
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Silva, Carlos Antônio da | - |
| Autor(es): dc.contributor | Silva, Carlos Antônio da | - |
| Autor(es): dc.contributor | Lemos, Leandro Rocha | - |
| Autor(es): dc.contributor | Peixoto, Johne Jesus Mol | - |
| Autor(es): dc.creator | Matos, Sabrina Silva de | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T15:12:19Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T15:12:19Z | - |
| Data de envio: dc.date.issued | 2023-12-18 | - |
| Data de envio: dc.date.issued | 2023-12-18 | - |
| Data de envio: dc.date.issued | 2022 | - |
| Fonte completa do material: dc.identifier | http://www.repositorio.ufop.br/jspui/handle/123456789/17964 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1005755 | - |
| Descrição: dc.description | Programa de Pós-Graduação em Engenharia de Materiais. Departamento de Engenharia Metalúrgica, Escola de Minas, Universidade Federal de Ouro Preto. | - |
| Descrição: dc.description | O controle da temperatura do aço líquido é uma tarefa fundamental para a garantia da estabilidade operacional em uma aciaria a oxigênio. Desvios das faixas de temperatura especificadas pelos processos estão diretamente associados a falhas de qualidade no produto, aumento de custos, perdas de produção e até mesmo riscos para a segurança operacional da planta. O entendimento e a quantificação das perdas térmicas que ocorrem entre o vazamento do aço do convertedor LD até o lingotamento contínuo são as principais etapas para a previsão da temperatura do aço. Devido à natureza dos processos que ocorrem em uma aciaria, o cálculo das perdas térmicas depende de variáveis altamente dinâmicas, motivando a construção de modelos preditivos para a temperatura. Neste contexto, foram ajustados e avaliados cinco algoritmos de regressão amplamente reconhecidos na literatura para a previsão da temperatura do aço na panela e no distribuidor em uma aciaria a oxigênio. Adicionalmente, um sexto algoritmo, híbrido, que combina elementos de modelos lineares e não-lineares, foi concebido. Os modelos foram desenvolvidos em aderência à metodologia CRISP-DM (Processo Padrão Interindústrias para Mineração de Dados), e avaliados de acordo com duas métricas de acurácia: a raiz do erro quadrático médio (RMSE) e uma métrica personalizada. Os resultados evidenciaram que o método híbrido proposto alcança uma precisão superior em relação aos demais algoritmos testados em ambos os modelos, além disso, apresenta um desempenho adequado para ser implementado na indústria. | - |
| Descrição: dc.description | The temperature control of molten steel is essential to ensure operational stability in an oxygen steelmaking plant. Deviations from specified process temperature ranges are directly associated with product quality failures, increased costs, production losses and even risks to the operational safety of the plant. Understanding and quantifying thermal losses that occur in the operations between the basic oxygen furnace and continuous casting are the main steps for predicting the steel temperature. Due to the nature of the processes in a steelmaking plant, thermal losses calculations are dependent on highly dynamic variables, which motivates the construction of predictive models for the temperature. In this context, five regression algorithms widely recognized in the literature were implemented and assessed for predicting the temperature of molten steel in the ladle and continuous casting tundish. In addition, a hybrid algorithm was also developed, integrating elements from both linear and non-linear models. The implemented models were developed in adherence to the Cross Industry Standard Process for Data Mining methodology (CRISP-DM) and trained on industrial data. Their performance was assessed using root mean squared error (RMSE) and a custom accuracy metric. The results showed that the proposed hybrid method achieves superior accuracy compared to the other implemented algorithms for both models, thus can enhance molten steel prediction in steelmaking plants. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Direitos: dc.rights | aberto | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/3.0/us/ | - |
| Direitos: dc.rights | Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 06/11/2023 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. | - |
| Palavras-chave: dc.subject | Usinas siderúrgicas - aciaria | - |
| Palavras-chave: dc.subject | Metais - efeito da temperatura | - |
| Palavras-chave: dc.subject | Aprendizado do computador | - |
| Palavras-chave: dc.subject | Aprendizado do computador - ensemble - técnica | - |
| Título: dc.title | Previsão da temperatura do aço líquido em uma aciaria a oxigênio utilizando modelos de regressão com aprendizado de máquina. | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - UFOP | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: