Modelo para predição da redução da temperatura do aço, entre o forno panela e o lingotamento contínuo no processo siderúrgico

Este trabalho visa o desenvolvimento de um modelo neural para estimar a redução de temperatura do aço, causado por perdas térmicas, entre o processo de Forno Panela e Lingotamento Continuo, da Aciaria da Gerdau Açominas. Atualmente, o modelo atual utilizado pelos operadores da planta, para predizer a queda da temperatura possui baixo desempenho ocasionando perdas e o aumento de custos na produção. Para iniciar o desenvolvimento do modelo neural, foram mapeadas as variáveis que mais influênciam na redução da temperatura do aço, causada pelas perdas térmicas. A seleção dasvariáveis que possuem maior inluência sobre a variável desejada foi fundamentada pelo método de análise de correlação. Foi utilizado uma rede neural do tipo MultiLayer Perceptron, treinada através do algoritimo Backpropagation, com uma camada oculta, sendo que a quantidade de neurônios nesta camada foi definida de formaempírica, baseando-se no coeficiente de correlação, obtido na etapa de validação do modelo. O algorítimo usado para construção do modelo neural foi desenvolvido no software Matlab, versão 5.2. O coeficiente de correlação do modelo neural para predição da redução da temperatura do aço, causada pelas perdas térmicas, em relação aos valores medidos na unidade insdustrial é igual a 72,3%. Portanto superior, aomodelo atual que possui uma correlação de 35,3%, em relação aos valores medidos na unidade industrial. Concluindo, foi observada a validade do uso da ferramenta computacional redes neurais artificiais para a construçãode modelos para a siderurgia.This work aims to develop a neural model to estimate the steel temperature reductio caused by heat loss between the process of ladle furnace 2 and continuous casting of billets at the Gerdau-Açominas steel mill. Currently, the model used by the plant operators to predict the reduction in temperature has low acting (accomplishment), resulting in losses and increased production costs. To start the development of theneural model, the variables that influences the reduction of steel temperature caused by heat loss were mapped. The selection of variables that had the greatest influence on the desired variable was based on the correlation analysis method. A neural network type"Multilayer Perceptron" trained by the algorithm Backpropagation,with a hidden layer was used. The number of neurons in this layer was set empirically, based on the correlation coefficient, obtained in the model validation step. The algorithm used to build the neural model was developed in the "software" Matlab version 5.2. The correlation coefficient of the neural model for the prediction of temperature reduction ofthe steel, caused by thermal losses from the values measured in the industrial unit is equal to 72.3%, being much higher then the model used by operators that has a correlation of 35.3%. In conclusion, we observed the validity of the use of an artificial neural network computer tool to build models for the steel industry