MODELAGEM DO NÍVEL TÉRMICO DE UM ALTO-FORNO PARA AUMENTO DA EFICIÊNCIA OPERACIONAL UTILIZANDO REDES NEURAIS ARTIFICIAIS
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".