Avaliação de modelos de previsão da qualidade de coque baseado em abordagem de mineração de dados e aprendizado de máquina

Abstract

Os coques metalúrgicos precisam possuir alta resistência mecânica e baixa reatividade, devido ao seu papel estrutural indispensável no alto-forno, usado na produção de ferro-gusa. No entanto, os carvões minerais que produzem coques de alta qualidade estão se tornando cada vez mais escassos e caros, ao mesmo tempo em que há pressões para reduzir as emissões de gases de efeito estufa na indústria. O cenário futuro para o uso de coque na metalurgia sugere uma tendência de redução gradual do seu uso no reator. Isso significa que o coque restante precisa ter qualidade superior. Para alcançar esse objetivo, é crucial compreender os parâmetros mais relevantes no processo de coqueificação e otimizar as misturas de carvão. As ferramentas computacionais mais modernas podem ajudar a facilitar esse processo, uma vez que conseguem lidar com um grande volume de dados e esgotar as possibilidades propostas na literatura. Procurou-se, então, avaliar o desempenho de modelos de aprendizado de máquina para previsão de CRI e CSR a partir de dados de carvão e misturas. Com esse objetivo em mente, foi realizado um processo de mineração de dados para limpar e processar dados operacionais de quatro anos. Isso foi seguido por uma etapa de engenharia de parâmetros, visitando diversos métodos de previsão de qualidade dos coques Então, foi realizada uma seleção de parâmetros relevantes que tentam explicar a variabilidade dos dados. Em seguida, usando técnicas simples de regressão e aprendizado de máquina, foram desenvolvidos cinco modelos de previsão para a reatividade do coque (CRI) e mais cinco para a resistência mecânica após reações (CSR). Além disso, a capacidade dos modelos foi avaliada por meio de validação cruzada, e houve uma tentativa de compreender a importância de cada um dos parâmetros considerados relevantes a partir dos valores SHAP. Os resultados mostraram limitações na base de dados utilizada, sobretudo ao considerar os parâmetros escolhidos para explicar os índices, que destoam da literatura. Ainda assim, os resultados demonstraram que o modelo é suficiente para prever a qualidade do coque com cerca de 60% de confiabilidade, de acordo com a métrica de validação cruzada utilizada. Também foi observado que os valores extremos, onde há poucas amostras de dados e fatores externos podem influenciar a qualidade da mistura, tendem a aumentar os erros observados

Metallurgical cokes need to possess high mechanical strength and low reactivity, due to their indispensable structural role in the blast furnace used in pig iron production. However, the mineral coals that produce high-quality cokes are becoming increasingly scarce and expensive, at the same time as there are pressures to reduce greenhouse gas emissions in the industry. The future scenario for coke usage in metallurgy suggests a gradual reduction trend in its use in the reactor. This means that the remaining coke needs to have superior quality. To achieve this goal, it is crucial to understand the most relevant parameters in the coking process and optimize coal blends. The most modern computational tools can help facilitate this process, as they can handle a large volume of data and exhaust the possibilities proposed in the literature. Therefore, an evaluation of the performance of machine learning models for predicting CRI and CSR from coal and blend data was sought. With this goal in mind, a data mining process was carried out to clean and process operational data from four years. This was followed by a parameter engineering step, exploring various methods for predicting coke quality Then, a selection of relevant parameters that attempt to explain the data variability was made. Next, using simple regression and machine learning techniques, five prediction models were developed for coke reactivity (CRI), and another five for mechanical strength after reactions (CSR). Additionally, the models' performance was assessed through cross-validation, and an attempt was made to understand the importance of each of the considered relevant parameters from SHAP values. The results showed limitations in the database used, especially when considering the chosen parameters to explain the indices, which deviate from the literature. Nevertheless, the results demonstrated that the model is sufficient to predict coke quality with approximately 60% reliability, according to the cross-validation metric used. It was also observed that extreme values, where there are few data samples and external factors can influence the blend quality, tend to increase observed errors