrada e 2 variveis de sada. Os resultados podem ser vistos nas gura 2.8 e 2.9, para as sadas relativas ao ouro dissolvido e ao no dissolvido respectivamente.
Figura 2.8: Previso do ouro dissolvido utilizando BPNN e MLR. Adaptado de (Aldrich, Deventer, & Reuter 1994).
28
Figura 2.9: Previso do ouro no dissolvido utilizando BPNN e MLR. Adaptado de (Aldrich, Deventer, & Reuter 1994). Os valores resultantes do modelo neural foram ento comparados com os valores previstos pelo modelo de regresso multi-linear. Baseando-se no erro mdio quadrtico, observou-se que a rede neural se comportou signicativamente melhor que a regresso multi-linear existente na planta, aproximadamente 51% melhor para o ouro no dissolvido e 87% melhor para o ouro dissolvido. Outra aplicao mencionada por Aldrich et al. (1994) foi a previso do consumo de aditivos em plantas de lixiviao. Neste caso, a prtica tambm era a utilizao de tcnicas de regresso multi-linear baseada em parmetros empricos. Para o desenvolvimento da RNA foram coletadas 70 amostras de sete variveis do processo, sendo seis variveis de entrada e uma de sada. Na denio da topologia da rede adotou-se uma camada intermediria com 7 neurnios. Para o treinamento, utilizou-se o algoritmo backpropagation e a funo de ativao hiperblica na camada intermediria. Das amostras coletadas, 60 foram utilizadas durante o treinamento da rede e as 10 restantes foram usadas para o teste de validao do modelo. O resultado pode ser visto na gura 2.10.
29
Captulo 2
Figura 2.10: Previso do consumo de aditivos utilizando BPNN e MLR. Adaptado de (Aldrich, Deventer, & Reuter 1994). Da mesma forma, o desempenho da rede neural se mostrou signicativamente melhor que o resultado da regresso multi-linear utilizada na planta, aproximadamente 83% melhor, baseando-se no clculo do erro mdio quadrtico. Baseado nos resultados obtidos nos modelos descritos, Aldrich et al. (1994) acreditam que o uso da rede neural na modelagem de processos metalrgicos pode trazer melhorias signicativas em termos de previso do comportamento das plantas. Uma outra aplicao industrial que utilizou a tcnica de RNA para a previso do comportamento de uma planta foi desenvolvida por (Monteiro 2004). O objetivo do projeto foi desenvolver um modelo de previso da qualidade fsica das pelotas queimadas em uma planta de pelotizao de minrio de ferro. Dentre as diversas anlises de qualidade que so realizadas em um planta de pelotizao, foram escolhidos os resultados dos testes de compresso e perda por abraso como sadas do modelo, por serem requisitos essenciais para anlise de qualidade e produtividade do processo. Normalmente, estes dados so disponibilizados para a produo a cada duas horas, aps anlise laboratorial, o que impede uma deteco rpida de um problema no processo. Para anlise das variveis que fariam parte do modelo, foram realizados testes de correlao e sensibilidade, alm do conhecimento dos especialistas do processo. Feito isso, foram coletadas 1460 amostras sendo que, aps a ltragem e anlise dos dados, 1238 foram selecionadas para a modelagem do processo. Destas, 75% foram utilizadas para o treinamento do modelo e 25% para a validao. Aps vrios testes utilizando as redes neurais do tipo MLP e RBF, o modelo que apresentou o melhor resultado era composto de uma rede neural RBF com 27 neurnios na camada intermediria e um espalhamento de funo radial (spread), do tipo gaussiana, de 12. Foram selecionadas 20
30
entradas para o modelo, sendo 2 delas denidas como variveis de sada do mesmo, utilizadas assim como entrada de realimentao. Em todas as entradas do modelo foi aplicado um atraso de uma amostra em relao s sadas, visando a correo do atraso de tempo existente no processo. A gura 2.11 exibe os resultados obtidos com o modelo de previso da qualidade fsica das pelotas queimadas, comparando-os com os valores reais das anlises realizadas no laboratrio.
Figura 2.11: Resultados de validao do modelo de previso de qualidade das pelotas. Adaptado de (Monteiro 2004). Devido qualidade dos resultados obtidos pelo modelo, foi possvel implementar uma ferramenta de suporte deciso, possibilitando a reduo da disperso do processo produtivo e o aumento da produtividade da planta.
31
Captulo 2
2.4 Consideraes Finais

A busca por modelos trmicos de fornos em siderurgias tem sido objeto de pesquisa e estudo h dcadas. No entanto, somente nos ltimos anos as tcnicas de inteligncia computacional tm sido aplicadas como ferramentas de modelagem na abordagem deste tipo de problema. A anlise do modelo simulado em laboratrio bastante til na avaliao de seu comportamento em intervalos crticos. No entanto, importante ter em mente que o caminho entre a simulao de um processo e o desenvolvimento de uma aplicao sendo executada em tempo real e de maneira convel em uma indstria longo. Baseado nos modelos trmicos descritos nesse captulo e nos resultados de sucesso da utilizao da tcnica de redes neurais articiais para a previso do comportamento de plantas industriais, a proposta desse trabalho de dissertao aplicar a metodologia RNA na modelagem trmica de um forno panela. O prximo captulo descreve sucintamente o processo e o problema para o qual esta dissertao prope uma soluo. A metodologia para o desenvolvimento do projeto e os resultados obtidos pelo modelo so apresentados a seguir.
32
CAPTULO
Desenvolvimento do Modelo Trmico do Forno Panela
ste captulo dedicado a apresentar o processo em estudo e as etapas seguidas no desenvolvimento do modelo neural. Para isso, uma descrio detalhada do processo do forno panela apresentada, tornando possvel o entendimento da importncia da modelagem trmica para a unidade. Os conceitos das redes neurais articiais com nfase no algoritmo Levenberg-Marquardt com regularizao Bayesiana (Dan Foresee & Hagan 1997), utilizados no desenvolvimento desse modelo, so apresentados a seguir. Finalizando, sero descritas as etapas de desenvolvimento do projeto e seus primeiros resultados.
3.1 Processo do Forno Panela

Para compreender a importncia da unidade forno panela em uma indstria siderrgica, uma breve descrio do processo de fabricao de ao ser apresentada. O processo siderrgico para a obteno do ao inicia-se na reduo do minrio de ferro a ferro gusa no alto forno e posteriormente a converso em ao. O carvo exerce duplo papel na fabricao do ao. Como combustvel, permite alcanar altas temperaturas (cerca de 1500 C) necessrias fuso do minrio. Como redutor, associa-se ao oxignio que se desprende do minrio com a alta temperatura, deixando livre o ferro. O processo de remoo do oxignio do ferro para ligar-se ao carbono chama-se reduo e ocorre dentro 33
Captulo 3
do alto forno. No processo de reduo, o ferro se liquefaz e chamado de ferro gusa. Impurezas como calcrio e slica formam a escria, que matria-prima para a fabricao de cimento. A etapa seguinte do processo o reno. O ferro gusa levado para a aciaria, ainda em estado lquido, para ser transformado em ao, mediante queima de impurezas e adies. O reno do ao se faz em fornos a oxignio. Finalmente, a terceira fase clssica do processo de fabricao do ao a laminao. O ao, em processo de solidicao, conformado mecanicamente e transformado em produtos siderrgicos utilizados pela indstria de transformao, como chapas grossas e nas, bobinas, vergalhes, arames, perlados, barras, etc. A gura 3.1 mostra o uxo de produo de uma siderurgia (VMB 2002).
Figura 3.1: Fluxograma de uma siderurgia. A produo de ao depende da disponibilidade de matrias primas como ferro gusa ou sucatas, podendo ser feita por trs mtodos diferentes: pela oxidao de impurezas utilizando xido de ferro como oxidante; pela oxidao com oxignio ou ar; ou ainda pela fuso de materiais contendo ferro, como sucatas em fornos eltricos. Durante a produo de ao, as impurezas contidas na carga como carbono, silcio e fsforo so oxidados por ter maior anidade com o oxignio do que o ferro, ocorrendo subseqentemente reduo do xido de ferro restante. Em princpio a operao do convertedor LD, tambm denominado forno de reno primrio, consiste no sopro de oxignio sobre a superfcie da massa de gusa e sucata atravs de uma lana de ao resfriada a uma distncia entre 30cm a 1m da superfcie fundida. A operao de inicia com a inclinao do convertedor para o carregamento de sucata e gusa lquido. A seguir, este colocado em posio vertical e a lana de oxignio introduzida at a altura desejada, enquanto abre-se simultaneamente a vlvula de oxignio. Aps a ignio, que d-se em poucos segundos, adiciona-se o xido de clcio. Terminado o sopro de oxignio, o convertedor inclinado novamente para se medir a temperatura do ao e o teor de O2 . Feito isso, o convertedor basculado
34
iniciando assim o processo de vazamento do ao atravs de um canal para a panela. Neste canal, acoplado um tampo que tem por nalidade reter a escria no vaso, sendo esta retirada posteriormente (IBS 2003). Aps a elaborao do ao no forno primrio, a continuidade do processo de obteno do ao com um renado ajuste de composio qumica, temperatura e limpidez ocorre atravs da metalurgia secundria. Os principais objetivos da etapa de reno secundrio so: Reduo do tempo de elaborao do ao; Aumento da exibilidade operacional, facilitando o sincronismo da produo at o lingotamento contnuo; Controle da temperatura do ao lquido; Ajuste da composio qumica do ao; Aumento do grau de limpidez do ao. O reno secundrio do ao pode ser realizado atravs de processos de aquecimento por reaes qumicas ou atravs da utilizao de energia eltrica, como o caso do forno panela. No Brasil, o forno panela o equipamento mais utilizado para a realizao deste processo. A unidade do Forno Panela consiste basicamente de uma abbada metlica com 6 furos, sendo 3 para os eletrodos, 1 para adio de ligas e amostragem, 1 para inspeo e 1 para o desempoeiramento; um sistema de carregamento de ligas com 16 silos; um sistema eltrico cujo equipamento principal um transformador de 14MVA (32KA / 310V); e um sistema de transporte denominado carro porta panela. A gura 3.2 uma representao esquemtica do sistema do forno panela.
35
Captulo 3
Figura 3.2: Fluxograma de um forno panela. Adaptado de (Rizzo 2006).
O processo se inicia com o carregamento do gusa e sucata no convertedor LD. exceo do enxofre e oxignio, todos os elementos qumicos so liberados pelo LD com um valor um pouco abaixo da faixa da anlise qumica desejada do ao (reno primrio). Para isso, grande parte das ligas utilizadas no acerto da anlise qumica so adicionadas no LD. Deste modo, apenas o acerto renado feito no forno panela (reno secundrio). Finalizado o despejo do convertedor LD, uma ponte rolante transporta a panela com o ao ao carro porta panela. Este se desloca ao forno panela, onde a abbada abaixada, iniciando o processo de aquecimento. No incio do aquecimento, necessrio adicionar cal ou escria sinttica para adequar o volume de escria na panela, impedindo a exposio do arco eltrico e promovendo a troca trmica. A escria tambm responsvel por diminuir as perdas trmicas do ao e captar as incluses existentes. A etapa de aquecimento dura aproximadamente 10 minutos, dependendo do tipo do ao a ser produzido. Entretanto, nos primeiros minutos, como a panela no est totalmente encharcada termicamente e h grande adies de massa de cal (escria sinttica), a taxa de aquecimento do ao mais baixa (Rizzo 2006). Como o aquecimento do ao no forno panela ocorre de cima para baixo, o ao em contato com a escria tende a car com uma temperatura mais elevada. Assim durante todo o processo do forno panela, um gs inerte (argnio) injetado atravs de plugs porosos localizados na base da panela, com o objetivo de homogeneizar a temperatura do ao e evitar um desgaste excessivo do refratrio na linha de escria. Para se evitar riscos de transbordamentos e superaquecimento da abbada, no forno panela opera-se com borda livre na
36
faixa de 600 a 1400 mm. Finalizada a etapa de aquecimento, realizada uma amostragem do ao para clculo de correo da composio qumica do ao. Inicia-se ento a etapa de reno, com a adio de ferros-liga e/ou metais puros alm do restante de escria. Nesta etapa, o tempo de aquecimento depende da temperatura objetivada de liberao do ao para o lingotamento contnuo. As ligas adicionadas tem o objetivo de se atingir a faixa de anlise qumica requerida. O argnio, injetado pelo fundo da panela durante toda a elaborao do reno do ao, visa otar as incluses para a escria e homogeneizar a temperatura e a composio qumica do ao. Durante todo o processo, vrias medies de temperatura so realizadas. No entanto, para realizao destas medies, necessrio subir os eletrodos, abrir uma portinhola e descer a lana de medio, gerando aproximadamente 1,5 minutos de forno desligado. Para concluir o processo, uma amostra de ao retirada e a panela liberada para o lingotamento contnuo. A gura 3.3 representa o ciclo terico de tratamento de um ao comum no forno panela.
Figura 3.3: Evoluo trmica no tratamento de um ao comum no forno panela. Adaptado de (Ribeiro, Quinto, & Cruz 2005). O grande diferencial do forno panela reside na facilidade de elevao e manuteno da temperatura do metal lquido. Entretanto, como o aquecimento feito pela transmisso de calor do arco eltrico para a escria e desta para a superfcie do banho metlico, este fato limita a taxa de aquecimento do ao capacidade de renovao do mesmo na superfcie. Desta forma, o controle da agitao causada pela injeo de argnio de grande importncia pois, uma agitao excessiva poder provocar a exposio do ao atmosfera, ocasionando forte oxidao do banho e deteriorao da qualidade do ao. Por outro
37
Captulo 3
lado, uma agitao insuciente pode ocasionar desgaste do refratrio na linha de escria, havendo risco de furar a panela e vazar o ao lquido. Por isto as taxas de aquecimento alcanam em mdia 3,5 a 5,0 C/min, podendo chegar, em alguns casos, a 6,0 C/min. A variao da taxa de aquecimento est ligada tambm variao da potncia utilizada. A alterao desta potncia realizada alterando-se a tenso no secundrio do transformador. No forno panela em estudo, existem 10 taps que podem ser utilizados de acordo com a potncia desejada. A seleo de um tap implica na eliminao ou incluso de enrolamentos da bobina do primrio do transformador, mudando a razo do mesmo. Desta forma, obtm-se uma menor ou maior tenso no secundrio. Assim, quanto menor o tap, maior a potncia no secundrio e maior a taxa de aquecimento do forno panela (Ribeiro, Quinto, & Cruz 2005). A gura 3.4 apresenta curvas caractersticas de diversos parmetros do forno panela, indicando a resposta e o comportamento do equipamento para um determinado tap.
Figura 3.4: Curvas caractersticas de um forno panela para um determinado tap. A energia eltrica consumida durante o processo do forno panela produto da potncia ativa pelo tempo de forno ligado nesta potncia. A equao 3.1 descreve a energia til necessria para o tratamento do forno panela: Et = Ee + Ep onde: Et = energia til consumida durante o tratamento (kW h); Ee = energia efetiva para o aquecimento (kW h);
38
(3.1)
Ep = energia perdida durante o tratamento - perda trmica (kW h). A energia efetivamente utilizada no aquecimento denida na equao 3.2: Ee = Pao .Cpao .(T f T i) onde: Ee = energia efetiva para o aquecimento (kW h); Pao = peso do ao na panela (kg ); Cpao = calor especco do ao (kW h/kg. C ); T f = temperatura nal do ao ( C); T i = temperatura inicial do ao ( C). A energia perdida durante o tratamento do forno panela constituda de trs componentes principais: perdas trmicas para a abbada e eletrodos, perdas por transferncia de calor na panela e perdas trmicas para escria, ligas e fundentes. As perdas por radiao na superfcie do banho, dependem da temperatura da escria e do estado trmico da abbada e eletrodos. J as perdas trmicas por transferncia de calor na panela, podem ser divididas em dois grupos: perdas por conveco e perdas por conduo. Um outro fator que deve ser levado em considerao na determinao das perdas trmicas na panela, o estado trmico da panela que denido como ndice de encharque da panela. Para a determinao do ndice encharque das panelas, no forno panela em estudo, foi desenvolvido um sistema especialista que representa esta varivel atravs de uma faixa de (0-100), onde 0 representa a pior condio trmica da panela e 100 representa a melhor condio (Fujii, Lenna, Sampaio, & Muradas 2005). Durante o desenvolvimento do sistema, optou-se por utilizar como entrada, variveis fuzzy, por transcrevem de forma mais coerente o conhecimento lingstico dos especialistas e operadores do processo. As variveis de entrada denidas pelo sistema foram: Tempo com ao - tempo total da panela com ao durante a ltima corrida. Tempo sem ao - tempo total da panela sem ao, coletado aps o nal da corrida. Nmero de seqncias no ciclo - seqncia de corridas realizadas pela panela aps sua entrada no ciclo. Tempo no gs - tempo total da panela em aquecimento.
39
(3.2)
Captulo 3
Tempo no gs proporcional - tempo total da panela no aquecedor em relao ao tempo sem ao na panela. Temperatura no gs - valor da ltima temperatura da panela medida no aquecedor. Tempo fora do gs - tempo total em que a panela se encontra fora do aquecedor. Para a denio dos conjuntos fuzzy das entradas, foram calculados os valores mdio, mximo e mnimo de cada varivel, e avaliados os padres utilizados pelos operadores da rea para a denio das faixas alto, mdio e baixo das variveis utilizadas no sistema. Os conjuntos fuzzy de sada do sistema foram denidos tomando como base as condies operacionais das panelas onde: panelas fora do ciclo teriam as piores condies trmicas, panelas do gs teriam uma condio intermediria e panelas do ciclo representariam o conjunto fuzzy de melhores condies trmicas (Fujii, Lenna, Sampaio, & Muradas 2005). A gura 3.5 apresenta um diagrama esquemtico do funcionamento do sistema desenvolvido.
Figura 3.5: Modelo para determinao do ndice de encharque (Fujii, Lenna, Sampaio, & Muradas 2005). As perdas trmicas para escria, ligas e fundentes podem ser agrupadas em: energia gasta na fuso e aquecimento da escria existente e fundentes adicionados, energia gasta na fuso e aquecimento das ligas, e energia de dissoluo, podendo ser endotrmica ou exotrmica.
40
Como o clculo das perdas do processo do forno panela de difcil implementao devido ao mapeamento de todas as contribuies existentes para o balana trmico, comum optar-se por um balano trmico global, que leva em conta as seguintes variveis: qualidade do ao; peso do ao (kg); tempo previsto para o tratamento (minutos); temperatura inicial do ao ( C); temperatura objetivada do ao ( C); peso das ligas adicionadas (kg); espessura da escria (cm); estado trmico da panela; vida da panela; estado trmico da abbada. No entanto, este balano global apresenta erros, pois depende das condies da escria e do tempo decorrido entre dois tratamentos no forno panela. Segundo Szekely et al. (1988), para se a analisar as perdas ocorridas durante o processo de tratamento do ao no forno panela, devem-se considerar os seguintes tens: 1. Perda trmica do ao com o meio ambiente, principalmente com a parede da panela, enquanto o ao lquido estiver na panela. 2. Perda por radiao com a superfcie enquanto houver agitao do ao atravs da injeo de gases. 3. Energia adicionada ao banho atravs do uso do arco eltrico. Das perdas citadas, apenas a perda devido agitao do banho no tinha sido considerada no clculo do balano trmico global. De acordo com Szekely et al. (1988), durante o processo de agitao do banho, a perda trmica pode ser maior, caso haja distrbios causados na escria. Assim, um valor preciso desta perda muito difcil de ser denido. No entanto, a tabela 3.1, desenvolvida por Szekely et al. (1988) , prov uma orientao sobre valores tpicos das perdas para alguns tratamentos em panela.
41
Captulo 3
Tabela 3.1: Perdas tpicas em tratamento em panelas. Adaptado de (Szekely, Carlsson, & Helle 1988). Tratamento Espera, sem agitao na panela Borbulhamento de gases Valor 1 C/min 2 C/min
3.2 Redes Neurais Articiais

A principal caracterstica de um rede neural sua habilidade de aprender com o ambiente que a envolve e aperfeioar este aprendizado. O modelo de aprendizado da rede pode ser denido como supervisionado ("aprendendo com um professor") ou no supervisionado ("aprendendo sem um professor"). Nos sistemas supervisionados, o "professor"possui o conhecimento do ambiente, representado por exemplos de entrada e sada do sistema a ser modelado. Assim, durante o processo de aprendizado, o "professor" capaz de exibir a resposta desejada para os valores apresentados na entrada da rede. Os parmetros da rede so ento ajustados a m de minimizar o erro entre a sada desejada e a sada obtida (Haykin 1999). Em uma rede MLP a superfcie do erro descrita como a soma dos erros quadrticos dos valores obtidos pela rede e os valores desejados. O problema do treinamento encontrar os melhores parmetros da rede que se ajustam ao melhor mapeamento de entrada e sada do modelo. As regras de aprendizado diferem na maneira como os pesos so ajustados (wij ). A equao 3.3 descreve o clculo bsico utilizado para a correo dos pesos de uma rede. wij (x + 1) = wij (x) + wij (x) (3.3)
A essncia do aprendizado baseado no mtodo de gradiente descendente a atualizao dos pesos wij na direo oposta do gradiente da funo erro, isto wij E , onde E a funo erro. Em geral, a atualizao dos pesos usando o mtodo gradiente expresso pela equao 3.4 (Braga, Parma, & Menezes 1999). wij (x) = onde: = taxa de aprendizado. No entanto, as equaes 3.3 e 3.4, derivadas do backpropagation, no garantem a convergncia do algoritmo para a soluo tima, visto que a superfcie do erro no simtrica e irregular. Com isso, vrios mtodos vm sendo
42
dE dwij
(3.4)
desenvolvidos a m de superar as diculdades encontradas e acelerar o processo de convergncia do backpropagation. Estes desenvolvimentos podem ser classicados em dois grupos. O primeiro grupo se refere s tcnicas ad hoc, como variao da taxa de aprendizagem, incluso do termo momentum ou alterao do mtodo de atualizao dos pesos da rede (Braga, Parma, & Menezes 1999). J o segundo grupo tem como foco tcnicas de otimizao numrica. Dentre estas tcnicas, a mais conhecida utiliza o mtodo de gradiente conjugado ou quasi-Newton. O algoritmo gradiente conjugado se difere do backpropagation no clculo de ajuste dos pesos da rede. Considerando a equao 3.5 como a equao de ajuste do backpropagation com o termo momentum, o algoritmo gradiente conjugado pode ser considerado um backpropagation com ajustes nos coecientes e a cada iterao (Charalambous 1992). Desta forma, o ajuste dos pesos no mtodo gradiente conjugado realizado considerando a direo do conjugado, produzindo uma convergncia mais rpida do que a obtida pelo algoritmo backpropagation. wij (x + 1) = wij (x) (wij (x)) + (wij (x) wij (x 1)) onde: = taxa de aprendizado; = termo momentum; (w) = p n=1 fn (w ). O algoritmo quasi-Newton uma alternativa do mtodo gradiente conjugado. Este algoritmo pertence classe de algoritmos que implementam o mtodo de Newton, mas no calculam as derivadas de segundo grau, da o nome quasi-Newton. A equao 3.6 descreve de modo sucinto como calculado a atualizao dos pesos atravs do mtodo Newton.
wij (x + 1) = wij (x) Hx 1(wij )
(3.5)
(3.6)
onde: Hx = matriz hessiana dos pesos e bias da rede (derivadas de segundo grau). De acordo com o algoritmo de Newton, se a funo erro a ser otimizada for aproximadamente quadrtica num certo domnio, a equao 3.6 pode ser empregada para produzir estimativas do ponto de mnimo que convergem muito mais rapidamente que aquelas produzidas pelo algoritmo do gradiente. No entanto, como o clculo da matriz hessiana complexo e demanda um alto custo computacional, o algoritmo quasi-Newton calcula uma aproximao da matriz
43
Captulo 3
hessiana a cada iterao, computando-a como uma funo do gradiente. Entretanto, observando os requisitos descritos nas hipteses do teorema da convergncia global, verica-se que o algoritmo de Newton no satisfaz a exigncia de que cada iterao deva ser descendente, ou seja, de que o valor da funo objetivo necessariamente decresa a cada iterao. De fato, nada garante que o clculo analtico da soluo se aplique a um problema no quadrtico, podendo levar a no convergncia do algoritmo (Takahashi 2003).
3.2.1 Algoritmo Levenberg-Marquardt

Assim como o mtodo quasi-Newton, o mtodo Levenberg-Marquardt foi desenvolvido para calcular uma aproximao da matriz hessiana. Quando a funo objetivo tem a forma da soma dos quadrados, como o caso da funo erro de uma rede MLP, a matriz hessiana pode ser aproximada como:
V (x) = J T (x).E (x) 2 V (x) = J T (x).J (x) + S (x) onde: 2 V (n) = n i=1 ei (x); e(x) = vetor de erros da rede; 2 V (x) = matriz hessiana; J (x) = matriz jacobiana; 2 S (x) = n i=1 ei ei (x).
(3.7) (3.8)
O mtodo Gauss-Newton assume que S (x) 0, assim a equao de atualizao dos pesos descrita como: x = [J T (x).J (x)] 1.J T (x).e(x) (3.9)
O mtodo Levenberg-Marquardt modica Gauss-Newton, incluindo um fator responsvel pelo ajuste do tamanho do incremento realizado pelo algoritmo. A equao 3.10 descreve esta modicao. x = [J T (x).J (x) + I ] 1.J T (x).e(x) (3.10)
Desta forma, quando o algoritmo reduz V (x), dividido por um fator . Da mesma forma, quando V (x) incrementado, multiplicado pelo fator . Uma observao importante deste algoritmo que se for muito grande o algoritmo se torna gradiente descendente. Por outro lado, se for muito pequeno, o algoritmo se torna Gauss-Newton (Hagan & Menhaj 1994).
44
Como a matriz jacobiana, descrita na equao 3.11, composta pelas derivativas de primeira ordem dos pesos, bias e erros da rede, esta pode ser facilmente calculada atravs da tcnica utilizada no algoritmo backpropagation, sendo muito menos complexa que a matriz hessiana.
J (x) =
de1 (x) dx1 de2 (x) dx1 de1 (x) dx2 de2 (x) dx2
... ... . . . ...
de1 (x) dxm de2 (x) dxm
. . .
den (x) dx1
. . .
den (x) dx2
. . .
den (x) dxm
(3.11)
3.2.2 Regularizao Bayesiana

Durante o treinamento de uma rede neural, o objetivo principal gerar um rede que produza um baixo erro de aprendizado e, principalmente, que seja capaz de responder adequadamente apresentao de novos dados, isto , que a rede tenha uma boa capacidade de generalizao. Um mtodo considerado eciente para aperfeioar a generalizao de uma rede a regularizao, que se baseia na restrio dos valores dos pesos da rede. A idia manter os pesos com valores pequenos, possibilitando uma suavizao da sada da rede. Este mtodo tem como premissa que a funo modelada pela rede tem um certo grau de suavidade. Tipicamente, o treinamento de uma RNA tem como meta a reduo do erro mdio quadrtico (M = Ed ). No entanto, com a implementao da regularizao, a funo objetivo se torna M = Ed + Ew , onde Ew a soma quadrtica dos pesos da rede e e so os parmetros da funo.
n
Ed =
i=1
(yi ai )
(3.12)
onde: ai = resposta da rede; yi = resposta desejada; Ed = vetor de erros da rede. O comportamento do treinamento depende dos valores dos parmetros e . Se << , o algoritmo conduzir a funo objetivo para a minimizao do erro. No entanto, se >> a nfase do algoritmo ser a reduo dos valores dos pesos da rede, produzindo uma sada mais suave. Sendo assim, o principal problema da implementao da regularizao a denio dos valores dos parmetros e (Dan Foresee & Hagan 1997).
45
Captulo 3
MacKay (1992), em seu trabalho sobre a aplicao dos mtodos bayesianos em redes neurais, introduz o conceito de "espao de pesos", que representa o espao dos conjuntos de parmetros da rede. Segundo Mackay (1992), o algoritmo de treinamento tradicional, busca um nico conjunto de parmetros que se encontra mais prximo da mxima verossimilhana. Sob o ponto de vista bayesiano, o algoritmo de treinamento busca conjuntos aceitveis de parmetros levando em considerao o conhecimento a priori da distribuio destes parmetros. A teoria bayesiana prov uma estrutura para modelagem que tm como objetivo desenvolver modelos probabilsticos bem adaptados aos dados e que sejam capazes de realizar timas previses. A estrutura bayesiana, utilizada no clculo de atualizao dos pesos da rede, considera como aleatrios os valores iniciais do pesos. Aps a apresentao dos dados, a funo densidade dos pesos atualizada de acordo com as regras bayesianas, descritas pela equao 3.13. P (w | D, , , A, R) = onde: D = representa o conjunto de dados; A e R representam os modelos, sendo A um conjuntos de parmetros e R o termo regularizador (a priori ); w = vetor de pesos da rede; P (D | w, , A) = representa a funo de verossimilhana, que signica a probabilidade dos dados ocorrerem dado os pesos w; P (w | , A, R) = representa o conhecimento a priori da densidade dos pesos da rede, isto , antes da apresentao dos dados; P (D | , , A, R) = fator de normalizao, que garante que a probabilidade mxima ser igual a 1. A distribuio a posteriori dos pesos ento obtida atravs da multiplicao da verossimilhana pela distribuio a priori, dividido pelo espao de pesos, tambm chamado de evidncia. Na estrutura bayesiana, os pesos timos tendem a maximizar a probabilidade a posteriori P (w | D, , , M ), que representa o equivalente a minimizar a funo objetiva F = Ed + Ew (Dan Foresee & Hagan 1997). Na regularizao bayesiana, as regras bayesianas so utilizadas para se encontrar os valores timos dos parmetros e . A inferncia dos valores que os parmetros devem possuir a partir dos dados apresentados realizada atravs do clculo da probabilidade a posteriori, descrita pela equao 3.14.
46
P (D | w, , A)P (w | , A, R) P (D | , , A, R)
(3.13)
P (, | D, A, R) =
P (D | , , A, R)P (, ) P (D | A, R)
(3.14)
O termo P (D | , , A, R) chamado de evidncia de e e o termo P (D | A, R) denominado evidncia de A e R. Como P (, ) denido como o conhecimento a priori e, princpio, os valores de e no so conhecidos, a funo evidncia de e utilizada para atribuir valores preferncias para os parmetros. Assumindo que a funo de regularizao R tem a forma quadrtica, ento Ed e Ew tambm so funes quadrticas de w. Com isso, os valores mais provveis dos parmetros e so obtidos pelas equaes 3.15 e 3.16, respectivamente. M P = 2Ew (wM P ) N 2Ed (wM P ) (3.15)
MP =
(3.16)
onde: = N 2M P T race(H M P )1 , representa o nmero de parmetros da RNA que so realmente utilizados na reduo do erro; H M P = 2 Ed + 2 Ew , matriz hessiana da funo objetivo; N = total de parmetros da rede. Para o clculo da matriz hessiana, recomenda-se a utilizao da aproximao de Gauss-Newton empregada no algoritmo Levenberg-Marquardt. Desta forma, o custo computacional adicional para a implementao da regularizao bayesiana se torna mnimo. No entanto, para garantir a consistncia dos resultados, alguns pontos devem ser observados: 1. Caso o valor de , que determina o nmero efetivo de parmetros utilizados na reduo do erro, seja igual ao nmero de parmetros da rede N , recomenda-se aumentar o nmero de parmetros existentes a m de garantir que a rede grande o suciente para representar a funo modelada; 2. Os valores obtidos na rede com um maior nmero de parmetros deve possuir valores similares para as variveis , Ed e Ew . Caso no possua, uma nova alterao da rede, como aumentar o nmero de neurnios da camada escondida, deve ser realizada. A gura 3.6 mostra os resultados de uma rede com a aplicao da tcnica
47
Captulo 3
de regularizao bayesiana comparada a uma rede que no utiliza regularizao.
Figura 3.6: (a) Rede sem regularizao comparada a uma (b) Rede com regularizao bayesiana. Adaptado de (Dan Foresee & Hagan 1997).
3.3 Desenvolvimento do Modelo

Para o desenvolvimento desse trabalho, foi utilizado o forno panela da V&M do Brasil por ser uma das grandes unidades consumidoras de energia eltrica da empresa. O controle da temperatura do ao no forno panela em estudo tem sido foco de ateno h alguns anos. A primeira tentativa de implementao baseavase no clculo de previso de trmino da corrida durante a etapa de reno do ao, considerando a temperatura objetivada, a temperatura medida e a perda trmica devido adio de ligas. As equaes 3.17 a 3.20 descrevem os clculos realizados a cada medio de temperatura. tT = tl + ta (3.17)
Hf c = Hat + tT onde: Hf c = horrio previsto para m de corrida; Hat = hora atual do sistema; tT = tempo total da corrida no Forno Panela;
(3.18)
ta = tempo mdio gasto para a injeo de arames (considerado 2,5 min por tipo de arame);
48
tl = tempo de forno ligado, a partir do reno.
tl =
T txF P
(3.19)
T = Tobj [Tmed (Tlig + 5 C )] onde:
(3.20)
5 C = perda trmica mdia referente injeo de arames (valor emprico denido pelos especialistas em metalurgia secundria da V&M do Brasil); Tmed = temperatura medida do ao; Tobj = temperatura objetivada do ao; Tlig = perda trmica devido s adies de ligas ( C/kg); txF P = taxa de aquecimento do Forno Panela ( C/min). Os valores das taxas de aquecimento utilizadas no clculo foram retirados de uma tabela existente no sistema de automao da planta, onde podiase encontrar uma taxa objetivada para cada tipo de panela e para cada tap do transformador. Dentre os tipos de panela, existiam "boa"(utilizadas para panelas que estavam no ciclo de produo e, supostamente, quentes), "mdia"(utilizadas para panelas no ciclo, mas no muito quentes) e "ruim"(utilizadas para panelas procedentes dos aquecedores e, supostamente, frias). Como estes valores eram xos, inicialmente testou-se a atualizao da taxa de aquecimento a partir da equao 3.21, a m de validar os valores da tabela com o processo real. txF P = onde: Tini = temperatura do ao no incio da etapa de reno; Tf im = temperatura do ao no nal do processo no forno panela; t = tempo em que o forno permaneceu ligado. Entretanto, no se obteve correlao entre a taxa de aquecimento calculada e a objetivada para cada tap. Uma das hipteses que os dados da tabela, alm de muito subjetivos, no consideravam outros aspectos importantes do processo relacionados variao de temperatura do ao. Assim, com a volta da utilizao das taxas de aquecimento objetivadas para cada tap e estado de panela, a preciso do clculo do tempo necessrio para o aquecimento do ao tornou-se invivel. Desta forma, durante as etapas de aquecimento e reno do forno panela, os
49
(Tf im Tini ) t
(3.21)
Captulo 3
tempos de aquecimento estabelecidos em padres no reetiam a necessidade trmica da corrida em elaborao e, por esse motivo, eram constantemente modicados pelos operadores ao longo do processo, acarretando um aumento do consumo de energia, devido ao sobre-aquecimento do ao, e uma alta variabilidade do processo. A proposio desse trabalho foi desenvolver um modelo neural capaz de prever a temperatura do ao a cada perodo de tempo, considerando todas as variveis que possuem medio e correlao com a perda trmica do ao durante o processo no forno panela.
3.3.1 Denio das Variveis

Para iniciar o processo de denio das variveis do modelo trmico foram mapeados todos os fatores que, segundo a literatura e especialistas do forno panela, teriam inuncia na variao da temperatura do ao. Os fatores foram denidos como: Perda trmica para a panela; Perda trmica para a abbada; Perda trmica nos momentos de espera; Ganho trmico devido injeo de energia atravs do arco eltrico; Efeitos trmicos relacionados adio de ligas; Perda trmica devido agitao - injeo de argnio. Com isso, foi realizado um levantamento de todas as variveis do processo que possuam correlao com as perdas mapeadas, denindo assim as entradas do modelo. Para validar a escolha destas variveis, foram realizadas anlises de correlao cruzada, apresentadas a seguir. O clculo terico da perda trmica com a panela (refratrio) utiliza dados das seguintes variveis: temperatura da parede, temperatura de praquecimento da panela, temperatura do ao lquido, temperatura da superfcie da panela, densidade do ao, calor especco do ao, coeciente de transferncia de calor, entre outros; dependendo da abordagem realizada. No entanto, muitos desses dados no so coletados pelo sistema existente. Assim, decidiuse utilizar um ndice, denominado ndice de encharque, que representa a condio trmica da panela. Este ndice gerado por um sistema especialista que tem como entrada dados histricos da campanha da panela. Sendo assim, o ndice de encharque (gura 3.7) juntamente com a temperatura inicial do ao (gura 3.8) foram as variveis escolhidas para mapear as perdas relacionadas panela.
50
Figura 3.7: Varivel ndice de Encharque.
Figura 3.8: Varivel Temperatura Inicial do Ao. Os grcos de correlao cruzada da varivel temperatura inicial com a varivel de sada do modelo so mostrados na gura 3.9.
51
Captulo 3
Figura 3.9: Correlao Cruzada da Temperatura Inicial x Temperatura Final do Ao. Para identicar a perda trmica com a abbada, seria necessrio calcular as perdas por radiao na superfcie do banho, que dependem da temperatura da escria e do estado trmico da abbada e eletrodos. Como esses dados no esto disponveis do sistema e so difceis de se determinar, foi coletada a varivel altura da borda livre (gura 3.10), que representa a distncia entre a escria e a borda da panela.
Figura 3.10: Varivel Altura da Borda Livre.
52
Para mapear a perda trmica que ocorre durante os momentos de espera, coletou-se o tempo de forno desligado (gura 3.11). Os grcos de correlao cruzada da varivel tempo de forno desligado com a varivel de sada do modelo so mostrados na gura 3.12.
Figura 3.11: Varivel Tempo de Forno Desligado.
Figura 3.12: Correlao Cruzada do Tempo de Forno Desligado x Temperatura Final do Ao.
53
Captulo 3
O ganho trmico devido injeo de energia seria facilmente calculado partir da coleta da quantidade de energia injetada no banho (kW/h). No entanto, devido constante indisponibilidade do instrumento de medio de energia, resolveu-se substituir esta varivel pelas variveis nmero do tap (gura 3.13) e tempo de forno ligado (gura 3.14), que representam a tenso aplicada ao secundrio do transformador e o tempo de injeo desta energia ao banho, respectivamente.
Figura 3.13: Varivel Nmero do TAP.
Figura 3.14: Varivel Tempo de Forno Ligado. Os grcos de correlao cruzada da varivel tempo de forno ligado com a varivel de sada do modelo so mostrados na gura 3.15.
54
Figura 3.15: Correlao Cruzada do Tempo de Forno Ligado x Temperatura Final do Ao. As perdas trmicas devido adio de ligas, escria e fundentes (gura 3.16), foram calculadas por meio da equao 3.22, considerando os valores de peso lquido do ao, peso do material adicionado e contribuio trmica do material. pdt = pm .tm .ctm pl (3.22)
onde: pdt = perda trmica devido adio de ligas ( C ); pm = peso do material adicionado (kg ); tm = teor do material adicionado (%); ctm = contribuio trmica do material ( C/kg ); pl = peso lquido do ao (kg ).
55
Captulo 3
Figura 3.16: Varivel Perda Trmica. Os grcos de correlao cruzada da varivel perda trmica com a varivel de sada do modelo so mostrados na gura 3.17.
Figura 3.17: Correlao Cruzada das Perdas Trmicas x Temperatura Final do Ao. A perda trmica devido injeo de argnio no foi mapeada pelo modelo devido inexistncia da medio do volume de argnio injetado durante a corrida.
56
As variveis qualidade do ao (gura 3.18) e peso lquido do ao (gura 3.19) foram includas no modelo por serem denidas, segundo Rizzo (2006), como variveis importantes nas contribuies mapeadas do balano trmico global de um forno panela.
Figura 3.18: Varivel Qualidade do Ao.
Figura 3.19: Varivel Peso Lquido do Ao. Devido baixa amostragem de dados (um valor amostrado a cada corrida) das variveis ndice de encharque, nmero do TAP, qualidade do ao, peso lquido do ao e altura da borda livre, os testes de correlao cruzada com a temperatura nal do ao no foram considerados. O clculo da funo de correlao cruzada da srie da temperatura nal do ao com as sries univariadas denidas como entrada do modelo permite
57
Captulo 3
dimensionar o grau de inuncia exercido entre as sries e em quanto tempo uma alterao de uma srie reetida no comportamento da outra. Para se calcular o ndice de correlao, normalmente utiliza-se o coeciente de correlao linear r de Pearson, denido pela equao 3.23. r= onde: x = valor mdio da srie x; y = valor mdio da srie y . No entanto, um baixo valor desse ndice no elimina a hiptese de que as variveis podem estar correlacionadas de forma no linear. Outro fator determinante a variabilidade. Uma baixa variabilidade pode gerar uma baixa correlao, se comparada a uma srie com alta variabilidade. o que se observa na varivel perda trmica que, apesar de possuir baixo ndice de correlao linear (r = 0, 0327), possui alta dependncia com a variao da temperatura nal do ao. Normalmente, para a realizao da anlise de correlao cruzada entre sries temporais, desejvel que se elimine a componente de tendncia das mesmas. A decomposio de um sinal pode ser realizada a partir da utilizao de ltros como o TCS (Mohr 2005). Segundo Mohr (2005), o ltro TCS tem como pressuposto que uma srie temporal pode ser decomposta em componentes que descrevem o comportamento de tendncia, fatores cclicos e variaes sazonais. Fatores cclicos e sazonais so denidos como comportamentos estocsticos que acontecem de maneira recorrente ao longo de um perodo denido. No entanto, a srie de previso do modelo neural em questo no possui uma periodicidade constante de amostragem dos dados, se tornando invivel a utilizao deste ltro. Assim, para determinar a importncia de cada uma das entradas do modelo, foram realizados testes de sensibilidade no modelo. Foi observado que a retirada de qualquer uma das variveis denidas afetam o desempenho do mesmo. Desta forma, decidiu-se manter todas as variveis selecionadas como valores de entrada do modelo neural.
i (xi i ( xi
x )(yi y )
i (yi
x )2
y )2
(3.23)
3.3.2 Coleta e Pr-processamento dos Dados

O forno panela em estudo composto por um sistema SCADA (Factory Link 6.5 c ) interligado a um conjunto de PLCs Siemens S5 e S7, responsveis pelo controle das unidades forno panela e rinsagem. O sistema de automao da unidade possui tambm um banco de dados Oracle c responsvel por ar58
mazenar os dados consolidados das corridas realizadas, servindo como banco intermedirio ao sistema MES da empresa (gura 3.20).
Figura 3.20: Arquitetura do sistema de automao do Forno Panela. A abordagem inicial para o desenvolvimento do modelo foi usar as medies j existentes no banco de dados, sendo utilizados apenas os valores de temperatura inicial e nal do ao de cada corrida para a realizao da modelagem. No entanto, o erro mdio encontrado durante a validao do modelo no foi satisfatrio, em torno de 8 C. Com isso, deniu-se que para o modelo estimar a temperatura do ao a cada perodo de tempo seria necessrio coletar as variveis a cada amostragem de temperatura. Desta forma, seria possvel a utilizao de todas as medies de temperatura para o modelagem do processo. Para isso, foi necessrio a criao de uma nova tabela no banco de dados para armazenamento dos dados de nmero do tap, tempo de forno ligado e tempo de forno desligado para cada medio de temperatura. Os valores de temperatura do ao, ndice de encharque e horrio de medio tambm foram armazenados nesta tabela a m de facilitar a implementao do modelo online. Os dados sobre as adies de ligas, escrias e fundentes j eram armazenados em uma tabela, sendo possvel selecionar as adies realizadas na corrida durante um intervalo de tempo. A gura 3.21 mostra um desenho esquemtico das abordagens adotadas durante o desenvolvimento do modelo.
59
Captulo 3
Figura 3.21: Abordagens no desenvolvimento do modelo. Para coletar os dados do processo, foi desenvolvido um programa em Delphi 7.0 c , responsvel por buscar os dados nas diversas tabelas do sistema, format-los e aplicar o primeiro critrio de pr-processamento nos mesmos. O critrio inicial de pr-processamento consistiu na ltragem dos dados que estavam fora da faixa operacional, como peso lquido mximo de 86 toneladas e altura de borda livre mnima de 10 cm. Depois de aplicado o ltro, vericou-se que ainda existiam inconsistncias nos dados referentes variao entre as temperaturas medidas do ao, quando considerados os valores de tempo de forno ligado, tempo de forno desligado e perda trmica. Uma das hipteses para esta inconsistncia a ausncia da varivel argnio no modelo neural. Segundo Szekely et al. (1988), o borbulhamento de gases no banho pode acarretar uma perda de at 2 C/min. Outro fator para esta inconsistncia a presena de medies incorretas, muitas vezes ocasionada por mal posicionamento da lana de medio. Quando isso ocorre, uma nova medio realizada para validao do resultado, no entanto esse dado no ltrado pelo sistema por no possuir um marcador que o dena como medio incorreta. Com isso, utilizou-se uma tabela terica das taxas de aquecimento do forno panela para uma nova ltragem dos dados. Para a construo da tabela 3.2, considerou-se o valor mdio da taxa de aquecimento por tap com uma variao de -3,5 C (valor mnimo) a +4,5 C (valor mximo). Nesta tabela foram utilizados apenas os tap de 2 a 8 por serem os efetivamente utilizados pela operao durante o processo de treinamento, validao e generalizao do modelo.
60
Tabela 3.2: Tabela terica das taxas de aquecimento do forno panela, determinada de forma emprica pelos especialistas em metalurgia secundria da V&M do Brasil. Nmero do TAP Valor mnimo 2 2,0 C/min 3 1,7 C/min 4 1,5 C/min 5 1,0 C/min 6 0,5 C/min 7 0,5 C/min 8 0,5 C/min Valor mdio 5,5 C/min 5,2 C/min 5,0 C/min 4,5 C/min 4,0 C/min 3,5 C/min 3,0 C/min Valor mximo 10,0 C/min 9,7 C/min 9,5 C/min 9,0 C/min 8,5 C/min 8,0 C/min 7,5 C/min
Para o clculo da taxa de resfriamento foram considerados os valores de 0,5 C/min como valor mnimo, 0,8 C/min como valor mdio e 1,5 C/min como valor mximo. Com esses valores denidos, as variaes mnimas e mximas entre as temperaturas do ao coletadas em cada amostra foram calculadas, considerando seus valores de tempo de forno ligado, tempo de forno desligado e perda trmica.
TM in = (tF L .M inta ) (tF D .M intr ) + pdT TM ax = (tF L .M axta ) (tF D .M axtr ) + pdT
(3.24) (3.25)
onde: TM in = variao mnima entre as temperaturas medidas de cada amostra; TM ax = variao mxima entre as temperatura medidas de cada amostra; tF L = tempo de forno ligado; tF D = tempo de forno desligado; M inta = valor mnimo da taxa de aquecimento do ao, de acordo com o tap (tabela 3.2); M axta = valor mximo da taxa de aquecimento do ao, de acordo com o tap (tabela 3.2); M intr = valor mnimo da taxa de resfriamento do ao; M axtr = valor mximo da taxa de resfriamento do ao; pdT = perda trmica. Esses valores foram ento comparados com as medies existentes, sendo:
T = TF im TIni
61
(3.26)
Captulo 3
TM in >= T <= TM ax onde: TF im = temperatura nal da amostra; TIni = temperatura inicial da amostra; T = variao entre as temperaturas medidas de cada amostra.
(3.27)
No entanto, os dados resultantes desse ltro resultaram em apenas 28,9% das amostras coletadas. Considerando-se que o nmero de dados resultantes no era representativo o suciente para a obteno da dinmica do processo atravs dos dados, resolveu-se ampliar o nmero de amostras utilizadas no treinamento e validao do modelo, aumentando a faixa de comparao da variao da temperatura. O ltro dos dados passou a ser calculado como: TM in 5 <= T >= TM ax + 5 (3.28)
Com isso, os dados resultantes passaram a representar 76,5% das amostras coletadas, o que corresponde a 11431 amostras em aproximadamente 6 meses de produo e 2580 corridas.
3.3.3 Denio da Topologia e Resultados do Modelo Neural

Para denio da melhor topologia a se utilizar, vrios testes foram realizados. Inicialmente, testou-se a implementao da rede utilizando o algoritmo de treinamento gradiente descendente com momentum e taxa de aprendizado adaptativo. Como os resultados obtidos no alcanaram o valor de erro mdio mximo especicado para o modelo, utilizou-se o algoritmo LevenbergMarquardt sem regularizao para o treinamento da rede. No entanto, os erros de validao encontrados nas duas tentativas no atenderam aos critrios de aceitao da produo, que tem, como meta, um erro mdio mximo de 4 C. Aps uma anlise detalhada dos dados e das possveis derivaes do algoritmo Levenberg-Marquardt, que at o momento apresentava melhores resultados, optou-se por implementar a regularizao bayesiana a m de suavizar a resposta e obter uma melhor generalizao do modelo. Com isso, o modelo neural foi composto por 9 neurnios de entrada, uma camada escondida com 20 neurnios e uma camada de sada com 1 neurnio. A funo de ativao escolhida para a camada escondida foi a tangente hiperblica e para a sada, a funo linear (gura 3.22).
62
Figura 3.22: Topologia da rede neural utilizada no modelo. Para o treinamento dos dados foram selecionados 75% das amostras coletadas, o que corresponde a 8573 amostras, com uma taxa de aprendizagem de 0,04. Os resultados do treinamento podem ser vistos na gura 3.23.
63
Captulo 3
Figura 3.23: Resultados do treinamento do modelo neural. A m de eliminar a interferncia da magnitude das variveis no processo de aprendizagem da rede, todos os dados foram normalizados usando a equao 3.29, retornando s grandezas originais aps a validao do modelo (equao 3.30). pn = (p p )/sp (3.29)
p = sp pn + p onde: p = varivel manipulada; pn = valor normalizado da varivel; sp = desvio padro do conjunto de dados da varivel; p = valor mdio do conjunto de dados da varivel.
(3.30)
Para garantir a consistncia dos resultados do treinamento foi observado o nmero de parmetros efetivamente utilizados na reduo do erro. No modelo obtido o nmero de parmetros utilizado foi igual a 215, sendo 221 o nmero de parmetros total da rede, signicando que a rede era grande o suciente para representar a funo modelada. Para a validao do modelo foram utilizadas 2858 amostras, representando 15% dos dados coletados e pr-processados. Os resultados de validao po64
dem ser vistos na gura 3.24.
Figura 3.24: Resultados da validao do modelo neural. Os resultados estatsticos de treinamento e validao da rede adotada para a construo do modelo neural do forno panela podem ser vistos na tabela 3.3. Tabela 3.3: Resultados do treinamento e validao do modelo neural do forno panela. Resultados do Modelo Neural Erro mdio de treinamento 2,7837 C Erro mdio de validao 3,1064 C Erro mnimo de validao 0,00090374 C Erro mximo de validao 49,3367 C Desvio padro do erro de validao 4,0154 C Dos dados utilizados para validao do modelo RNA, 74,49% obtiveram erro menor que 4 C (valor desejvel), 86,32% obtiveram erro menor que 6 C (valor tolervel) e apenas 5,74% dos dados obtiveram erro maior que 10 C . Para conrmar os resultados de previso da temperatura nal do ao do modelo RNA, foram realizados alguns testes estatsticos. No teste de correlao linear, realizado no Systat 11.0 c , os resultados indicaram que as variveis de sada do modelo RNA e medio da temperatura nal do ao esto signicativamente correlacionadas (r2 = 0,960 e p = 0). A partir do teste Anova,
65
Captulo 3
realizado no Matlab c , no foi possvel rejeitar a hiptese de que as variveis so iguais (p=0,9187). A gura 3.25 exibe em um grco a correlao entre a temperatura medida e a temperatura prevista pelo modelo RNA.
Figura 3.25: Correlao da Temperatura Medida x Temperatura prevista pelo modelo RNA - Validao do modelo. A tabela 3.4 descreve alguns dados estatsticos observados nos valores de temperatura medidos e previstos pelo modelo RNA. A proximidade desses valores tambm pode ser considerado como um bom indcio do desempenho do modelo na previso da temperatura nal do ao. Tabela 3.4: Comparao estatstica entre a temperatura medida e a temperatura prevista pelo modelo RNA - Validao do modelo. Valores Mnimo Mximo Mdia Desvio Padro Temperatura Medida Temperatura prevista pela RNA 1495 1497,74 1716 1710,07 1570,76 1570,69 25,27 25,13
66

O modelo neural desenvolvido apresentou resultados bastante satisfatrios, sendo que o erro mdio alcanado pelo modelo foi menor que o erro mdio especicado pelo instrumento de medio da temperatura do ao. Esse resultado reete a capacidade de generalizao da rede neural, tornando sua utilizao bastante atrativa na resoluo de problemas de aplicao prtica. Uma outra vantagem do uso da metodologia RNA a possibilidade de se modelar um sistema sem que seja necessrio um conhecimento profundo do processo em questo. No entanto, durante a escolha das variveis de entrada do modelo foi essencial a participao dos especialistas em metalurgia secundria, uma vez que j eram conhecidos os fatores que inuenciavam a perda trmica no processo. Dentre as diculdades encontradas no desenvolvimento do modelo, a fase de escolha, validao e ltragem dos dados amostrados pode ser considerada como um das mais crticas para a construo de um modelo que transcreva a dinmica real do processo. No prximo captulo ser descrito a implementao do modelo neural online no sistema de automao existente do forno panela em estudo. Os resultados obtidos com a implementao do modelo sero apresentados a seguir.
67
Captulo 3
68
CAPTULO
"
Implementao do Modelo Trmico Online
partir dos resultados obtidos na validao do modelo neural, deniuse que o prximo passo seria a implementao deste no sistema de automao existente. A implantao do modelo neural tem como
objetivo inicial, criar uma ferramenta de suporte ao operador para o acompanhamento da curva trmica durante o processo. Com isso, espera-se uma operao mais otimizada, uma reduo do consumo energtico e uma reduo da variabilidade da temperatura de liberao do ao. Esse captulo descreve as etapas da implementao do modelo bem como os resultados obtidos.
4.1 Implementao do Modelo

Para a implementao do modelo, foi desenvolvido um programa em Delphi 7.0 c que tem o objetivo de, a cada perodo de tempo, denido inicialmente como 30 segundos, vericar se a corrida atual possui alguma medio de temperatura registrada e, a partir deste momento, calcular a temperatura do ao na panela atravs do modelo neural obtido. O uxograma que descreve o cdigo do clculo do modelo neural descrito na gura 4.1.
69
Captulo 4
Figura 4.1: Fluxograma do clculo do modelo neural.

70
No desenvolvimento desse programa, algumas precaues foram tomadas: O cdigo deveria ser exvel o suciente para permitir que novos treinamentos no gerassem a necessidade de alterao do mesmo; Todos os dados coletados deveriam reetir a situao corrente da planta no momento de incio do clculo, evitando que os valores de entradas reetissem momentos distintos; O clculo deveria ser rpido o suciente para permitir uma implementao online. Para facilitar a atualizao do sistema de automao existente, caso um novo treinamento do modelo seja realizado, foram criados arquivos texto que contm a congurao da rede (pesos.rna) e os valores mdios e desvios padro dos dados de entrada e sada do modelo (medias.rna). A criao desses arquivos realizada automaticamente pelo programa que gera o modelo neural, desenvolvido em Matlab c . Os contedos dos arquivos medias.rna e pesos.rna so descritos nas tabelas 4.1 e 4.2 respectivamente. Tabela 4.1: Contedo do arquivo de mdias e desvios padro das entradas e sada da rede (medias.rna). N da linha 01 Contedo da Linha sX 1 < tab > sX 2 < tab > ... < tab > sX 9 < tab > sY Descrio desvio padro entrada1<tab> desvio padro entrada2<tab>...<tab>desvio padro entrada9 <tab>desvio padro sada valor mdio entrada1<tab> valor mdio entrada2<tab>...<tab>valor mdio entrada9 <tab>valor mdio sada
02
x 1 < tab > x 2 < tab > ... < tab > x 9 < tab > y
71
Captulo 4
Tabela 4.2: Contedo do arquivo de congurao da rede neural (pesos.rna). N da linha Contedo da linha 01 9 02 03 04 05 06 07 08 09 10 ... 28 29 1 2 20 tansig 1 purelin b p1 p2 ... p9 b p1 p2 ... p9 b p1 p2 ... p9 b p1 p2 ... p9 b p1 p2 ... p9 b p1 p2 ... p20 Descrio Nmero de entradas da rede Nmero de sada da rede Nmero de Camadas Nmero de Neurnios da 1 camada Funo de ativao da 1 camada Nmero de Neurnios da 2 camada Funo de ativao da 2 camada bias<tab>peso1<tab>peso2<tab>...<tab> peso9 do 1 neurnio da 1 camada bias<tab>peso1<tab>peso2<tab>...<tab> peso9 do 2 neurnio da 1 camada bias<tab>peso1<tab>peso2<tab>...<tab> peso9 do 2 neurnio da 1 camada bias<tab>peso1<tab>peso2<tab>...<tab> peso9 do n neurnio da 1 camada bias<tab>peso1<tab>peso2<tab>...<tab> peso9 do 20 neurnio da 1 camada bias<tab>peso1<tab>peso2<tab>...<tab> peso20 do 1 neurnio da 2 camada
Para visualizao da temperatura na tela principal de operao do forno panela, foi includo um registro, marcado em vermelho abaixo do desenho da panela (gura 4.2), com a temperatura do ao calculada pelo modelo RNA, sendo atualizada a cada 30 segundos. Selecionando o desenho do registro, o operador tem acesso a um grco de tendncia congurado para um perodo de 40 minutos (tempo mdio de uma corrida no forno panela) com os dados da temperatura medida e a temperatura calculada pelo modelo RNA. Desta forma, possvel visualizar a evoluo trmica da temperatura do ao e comparar o resultado do modelo com as medies pontuais que so realizadas durante o processo.
72
Figura 4.2: Tela principal de superviso do forno panela. Com a implantao do sistema PIMS, prevista para dezembro de 2006, pretende-se desenvolver uma tela de acompanhamento dos resultados do modelo trmico, comparando os valores calculados pelo modelo RNA com os valores medidos no forno panela. Para complementar a anlise, pretende-se validar os valores previstos pelo sistema de regulao dos eletrodos, da taxa de aquecimento do forno. Acredita-se que, com a utilizao efetiva da temperatura prevista pelo modelo neural, ser possvel desenvolver um sistema de otimizao do processo que indique ao operador o tempo restante necessrio para o aquecimento do forno para se atingir a temperatura de liberao objetivada. Alm disso, espera-se que o acompanhamento da curva de temperatura do forno panela resulte em aumento de produtividade, reduo do consumo energtico, reduo da variabilidade da temperatura do ao enviada ao lingotamento contnuo e aumento da qualidade do processo e do produto, resultado da melhoria da lingotabilidade do ao.
73
Captulo 4
4.2 Resultados Obtidos na Implementao Online

Para a apurao dos resultados obtidos com a implementao do modelo neural, foi desenvolvida uma funcionalidade no sistema de clculo para criao de arquivos de registros dirios. Esses arquivos registram todos os dados gerados pelo modelo, possibilitando uma comparao dos valores calculados pela RNA com os valores medidos pelo sistema. Para avaliar o desempenho do sistema online, foram coletadas amostras de corridas dos meses de junho, julho, agosto, setembro e outubro, totalizando 2980 corridas e 17207 amostras. Os resultados de generalizao da rede podem ser vistos na gura 4.3.
Figura 4.3: Resultados da generalizao do modelo neural. Os resultados estatsticos obtidos na generalizao do modelo neural do forno panela podem ser vistos na tabela 4.3. Tabela 4.3: Resultados da generalizao do modelo neural do forno panela. Resultados do Modelo Neural Erro mdio Erro mnimo Erro mximo Desvio padro do erro
3,99 C 0,000028 C 129,22 C 6,42 C
Dos dados utilizados para a anlise de generalizao do modelo RNA, 69,24%

74
obtiveram erro menor que 4 C (valor desejvel), 79,75% obtiveram erro menor que 6 C (valor tolervel) e apenas 9,22% dos dados obtiveram erro maior que 10 C . Pode-se notar que o erro mximo obtido est acima da especicao do modelo. Conforme avaliado durante o desenvolvimento do modelo, uma das hipteses para a ocorrncia desses erros a ausncia da varivel volume de argnio no modelo neural desenvolvido. No entanto, esta hiptese ainda no pde ser testada devido ausncia de um medidor de argnio no processo em estudo. Para avaliar melhor o erro mximo obtido, foi gerada a curva da corrida onde o evento ocorreu (gura 4.4) e avaliados os valores de entrada do modelo.
Figura 4.4: Grco do resultado de previso da temperatura do ao de uma corrida - Anlise do Erro. No ponto 1 da gura 4.4 a rede previu 1521 C enquanto a medio foi 1650 C. Se avaliarmos as variveis do modelo que variam no tempo, podemos notar que entre a medio inicial de 1509 C e a medio onde o primeiro erro ocorreu (ponto 1 da gura) o forno cou 4 minutos ligado e 1 minuto desligado no tap 2. Se considerarmos a situao de taxa de aquecimento mxima e a taxa de resfriamento mnima para este tap, sendo 10 C/min e 0,5 C/min respectivamente, a temperatura medida deveria estar em torno de 1548,5 C, o que resulta em um erro de aproximadamente 100 C da temperatura medida. Uma hiptese para esse erro falha no posicionamento da lana, cando esta mais prxima da escria e portanto apresentando valores de temperatura muito superiores a do ao. No ponto 2 da gura 4.4 um evento similar ocorre. A RNA, como tem a
75
Captulo 4
funo de se ajustar a cada nova temperatura medida, previu a temperatura de 1662 C, considerando neste momento a temperatura inicial como 1650 C, enquanto a medio foi 1533 C. Se avaliarmos novamente as variveis do modelo que variam no tempo, podemos notar que entre a ltima temperatura medida de 1650 C e a medio onde o erro ocorreu (ponto 2) o forno cou novamente 4 minutos ligado e 1 minuto desligado no tap 2. Considerando as mesmas taxas de aquecimento e resfriamento, a temperatura deveria medir em torno de 1689,5 C, o que resulta em um erro de aproximadamente -156 C da temperatura medida. Esse resultado refora a hiptese de que a medio de 1650 C estava incorreta, causando erro na previso do modelo neural. No entanto, alguns erros, como o encontrado na corrida mostrada na gura 4.5 - ponto 1, podem ser resultados da ausncia da varivel argnio no modelo.
Figura 4.5: Grco do resultado de previso da temperatura do ao de uma corrida - Anlise do Erro. Avaliando o erro encontrado no ponto 1 da gura 4.5, pode-se observar que a rede previu 1559 C enquanto a medio foi de 1542 C. Fazendo a mesma analogia realizada na corrida anterior para analisar o erro de previso do modelo, foram considerados os valores das variveis tempo de forno ligado, tempo de forno desligado e nmero do tap. Durante o perodo entre a ltima medio (1560 C) e a medio onde o erro ocorreu (ponto 1), o forno cou 3 minutos desligado e 2 minutos ligado no tap 5. Considerando a situao de taxa de aquecimento mnima e a taxa de resfriamento mxima para o tap utilizado (1 C/min e 1,5 C/min respectivamente), a temperatura medida deveria estar em torno de 1557,5 C, o que resultaria em um erro de aproximadamente 15,5 C. Como nesse clculo no foi considerado o resfriamento
76
causado pelo argnio, que segundo Szekely et al. (1988) pode acarretar uma perda de 2 C/min, a diferena entre a temperatura medida e a calculada poderia estar relacionada injeo de argnio. Considerando novamente o total de 5 minutos de processo (forno ligado e desligado), a perda provocada pelo argnio estaria teoricamente em torno de 10 C. Desta forma, o erro entre a temperatura medida e a calculada seria de apenas 5,5 C, o que considerado aceitvel. Esta anlise refora a hiptese de que o erro ocasionado pela RNA pode estar relacionado ausncia da varivel argnio no modelo. Uma observao interessante da anlise realizada foi a proximidade entre os valores da temperatura prevista pelo modelo (1559 C) e a temperatura calculada, desconsiderando a perda causada pelo argnio (1557,5 C). No entanto, importante lembrar que todos os valores de taxas de aquecimento e resfriamento e perda trmica causada pelo argnio so tericas, sendo vlidas apenas para se estabelecer limites de variao da temperatura do ao. Para as corridas onde h uma vazo mdia de argnio e onde, a princpio, no foram detectadas anormalidades nas medies realizadas, o comportamento da rede neural semelhante apresentada na gura 4.6.
Figura 4.6: Grco do resultado de previso da temperatura de uma corrida utilizando o modelo RNA implementado. Para conrmar os resultados da generalizao da rede neural implementada, foram realizados alguns testes estatsticos. No teste de correlao linear, realizado no Systat 11.0 c , os resultados indicaram que as variveis temperatura prevista pelo modelo RNA e medio da temperatura do ao esto
77
Captulo 4
signicativamente correlacionadas (r2 = 0,923 e p = 0). Para realizao dos demais testes estatsticos, utilizou-se uma amostragem de 1000 amostras retiradas aleatoriamente da base de dados de 4 meses de produo. A partir do teste T, realizado no Minitab c , no foi possvel rejeitar a hiptese de que as variveis so iguais (p = 0,610). Para validar este resultado, utilizou-se o teste Mann-Whitney obtendo p = 0,3951. A gura 4.7 exibe em um grco a correlao entre a temperatura medida e a temperatura prevista pelo modelo RNA.
Figura 4.7: Correlao da Temperatura Medida x Temperatura prevista pelo modelo RNA - Generalizao do modelo. A tabela 4.4 descreve alguns dados estatsticos observados nos valores de temperatura medidos e previstos pelo modelo RNA. A proximidade desses valores pode ser considerado como um bom indcio do desempenho da generalizao do modelo na previso da temperatura do ao. Tabela 4.4: Comparao estatstica entre a temperatura medida e a temperatura prevista pelo modelo RNA - Generalizao do modelo. Valores Mnimo Mximo Mdia Desvio Padro Temperatura Medida Temperatura prevista pela RNA 1495 1501,28 1724 1717,56 1571,46 1571,96 26,96 26,78
78

O modelo de previso da temperatura do ao foi elaborado com o objetivo de prover uma ferramenta de suporte para a operao, tornando visvel o perl do comportamento trmico do ao durante a corrida. Com a utilizao efetiva do modelo, alguns ganhos so esperados, tais como a reduo: do consumo energtico, resultado da diminuio de possveis perdas do processo; da variabilidade da temperatura de liberao do ao, hoje dependente do conhecimento de cada operador; do nmero de medies de temperatura realizadas por corrida. Quanto ao desempenho do modelo, pode ser considerado satisfatrio tendo em vista que 69,24% obtiveram erro menor que 4 C (valor desejvel) e 79,75% obtiveram erro menor que 6 C (valor tolervel). No entanto, alguns ajustes podem ser realizados com o objetivo de melhorar os resultados de generalizao do modelo neural, como por exemplo, a incluso da varivel argnio no mesmo. Para a medio do volume de argnio injetado, testou-se inicialmente a implantao de um sistema que fosse capaz de medir e controlar a injeo de argnio em cada plug da panela. No entanto, devido algumas particularidades operacionais, este sistema ainda no validado pela produo, necessitando de alguns ajustes para iniciar sua operao. Com isso, optou-se por implantar um medidor de vazo na linha principal de argnio, que seja independente do sistema de controle em implantao e que seja capaz de medir tambm o argnio injetado manualmente. Esta instalao est em fase de implantao com o objetivo de prover a informao do volume total de argnio injetado na panela para uma possvel melhoria do modelo trmico implementado. Como assunto a ser tratado no prximo captulo esto as concluses nais obtidas com o desenvolvimento desse trabalho, as contribuies alcanadas e sugestes de novos desenvolvimentos e melhorias do modelo obtido.
79
Captulo 4
80
CAPTULO
Concluses e Propostas de Continuidade
desenvolvimento e a implementao do modelo neural na unidade
do forno panela possibilitou um estudo mais aprofundado das causas da variabilidade da temperatura de liberao do ao e do consumo energtico especco. A utilizao da tcnica de modelagem atravs de redes neurais articiais se mostrou bastante eciente, comprovando ser uma tcnica capaz de modelar e interpretar dados de plantas complexas, sem a necessidade de um conhecimento profundo dos fenmenos fsicos do processo em estudo. Esse captulo descreve os ganhos observados e estimados com o desenvolvimento do modelo no forno panela e expe algumas propostas de continuidade do trabalho para o futuro.
5.1 Concluses Finais

As siderrgicas nacionais esto investindo cada vez mais na construo de usinas hidreltricas ou termoeltricas em parceria com as concessionrias regionais, possibilitando a gerao de sua prpria energia. O objetivo principal deter o crescimento do custo energtico nos seus negcios. Por outro lado, o International Iron and Steel Institute (2006) divulgou que a produo mundial de ao bruto, em setembro de 2006, alcanou 101,4 milhes de ton, 8,8% a mais sobre o mesmo ms de 2005. Neste cenrio, a sia responde por mais da metade da produo mundial, com 54,9 milhes de ton. J os pases da Amrica do Sul produziram 8,9% a mais em setembro, atingindo 4 milhes de ton. 81
Captulo 5
Com isso, todas as aes que visam a busca de alternativas para a reduo do consumo energtico e o aumento da produtividade nas siderurgias tornaram-se temas prioritrios de pesquisa e desenvolvimento. O trabalho de modelagem desenvolvido no forno panela vm de encontro com as demandas deste novo cenrio da indstria siderrgica, sendo o forno panela da V&M uma das maiores unidades consumidoras de energia da siderurgia. Para avaliar os possveis ganhos resultantes da utilizao efetiva do modelo neural desenvolvido, foram analisados os dados de amostras coletadas nos meses de junho outubro de 2006. De acordo com os dados coletados, foi encontrado o valor mediano de sete medies da temperatura do ao por corrida. O nmero de medies por corrida variou entre dois e quarenta e cinco, conforme mostrado na gura 5.1.
Figura 5.1: Freqncia de medies da temperatura do ao por corrida. Como pode-se notar, no h uma padronizao no nmero de medies realizadas por corrida. Tendo em vista que cada medio corresponde a aproximadamente 1,5 minutos de forno desligado e que cada sensor utilizado por medio custa aproximadamente R$ 6,00, uma reduo no nmero de medies realizadas acarretaria uma economia signicativa para a produo alm de um aumento na produtividade do forno panela. Para se calcular uma possvel economia no custo de produo, foram retiradas medidas consideradas fora da rotina operacional. Para isso, foi denido um intervalo mnimo entre medies de um minuto, resultando na retirada de 12 corridas. A proposta desta anlise sugere uma padronizao no nmero de medies
82
5.1 Concluses Finais
a serem realizadas para uma medida a cada 10 min. Com esse procedimento, o nmero mdio de termopares utilizados por corrida reduziria para 50%, gerando uma economia de aproximadamente R$ 65.700,00 em 2930 corridas, o que equivale aproximadamente 4 meses de produo. Fazendo a mesma anlise com relao ao tempo do processo, essa padronizao resultaria em uma reduo de 15% no tempo total de corrida. Uma outra economia esperada a reduo do consumo de energia eltrica. ASEA (1983) prope um clculo de reduo de custo devido a economia de energia eltrica. A equao 5.1 considera que, com a temperatura do ao em torno de 1600 C, o aquecimento de 1 C para cada 1 tonelada de ao requer aproximadamente 0,2 kWh. No entanto, este pr-requisito dependente da qualidade do ao, servindo apenas como referncia para um clculo aproximado. A= onde: A = economia anual (R$); t = reduo estimada de reduo de sobre-aquecimento do ao ( C); i = Diferena de entalpia (aproximadamente 0,2kWh por ton por C); c = custo em reais por kWh (em torno de R$ 0,19 por kWh); = rendimento trmico do forno (aproximadamente 0,40 no estgio nal do forno); n = nmero de corridas por ano; C = capacidade de produo do forno (ton). A partir das amostras coletadas nos meses de junho outubro de 2006 foi encontrado um valor mdio de sobre-aquecimento do ao de 7 C em 62% das corridas. O valor de sobre-aquecimento do ao por corrida variou entre 0,25 C a 65 C, conforme mostrado na gura 5.2. t.i.c .n.C (5.1)
83
Captulo 5
Figura 5.2: Valores de sobre-aquecimento do ao por corrida. Como no h medio de argnio, para a realizao desse clculo considerouse uma perda mdia de 1,5 C por minuto de forno ligado e 0,5 C por minuto de forno desligado nas amostras onde ocorreram adies de ligas. Esses valores levam em considerao a necessidade de injeo de argnio acima do valor mdio aps a adio de ligas no ao e a necessidade de manter o forno desligado durante a adio destas ligas e a medio da temperatura. Nas amostras onde no haviam registros de adio de ligas, considerou-se apenas a perda por injeo de argnio de 0,5 C por minuto de forno ligado e a perda durante a medio de temperatura (1 C por 2 minutos de forno desligado). Considerando a produo mensal de 56.000 toneladas de ao e o valor de sobre-aquecimento mdio encontrado, uma reduo mdia de 4 C no sobreaquecimento do ao das corridas realizadas, resultaria em uma economia anual de aproximadamente R$ 250.000,00, o que corresponde 4,5% do custo anual com energia eltrica da unidade. Alm dos ganhos de produtividade e reduo do custo produtivo, espera-se uma melhoria na qualidade do ao, resultado da reduo de reoxidao do mesmo. Este efeito causado pela elevao da agitao do argnio necessria para a reduo da temperatura do ao. No entanto, esses ganhos estimados ainda no podem ser comprovados pois o modelo ainda no est sendo efetivamente utilizado pela operao do forno panela. Como sntese do trabalho desenvolvido, vale ressaltar que os conhecimentos adquiridos durante os processos de anlise, desenvolvimento e implementao online do modelo neural tornaram vivel a utilizao da tcnica de redes neurais articiais para modelagem de processos de difcil abordagem nas diversas unidades existentes na V&M do Brasil.
84
5.2 Propostas de Continuidade
5.2 Propostas de Continuidade

A implantao do modelo no forno panela e o acompanhamento do perl trmico das corridas so os primeiros passos na busca da otimizao operacional da unidade. Com o entendimento e o controle da temperatura de liberao do ao, ser possvel desenvolver um sistema especialista que fornea orientaes produo, conduzindo-a operao tima sob o ponto de vista de econmico e de produtividade. Uma outra proposta para continuidade desse trabalho a busca de melhoria do resultado de generalizao da rede, com a incluso da varivel argnio como entrada do modelo e a implementao de critrios de deteco de erro de medio da temperatura do ao. Estes critrios podem ser denidos a partir da comparao do valor mdio das ltimas temperaturas previstas pelo modelo com a temperatura medida, ou a partir da monitorao da derivada da temperatura medida do ao em relao temperatura prevista pelo modelo. Uma das diculdades encontradas na manutenabilidade de modelos neurais em plantas industriais o entendimento de que, alteraes no processo podero levar necessidade de um novo treinamento do modelo implementado, no sendo preciso, no entanto, o desenvolvimento de um novo modelo. Esta caracterstica , na verdade, um dos grandes diferenciais entre modelos que utilizam tcnicas de inteligncia computacional, como redes neurais articiais, e modelos fsicos. Assim, com o objetivo de facilitar o acompanhamento e a manuteno do desempenho do modelo, a proposta a implementao de um sistema que tem a funo de calcular o erro de previso a cada temperatura medida e sugerir o melhor momento para se realizar um novo treinamento da rede neural, caso necessrio.
85
Captulo 5
86
Referncias
Aldrich, C., J. S. J. Deventer, & M. A. Reuter (1994). The application of neural nets in the metallurgical industry. Minerals Engineering 7 (5/6), 793809. Almeida, P. E. M. (2002). Redes Neurais CMAC Paramtricas: Fundamentos e Aplicaes em Processamento de Sinais de Controle de Processos. Tese de Doutorado, Escola Politcnica-Universidade de So Paulo. ASEA, M. (1983). Aspects on Practical Steelmaking. ASEA Metallurgy. Baro, C. D. (2002). Controle de temperatura do ao na panela. XXXIII Seminrio de Fuso, Reno e Solidicao dos Metais, 121130. Bittencourt, G. (2000). Inteligncia Computacional. Departamento de Automao e Sistemas - Universidade Federal de Santa Catarina. Braga, A. P., A. C. P. L. F. Carvalho, & T. B. Ludemir (2000). Redes Neurais Articiais: teoria e aplicaes (1st ed.). Rio de Janeiro: Livros Tcnicos e Cietcos - LTC. Braga, A. P., G. G. Parma, & B. R. Menezes (1999). Back-propagation learning guided by control technique. Technical report, Universidade Federal de Minas Gerais. Carvalho, D. H. D., B. T. Maia, A. P. Moreira, A. Fonseca, R. Fortuna, & K. C. F. Ramos (2005). Sistema de sincronizao de operaes em forno panela utilizando inteligncia computacional. XXXVI Seminrio Internacional de Fuso, Reno e Solidicao de Metais da ABM , 451460. Charalambous, C. (1992). Conjugate gradient algorithm for efcient training of articial neural networks. IEE Proceedings G Circuits, Devices and Systems 139 (3), 301310. Dan Foresee, F. & M. T. Hagan (1997). Gauss-newton approximation to bayesian learning. International Conference on Neural Networks 3, 1930 1935. 87
Referncias
Ferreira, N. F. (2000). Controle da Temperatura do Ao Lquido em uma Aciaria. Tese de Doutorado, Escola de Engenharia de Minas, Metalgica e Materiais - Universidade Federal do Rio Grande do Sul. Fujii, T., G. Lenna, P. Sampaio, & L. Muradas (2005). Controle trmico do ao na aciaria da v&m do brasil. IX Seminrio de Automao de Processos, 462470. Hagan, M. T. & M. B. Menhaj (1994). Training feedforward networks with the marquardt algorithm. IEEE Transactions on Neural Networks 5(6), 989993. Haykin, S. (1999). Neural Networks: A comprehensive Foundation (2nd ed.). New Jersey : Prentice-Hall Inc. Hebb, D. O. (1949). The Organization of Behavior (1st ed.). Wiley. Hopeld, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Biophysics 79, 25542558. IBS (2003). O processo siderrgico. Instituto Brasileiro de Siderurgia. International Iron Steel, I. (2006). September 2006 crude steel production. www.worldsteel.org/index.php?action=newsdetailid=176 . Kim, Y., K. C. Moon, B. S. Kang, C. Han, & K. S. Chang (1998). Application of neural network to supervisory control of heating surface in the steel industry. Control Engineering Partice 6, 10091014. Krose, B. & P. V. Smagt (1996). An Introduction to Neural Networks (Eighth ed.). University of Amsterdam. MacKay, D. J. C. (1992). Bayesian interpolation. Neural Computation 4(3), 415447. Marzano, L. F., A. P. Braga, & F. X. Nunes (2001). Otimizao neural da combusto de uma caldeira da usiminas. V Seminrio de Automao de Processos da ABM , 147153. McCulloch, W. S. & W. Pitts (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5, 115133. Minsky, M. & S. Papert (1969). Perceptrons (1st ed.). Cambridge, MA: MIT Press. Mohr, M. (2005). Working paper series: A trend-cycle(-season) lter. Technical Report 499, European Central Bank. Monteiro, A. M. (2004). Modelagem neural de um processo de produo de pelotas de minrio de ferro. Dissertao de Mestrado, Universidade Federal de Minas Gerais. 88
Referncias
Nath, N. K., A. K. Mandal, A. K. Singh, B. Basu, C. Bhanu, S. Kumar, & A. Ghosh (2006). Ladle furnace on-line reckoner for prediction and control of steel temperature and composition. Ironmaking and Steelmaking 32(2), 140150. Ribeiro, D. B., H. A. Quinto, & C. A. Cruz (2005). Reno Secundrio dos Aos. Associao Brasileira de Metalurgia e Materiais. Rizzo, E. M. S. (2006). Introduo aos Processos de Reno Secundrio dos Aos (1st ed.). Associao Brasileira de Metalurgia e Materiais. Rocha, R. R., T. E. A. Souza, R. N. Carvalho, & P. E. M. Almeida (2005). Modelagem da temperatura de laminao de tubos sem costura atravs de redes neurais articiais. 60 Congresso Anual da ABM , 310319. Rosenblatt, F. (1958). The perceptron: A probabilistic model for information sotore and organization in the brain. Psychological Review 65(6), 386 408. Rumelhart, D. E., G. E. Hinton, & R. J. Williams (1986). Learning representations by back-propagating errors. Nature 323(9), 533536. Souan, M., M. Souan, & M. Thomson (1997). Practical comparison of neural networks and convencional identication methodologies. Fifth International Conference on Articial Neural Networks (440), 262267. Szekely, J., G. Carlsson, & L. Helle (1988). Ladle Metallurgy (1st ed.). SpringVerlag New York Berlin Heidelberg London Paris Tokyo. Takahashi, R. H. C. (2003). Otimizao escalar e vetorial. Technical report, Universidade Federal de Minas Gerais. VMB (2002). Apostila de Fabricao do Ao. V&M do Brasil. Widrow, B. & M. E. Hoff (1960). Adaptative switching circuits. Institute of Radio Engineers, Western Eletronic Show and Convention 4, 96104. Zabadal, J. R. S., M. T. M. B. Vilhena, & S. Q. B. Leite (2004). Heat transfer process simulation by nite differences for online control of ladle furnace. Ironmaking and Steelmaking 31(3), 227234.
89
Referncias
90

Dissertação Forno Panela

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Dissertação Forno Panela

Diunggah oleh

Hak Cipta:

Format Tersedia

Modelagem Trmica de um Forno Panela utilizando Redes Neurais Articiais

Patrcia Teixeira Sampaio

Modelagem Trmica de um Forno Panela utilizando Redes Neurais Articiais

Orientador: Prof. Dr. Antnio de Pdua Braga

Belo Horizonte dezembro/2006

s siderrgicas nacionais esto investindo cada vez mais na constru-

Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Lista de Abreviaturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1 Forno Panela

Figura 1.1: Foto do Forno Panela da V&M.

1.1 Forno Panela

que os ganhos levantados com a reduo do consumo energtico.

1.2 Motivao do Trabalho

1.3 Objetivo da Dissertao

1.4 Principais Contribuies

1.4 Principais Contribuies

1.5 Organizao do Texto

1.5 Organizao do Texto

Inteligncia Computacional na Indstria

Inteligncia Computacional na Indstria

Inteligncia Computacional na Indstria

Inteligncia Computacional na Indstria

2.2 Modelagem Trmica em Siderurgias

2.2 Modelagem Trmica em Siderurgias

Inteligncia Computacional na Indstria

2.2 Modelagem Trmica em Siderurgias

Inteligncia Computacional na Indstria

2.2 Modelagem Trmica em Siderurgias

Inteligncia Computacional na Indstria

2.2 Modelagem Trmica em Siderurgias

Inteligncia Computacional na Indstria

2.2 Modelagem Trmica em Siderurgias

Inteligncia Computacional na Indstria

2.3 Aplicaes Industriais utilizando Redes Neurais

2.3 Aplicaes Industriais utilizando Redes Neurais

Validao 85,78 876 539 177 1592

Inteligncia Computacional na Indstria

2.3 Aplicaes Industriais utilizando Redes Neurais

Inteligncia Computacional na Indstria

2.3 Aplicaes Industriais utilizando Redes Neurais

Inteligncia Computacional na Indstria

2.3 Aplicaes Industriais utilizando Redes Neurais

Inteligncia Computacional na Indstria

2.4 Consideraes Finais

Desenvolvimento do Modelo Trmico do Forno Panela

3.1 Processo do Forno Panela

Desenvolvimento do Modelo Trmico do Forno Panela

3.1 Processo do Forno Panela

Desenvolvimento do Modelo Trmico do Forno Panela

Figura 3.2: Fluxograma de um forno panela. Adaptado de (Rizzo 2006).

3.1 Processo do Forno Panela

Desenvolvimento do Modelo Trmico do Forno Panela

3.1 Processo do Forno Panela

Desenvolvimento do Modelo Trmico do Forno Panela

3.1 Processo do Forno Panela

Desenvolvimento do Modelo Trmico do Forno Panela

3.2 Redes Neurais Articiais

3.2 Redes Neurais Articiais

Desenvolvimento do Modelo Trmico do Forno Panela

3.2.1 Algoritmo Levenberg-Marquardt

3.2 Redes Neurais Articiais

... ... . . . ...

de1 (x) dxm de2 (x) dxm

3.2.2 Regularizao Bayesiana