Estimativa da significância de variáveis físicas independentes no processo de laminação a quente de aço C-Mn, por meio de redes neurais artificiais

Abstract

RESUMO: Uma das técnicas de se obter o modelo de um processo é a modelagem caixa-branca que exige que se conheça bem o sistema a ser modelado, como as leis Físicas, Químicas ou de outras áreas científicas pertinentes ao mesmo, o que torna este tipo de modelagem complexa ou impraticável. A identificação de sistemas é uma outra forma de modelagem. Uma das características desta técnica é que pouco ou nenhum conhecimento prévio do sistema é necessário, o que a define como modelagem caixa-preta ou modelagem empírica. Os trabalhos efetuados em identificação de sistemas utilizando Redes Neurais Artificiais tem mostrado boa eficiência, alta velocidade de resposta e confiabilidade em seus resultados em diversas áreas, inclusive quando utilizadas para mapeamento de modelos para a predição de propriedades mecânicas de aço laminado a quente. O treinamento de uma Rede Neural Artificial, a partir dos padrões de entrada-saída, é capaz de memorizar e generalizar o processo em estudo proporcionando a capacidade de promover a análise da influência de Variáveis Independentes nas Variáveis Dependentes (sensibilidade) de um processo. Inspirado nessa proposta, este estudo primeiramente proporciona uma revisão bibliográfica sobre a utilização das Redes Neurais Artificiais no mapeamento de funções, afim de obter base científica na orientação da seleção de redes. Essa revisão de literatura claramente revela que as Redes Neurais Artificiais são utilizadas por vários pesquisadores na área de mapeamento de funções que, inclusive, orientam algumas arquiteturas para essa aplicação. A seguir é apresentada uma técnica de sensibilidade e um modelo caixa branca para a laminação a quente de aço C-Mn. Também é estabelecida a metodologia para a verificação do comportamento das Redes Neurais Artificiais no mapeamento de processos; a validação da técnica de Sensibilidade como instrumento para determinar a significância das variáveis independentes de um processo e, por fim, a aplicação dessa técnica ao processo de Laminação de Tiras a Quente de aço C-Mn, confrontando-a com um Modelo caixa-branca. Os resultados deste estudo claramente indicam que as Redes Neurais Artificiais representam boas ferramentas para mapeamento de funções pois conseguem armazenar uma identificação satisfatória de um modelo, preservando sua generalização, podendo ser simulado a qualquer momento. A técnica de Sensibilidade da variável independente é representativa da significância desta variável no processo. A variável de Sensibilidade de maior valor indica a que tem maior representação na variável dependente em estudo e que justificaria, por exemplo, investimentos em seu controle. Qualquer variável independente do processo pode ser inserida na análise de Sensibilidade, mesmo que essa não influencie na saída em estudo. Os resultados também confirmam que a técnica de Sensibilidade, via Rede Neural Artificial, aplicada a processos metalúrgicos mostra ser uma ótima ferramenta para identificar os parâmetros mais influentes e os parâmetros de menor efeito sobre a força de laminação, que pode impactar consideravelmente nas diretrizes de investimentos e projetos; bem como na orientação operacional, proporcionando redução de custos e melhoria da eficiência do processo.

ABSTRACT: One of the techniques to obtain a model of a process is the white -box modeling which requires well known system to be modeled, such as physical, chemical laws or other relevant scientific areas related to the subject; which makes this type of modeling complex or impractical. System identification is another form of modeling. One of the characteristics of this technique is that little or no prior knowledge of the system is necessary, what defines it as a black-box modeling or empirical modeling. The research carried out in identification systems using Artificial Neural Networks has shown good efficiency, high response speed and reliability in its results in several areas, including when used for mapping models for prediction of mechanical properties of hot rolled steel. The training of an Artificial Neural Network, from the input-output standards, is able to memorize and generalize the process under study providing the ability to promote the analysis of the influence of independent variables on dependent variables (sensitivity) of a process. Inspired by this proposal, this study first provides a literature review on the use of Artificial Neural Networks in mapping functions, in order to obtain scientific basis in guiding the selection of networks. This literature review clearly shows that Artificial Neural Networks are used by several researchers in the area of mapping functions which govern some architectures for this application. Following, a technique of sensitivity and a white box model for hot rolling of C-Mn steel are presented. The methodology for verification of the performance of Artificial Neural Networks in the mapping process is also established; validation of the technique of Sensitivity as an instrument to determine the significance of independent variables of a process and, finally, the application of this technique to the process of hot strip mill of C-Mn steel, confronting it with a white-box Model. The results of this study clearly indicate that Artificial Neural Networks are good tools for mapping functions because they can store a satisfactory identification of a model while preserving its generalization, which can be simulated at any time. The technique of sensitivity of the independent variable is epresentative of the significance of this variable in the process. The variable sensitivity of greater value indicates the highest representation in the dependent variable under study and that would justify, for example, investments in its control. Any independent variable of the process can be inserted in the sensitivity analysis, even if this does not influence on output under study. The results also confirm that the technique of sensitivity, via Artificial Neural Network, applied to metallurgical processes proves to be a great tool to identify the most influential parameters and parameters of minor effect on the strength of lamination, which can impact significantly on the guidelines of investments and projects; as well as on operational guidance, providing cost reduction and improvement of process efficiency.