Detecção de eventos de obstrução em válvula no processo de lingotamento contínuo com uso de aprendizado de máquinas

Página do item simplificado
dc.contributor.advisor-co1Salles, Evandro Ottoni Teatini
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0002-8287-3045
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/5893731382102675
dc.contributor.advisor1Ciarelli, Patrick Marques
dc.contributor.advisor1IDhttps://orcid.org/0000-0003-3177-4028
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1267950518719423
dc.contributor.authorDiniz, Ana Paula Miranda
dc.contributor.authorIDhttps://orcid.org/0000-0002-8630-3701
dc.contributor.authorLatteshttp://lattes.cnpq.br/3182975157056986
dc.contributor.referee1Salles, Jose Leandro Felix
dc.contributor.referee1IDhttps://orcid.org/0000-0002-3417-6544
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1368496315730875
dc.contributor.referee2Aching Samatelo, Jorge Leonid
dc.contributor.referee2IDhttps://orcid.org/0000-0001-7679-4132
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5049258096050209
dc.contributor.referee3Cavalieri, Daniel Cruz
dc.contributor.referee3IDhttps://orcid.org/0000-0002-4916-1863
dc.contributor.referee3Latteshttp://lattes.cnpq.br/9583314331960942
dc.contributor.referee4Vargas, Alessandro do Nascimento
dc.contributor.referee4IDhttps://orcid.org/0000-0002-1548-6299
dc.contributor.referee4Latteshttp://lattes.cnpq.br/8890841893698537
dc.date.accessioned2024-09-11T19:39:30Z
dc.date.available2024-09-11T19:39:30Z
dc.date.issued2024-05-25
dc.description.abstractThe continuous casting process, used in the manufacture of steel plates, is currently the most economical and efficient way of production within the industry. Although continuous casting is a widely used process, some problems associated with the process have not yet been resolved, one of them being the obstruction of the Submerged Entry Nozzle (SEN), which controls the flow of steel between the tundish and the mold. This obstruction, also called clogging, not only impairs the quality of the product but also results in lower process yield, resulting in losses. Thus, clogging detection is of fundamental importance, because control actions can allow the system to operate for a longer time. In this work, methodologies based on Machine Learning and Deep Learning are presented and compared to detect the occurrences of clogging from historical data of process variables. In general, the performance of the classifiers achieved very promising results in real data with unbalanced classes. In particular, the method employing spatiotemporal analysis, using four process variables, obtained a remarkably superior performance when compared to the others, reaching averages of Precision and Recall, respectively, of 95.53% and 97.33%. To reduce the false positive and negative rates, a post-processing heuristic was implemented and applied to the model output, achieving a Precision and a Recall, respectively, of approximately 98% and 99%. To the best of our knowledge, these results have never been found in the literature. Although a detailed comparison is unfeasible due to the differences between the datasets and their inaccessibility, the modeling proposed here reached higher performance levels when compared to the results found in the literature to solve this industry’s problem. The high and unprecedented results obtained in this work, therefore, will contribute both to the improvement of the quality of the final product and to the reduction of costs associated with steel production, since the more effective classification of clogging occurrences can help operators in the corrective action planning
dc.description.resumoO processo de lingotamento contínuo, usado na fabricação de placas de aço, é atualmente a maneira mais econômica e eficaz de produção dentro da indústria. Embora o lingotamento contínuo seja um processo amplamente usado, alguns problemas associados ao processo ainda não foram resolvidos, sendo um deles a obstrução da válvula submersa (Submerged Entry Nozzle - SEN), que controla o fluxo de aço entre o distribuidor e o molde. Essa obstrução, também chamada de clogging, além de comprometer a qualidade do produto, resulta em menor rendimento do processo, acarretando prejuízos. Deste modo, a detecção do clogging é de fundamental importância, pois ações de controle podem permitir que o sistema opere por mais tempo. Neste trabalho, são apresentadas e comparadas três metodologias baseadas em aprendizagem de máquina e Deep Learning com o objetivo de detectar as ocorrências de clogging a partir de dados históricos de variáveis do processo. Em geral, os classificadores apresentaram resultados bastante promissores em dados reais com desequilíbrio de classes. Em especial, o método empregando análise espaço-temporal, utilizando quatro variáveis do processo, obteve um desempenho notavelmente superior em relação aos demais, alcançando médias de Precisão e Recall, respectivamente, de 95,53% e 97,33%. Visando reduzir as taxas de falsos positivos e negativos, foi implementada uma heurística de pós-processamento aplicada à saída do modelo, sendo alcançado uma Precisão e um Recall, respectivamente, de aproximadamente 98% e 99%. Até o conhecimento da autora, esses resultados nunca foram encontrados na literatura. Apesar de uma comparação detalhada seja inviabilizada devido às diferenças entre as bases de dados e a inacessibilidade a elas, a modelagem aqui proposta atingiu patamares de desempenho superiores quando comparados aos resultados encontrados na literatura para solucionar este tipo de problema da indústria. Os resultados elevados e inéditos obtidos neste trabalho, portanto, contribuirão tanto para a melhoria da qualidade do produto final, como para a redução de custos associados à produção do aço, uma vez que a classificação mais efetiva das ocorrências de clogging poderá auxiliar os operadores no planejamento de ações corretivas
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/17722
dc.languagepor
dc.language.isopt
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Engenharia Elétrica
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica
dc.rightsopen access
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectLingotamento Contínuo
dc.subjectBocal da Válvula Submersa
dc.subjectClogging
dc.subjectAprendizado de Máquinas
dc.subjectDeep Learning
dc.subjectContinuous casting
dc.subjectSubmerged Nozzle Valve
dc.subjectMachine Learning
dc.subject.cnpqEngenharia Elétrica
dc.titleDetecção de eventos de obstrução em válvula no processo de lingotamento contínuo com uso de aprendizado de máquinas
dc.typedoctoralThesis
foaf.mboxanapmdiniz@gmail.com
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
AnaPaulaMirandaDiniz-2024-tese.pdf
Tamanho:
11.99 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Doutorado em Engenharia Elétrica