Anais do VI Congresso Brasileiro de Carvão Mineral

Nesse estudo de caso, são aplicadas técnicas de aprendizado de máquina (machine learning), que criam algoritmos capazes de fazer predições através de modelos baseados em dados, e vêm se destacando no seu uso em análise de processos industriais. O objetivo deste trabalho é avaliar a aplicação de diferentes algoritmos de Aprendizado de Máquina para a predição da operação de um gaseificador de leito fluidizado borbulhante instalado no Laboratório de Energia e Carboquímica da UNIPAMPA, campus Bagé, utilizando carvão mineral de Candiota-RS. Para construir uma base de dados confiável foram selecionadas 15 corridas experimentais dos registros de experimentos realizados no laboratório, desde o ano de 2016 até o ano de 2020. Para a análise computacional, utilizou-se o ambiente de desenvolvimento Jupyter Notebook e a linguagem de programação Python. Para implementar o trabalho proposto, foram utilizadas as bibliotecas Pandas, para a manipulação e análise de dados; Numpy, para a manipulação de estruturas e dados numéricos; Matplotlib, para a visualização dos dados; e Scikit-learn e FireTS para a aplicação de algoritmos de aprendizado de máquina. Utilizando essas ferramentas, foram realizados o pré-processamento dos dados, a análise de correlação entre as variáveis de operação e a aplicação e validação dos seguintes métodos de aprendizado de máquina: árvore de decisão, florestas aleatórias e redes neurais artificiais utilizando rede autorregressiva não-linear com entradas exógenas (NARX). A análise de correlação demonstrou que as variáveis do processo são extremamente correlacionadas entre si, e que a maioria das relações pode ser explicada por motivos físicos e químicos do processo. O aprendizado de máquina se mostrou parcialmente satisfatório para os modelos de árvore de decisão e florestas aleatórias, já que foram obtidos valores para o coeficiente de determinação (R²) de 0,8263 e 0,8262, respectivamente. No entanto, as análises gráficas demonstram que as predições não condizem com a dinâmica do processo real. Para o modelo NARX, o resultado foi satisfatório, chegando a valores de R² de 0,9955 para a predição das temperaturas. Pelo fato de o processo de gaseificação ser dinâmico, o modelo NARX apresentou melhores resultados, por possuírem memória e serem treinadas para aprender a partir de padrões de variação no tempo.