Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.unipampa.edu.br/jspui/handle/riu/8602| Tipo: | Trabalho de Conclusão de Curso |
| Título : | Estudo da aplicação de um soft sensor de finura de cimento para otimizar a troca de cimento no processo de moagem e separação em uma indústria cimenteira |
| Autor(es): | Costa, Mariana Fuchs |
| Primeiro Orientador: | Arruda, Alexandre Denes |
| 1° Membro da banca: | Arruda, Alexandre Denes |
| 2° Membro da banca: | Justi, Gabriel Henrique |
| 3° Membro da banca: | Souza, Tânia Regina de |
| Resumo: | Com o rápido avanço da inteligência artificial nos dias de hoje, se faz cada vez mais necessário que as indústrias invistam em tecnologias que contribuam com a automatização dos seus processos. Na indústria cimenteira, a partir da necessidade de melhoria contínua de performance e da busca por excelência operacional, a implementação de técnicas que consigam analisar o vasto volume de dados que são gerados durante o processo produtivo não só contribui com a qualidade final do cimento, como também gera resultados significativamente positivos, sendo o maior deles a redução de custos com perdas. O processo de fabricação do cimento apresenta grande oportunidade de modernização, em especial o processo de moagem. Por ser uma das etapas que retém a maior parte dos gastos, a implementação de um soft sensor demonstra ganhos essenciais como aumento na produtividade e qualidade do cimento, assertividade nas análises e redução no consumo específico de energia elétrica. O objetivo deste trabalho é avaliar a aplicação de um soft sensor de finura de cimento para otimizar a troca de cimento no processo de moagem e separação, comparando a aplicação e viabilidade de dois modelos de Machine Learning (Árvore de Decisão e Redes Neurais). Através das análises dos erros absolutos, dos desvios padrões, e o quanto os valores encontraram-se dentro da tolerância definida de cada modelo, foi identificado um comportamento mais assertivo do modelo de Redes Neurais, com valores 83,51% dentro da tolerância, desvio padrão de 0,021 e erro de 2,13% em comparação com os resultados do blaine obtido em laboratório. Á vista disso, o modelo foi posto sob novas análises, resultando em valores como R² de 74% e MAPE de 2,75%, consistindo em resultados promissores para a implementação do sensor em uma indústria cimenteira, visto que o grande objetivo do processo é garantir a qualidade do cimento. |
| Resumen : | With the rapid advancement of artificial intelligence today, it is increasingly necessary for industries to invest in technologies that contribute to the automation of their processes. In the cement industry, based on the need for continuous performance improvement and the search for operational excellence, the implementation of techniques that are able to analyze the vast volume of data that is generated during the production process not only contributes to the final quality of the cement, but also generates significantly positive results, the biggest one being the reduction of costs with losses. The cement manufacturing process presents a great opportunity for modernization, especially the grinding process. As it is one of the steps that retains most of the expenses, the implementation of a soft sensor demonstrates essential gains such as an increase in productivity and cement quality, assertiveness in the analyzes and reduction in the specific consumption of electricity. The objective of this work is to evaluate the application of a soft cement fineness sensor to optimize the cement exchange in the grinding and separation process, comparing the application and viability of two Machine Learning models (Decision Tree and Neural Networks). Through the analysis of absolute errors, standard deviations, and how much the values were within the defined tolerance of each model, a more assertive behavior of the Neural Networks model was identified, with values 83.51% within the tolerance, standard deviation of 0.021 and error of 2.13% compared to the results of blaine obtained in the laboratory. In view of this, the model was put under further analysis, resulting in values such as R² of 74% and MAPE of 2.75%, consisting of promising results for the implementation of the sensor in a cement industry, since the main objective of the process is to guarantee the quality of the cement. |
| Palabras clave : | Industria 4.0 Cimento Processo de Moagem Inteligência Artificial Machine Learning Soft Sensor Industry 4.0 Cement Grinding Process Artificial Intelligence Machine Learning Soft Sensor |
| CNPQ: | CNPQ::ENGENHARIAS |
| Idioma: | por |
| metadata.dc.publisher.country: | Brasil |
| Editorial : | Universidade Federal do Pampa |
| Sigla da Instituição: | UNIPAMPA |
| Campus: | Campus Bagé |
| Citación : | COSTA, Mariana Fuchs. Estudo da aplicação de um soft sensor de finura de cimento para otimizar a troca de cimento no processo de moagem e separação em uma indústria cimenteira. 2023. 98f. Trabalho de Conclusão de Curso (Graduação em Engenharia Química) – Universidade Federal do Pampa, Campus Bagé, Bagé, 2023. |
| Tipo de acesso: | Acesso Aberto |
| URI : | https://repositorio.unipampa.edu.br/jspui/handle/riu/8602 |
| Fecha de publicación : | 14-jul-2023 |
| Aparece en las colecciones: | Engenharia Química |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| ESTUDO_DA_APLICACAO_DE_UM_SOFT_SENSOR_DE_FINURA_DE_CIMENTO_PARA_OTIMIZAR_A_TROCA_DE_CIMENTO_NO_PROCESSO_DE_MOAGEM_E_SEPARACAO_EM_UMA_INDUSTRIA_CIMENTEIRA.pdf | 3.34 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.