MODELAGEM DO NÍVEL TÉRMICO DE UM ALTO-FORNO PARA AUMENTO DA EFICIÊNCIA OPERACIONAL UTILIZANDO REDES NEURAIS ARTIFICIAIS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PDF | Os processos que ocorrem em um Alto-Forno são extremamente complexos, o que torna o seu controle operacional um verdadeiro desafio. Este trabalho utiliza uma abordagem baseada em técnicas de inteligência artificial para auxiliar a operação a melhor controlar este reator. Espera, dessa forma, que o funcionamento do mesmo torne-se mais otimizado, reduzindo, por exemplo, o consumo de Coque e/ou Carvão Vegetal – matérias-primas mais custosas na produção de ferro-gusa. A revisão de trabalhos científicos aplicados ao desafio de se modelar e otimizar o processo de redução em Alto-Fornos identificou possibilidade de utilização de ferramentas, como as Redes Neurais Artificiais, para determinar um modelo para o processo em estudo. A sinergia encontrada entre o conhecimento fenomenológico do processo e as informações contidas nos dados históricos da planta em questão, possibilitou o desenvolvimento de um modelo matemático condizente com a realidade do processo que, por sua vez, pode servir como base para o projeto de um controlador multivariável. Os resultados esperados envolvem principalmente uma otimização do uso de carvão, por meio da síntese de um controlador multivariável desenvolvido a partir do modelo neural criado. Este será responsável por encontrar associações entre as variáveis de processo e direcionar a melhor maneira de atuação por parte da operação. Adicionalmente, espera-se uma operação mais eficiente, reduzindo a variabilidade do produto final, garantindo uma matéria-prima mais adequada para a etapa seguinte do processo.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle