Como a Vetta utilizou machine learning para prever a qualidade do coque e definir a mistura de carvão ideal na siderurgia
Por Ana Rocha (Analista de Eficiência Energética) e Lis Soares (Head de Engenharia)
A produção de coque, matéria-prima fundamental para as operações de alto-forno na siderurgia, depende crucialmente da qualidade e do tipo de carvão utilizado. A otimização da mistura de carvão é, portanto, essencial para garantir a eficiência operacional e a estabilidade do processo, impactando diretamente os resultados econômicos da planta.
Pensando nisso, a Vetta desenvolveu e aplicou uma solução avançada de otimização multiobjetivo em uma coqueria na América do Sul. O objetivo era determinar a combinação ideal de carvões para minimizar custos e, simultaneamente, maximizar a Resistência do Coque Após a Reação (CSR), um indicador vital da qualidade do coque.
A Estratégia Digital: NSGA-III e Machine Learning
O desafio da formulação de misturas ideais está em equilibrar múltiplos objetivos e superar as limitações dos métodos tradicionais, que se baseiam em conhecimento empírico. A solução da Vetta utilizou o algoritmo genético de ordenação não dominada III (NSGA-III), uma técnica poderosa de otimização multiobjetivo, ideal para lidar com trade-offs complexos em aplicações industriais.
Um ponto chave da inovação foi a integração de um modelo de Machine Learning (Random Forest) para a previsão do CSR. O CSR é uma propriedade não aditiva, ou seja, não pode ser simplesmente calculada como uma média ponderada das propriedades dos carvões individuais. O modelo de Machine Learning da Vetta superou este desafio, fornecendo estimativas confiáveis da qualidade do coque com um erro quadrático médio (MSE) de 1,04 e um R2 de 0,82, garantindo a robustez do processo de otimização.
Resultados: A Fronteira de Pareto e a Flexibilidade na Decisão
A otimização rodou por 400 gerações, incorporando restrições industriais, como limites de proporção para cada carvão e um requisito mínimo de CSR (58%).
Os resultados geraram uma Fronteira de Pareto com soluções dominantes que ilustram o trade-off entre o ganho financeiro e a qualidade do coque. Essas soluções oferecem valiosa flexibilidade para a tomada de decisões, dependendo da prioridade da operação.
A diferença entre as soluções mostra a importância da otimização: o Blend 1 oferece 34,5% mais ganho unitário que o Blend 3, com apenas 0,8% de redução no CSR. Por outro lado, o Blend 3 eleva o CSR em 0,52 pontos percentuais, mas com uma redução de 25,6% no ganho unitário.
Conclusão: Eficiência e Adaptação Contínua
Ao aplicar o NSGA-III em conjunto com o Machine Learning, a Vetta possibilitou que a coqueria movesse sua operação de uma abordagem empírica para uma tomada de decisão orientada por dados, maximizando o valor de sua matéria-prima. O framework de otimização desenvolvido é flexível, permitindo que os operadores da planta o reexecutem com diferentes restrições no futuro, adaptando-se continuamente às necessidades operacionais e às condições de mercado.
Essa é a Vetta transformando a indústria por meio da digitalização e da otimização inteligente de processos. Quer saber mais sobre as nossas soluções? Entre em contato conosco agora mesmo.
___
Este artigo é baseado no trabalho apresentado na AisTech 2025: "Multiobjective Optimization of Coal Blend for Cokemaking Using NSGA-III", de Ana Carolina Rocha, Arthur Farah, Kássio Cançado e Lis Soares, da Vetta.