Modelagem computacional em python para minimização da perda de fusão no processo industrial de transformação do alumínio utilizando técnicas de Machine Learning

Abstract

A perda de fusão, dada pela oxidação do alumínio e sua subsequente formação de escória durante o processo de fusão, representa um desafio relevante na indústria de alumínio, sobretudo em razão dos gastos econômicos e energéticos das perdas e do rendimento metálico. Com base nisso, o presente estudo teve como objetivo desenvolver um programa computacional em Python, utilizando técnicas de Machine Learning, para analisar e prever a perda de fusão com base em dados operacionais industriais. A metodologia consistiu na coleta e tratamento de dados de diferentes carregamentos de fusão, aplicação de modelos estatísticos e preditivos (Regressão Linear, Random Forest, Gradient Boosting e Support Vector Regression), testados através do parâmetro R², para avaliar o impacto de variáveis como tempo e temperatura de carregamento e retirada da escória na perda de fusão e simulação de cenários de melhores condições de processo. O modelo Random Forest, selecionado por seu alto desempenho preditivo (R² > 0,9), demonstrou excelente capacidade de identificar interações complexas entre variáveis e apontar condições operacionais ideais. Os testes indicaram que os ajustes nas variáveis quando dado de maneira individual pode reduzir a perda de fusão em até 12%, enquanto a implementação combinada das recomendações geradas pelo sistema pode alcançar reduções superiores a 20%. Por fim, a integração entre ciência de dados com a engenharia química, por meio da modelagem computacional, mostrou-se como um elemento significativo para a otimização no processo de fusão, oferecendo uma ferramenta que pode ser bastante eficaz para redução de perdas metálicas.